Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...
Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...
Masterarbeit Corinna Harmening Raum-zeitliche Segmentierung ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
3 <strong>Segmentierung</strong> von Laserscandaten<br />
trix ist, die die Eigenwerte λ i enthält [Niemeier (2008)]. Der Normalenvektor einer Ebene<br />
zeigt in die Richtung der geringsten Variation, sodass der gesuchte Normalenvektor dem<br />
zum kleinsten Eigenwert gehörenden Eigenvektor entspricht. Da die gesuchte Ebene außerdem<br />
durch den Schwerpunkt verläuft (auf einen Beweis wird an dieser Stelle verzichtet),<br />
lässt sich der noch zu bestimmende Parameter d durch Einsetzen der Schwerpunktkoordinaten<br />
in die Ebenengleichung 3.15 berechnen [Ahn (2004)]:<br />
d = n T · p. (3.26)<br />
3.3.2.2 Random-Sample-Consensus-Algorithmus<br />
Die unter 3.3.2.1 beschriebenen Verfahren zeichnen sich dadurch aus, dass für die Bestimmung<br />
des optimalen geometrischen Primitivs alle vorliegenden Daten verwendet werden.<br />
Fehler in den Daten werden aufgrund redundanter Information geglättet, jedoch nicht<br />
komplett beseitigt. Liegen grobe Fehler vor, so können sie zu einer deutlichen Verfälschung<br />
der geschätzten Parameter führen, wie in Fischler u. Bolles (1981) anhand eines Beispiels<br />
verdeutlicht wird.<br />
Für den Umgang mit groben Fehlern in den Daten existieren zwei übliche Strategien:<br />
Enthalten die Daten nur eine begrenzte Anzahl an Ausreißern, so können diese iterativ<br />
mit Hilfe eines statistischen Ausreißertests (z. B. nach Baarda, siehe Niemeier (2008))<br />
aufgedeckt und eliminiert werden. Für Datensätze mit einem hohen Prozentsatz an groben<br />
Fehlern bieten sich sogenannte robuste Verfahren an, deren Stärke es ist, dass das<br />
Ergebnis von vorliegenden groben Fehlern nicht beeinflusst wird [Xinming u. a. (1994)].<br />
Ein Beispiel für ein solches robustes Verfahren ist der Random-Sample-Consensus(RAN-<br />
SAC)-Algorithmus, der von Fischler u. Bolles (1981) vorgestellt wurde.<br />
Der RANSAC-Algorithmus besteht aus zwei Schritten, die iterativ durchgeführt werden:<br />
• Im ersten Schritt werden aus der Gesamtmenge der Beobachtungen zufällig m Beobachtungen<br />
ausgewählt (Random-Sample), wobei m die minimal benötigte Anzahl<br />
von Beobachtungen ist, die für die Festlegung des zu extrahierenden Primitivs<br />
benötigt werden (z. B. Ebene: m = 3). Diese m Punkte werden für die Bestimmung<br />
der Parameter des Primitivs – des sogenannten Modells – verwendet.<br />
• Der zweite Schritt – auch Consensus-Schritt genannt – überprüft, wie gut das be-<br />
30