Automatic quality assessment and update of road data in sub-urban areas using aerial images
Zusammenfassung der Projektergebnisse
In diesem Projekt wurde eine neue Methode zur Extraktion von Straßennetzen in Vorstadtgebieten entwickelt. Die Straßenextraktion ist regionenbasiert; Straßenregionen werden aus einem segmentierten Luftbild extrahiert und miteinander verbunden, um ein Straßennetz zu bilden. Wissen über Straßen, insbesondere in Bezug auf Vorstadtgebiete, wird im gesamten Extraktionsprozess durchgehend genutzt. Auf diese Weise werden besondere Eigenschaften von Vorstadtgebieten berücksichtigt, zum Beispiel die relative Seltenheit von Straßenmarkierungen im Gegensatz zu Innenstadtgebieten. Digitale Oberflächenmodelle werden als zusätzliche Informationsquelle genutzt, und Kontextobjekte werden zusätzlich zu Straßen extrahiert, um die Auswahl der korrekt extrahierten Straßen zu erleichtern. Der wissensbasierte Ansatz beginnt mit einer Segmentierung und besteht aus mehreren aufeinanderfolgenden Schritten. In jedem Schritt werden Objekte basierend auf einer Kombination von radiometrischen und geometrischen Merkmalen gruppiert oder ausgewählt. In den ersten Schritten sind die radiometrischen Merkmale entscheidend, während in den folgenden Schritten die geometrischen Merkmale wichtiger werden. Für die Segmentierung wird der Normalized-Cuts- Algorithmus benutzt, ein graphbasierter Algorithmus, der die Einbeziehung von Informationen über die gewünschten Objekte in die Segmentierung erlaubt. Ein weiterer Vorteil des Normalized-Cuts- Algorithmus ist die Einbeziehung globaler Bildeigenschaften, wodurch der Algorithmus in der Lage ist, trotz Störungen in der Objektoberfläche glatte Segmente zu erzeugen. Nach der Segmentierung folgt eine Gruppierung der Segmente, um die Übersegmentierung aufzuheben. Straßenstücke werden aus den gruppierten Segmenten extrahiert. Ein Straßenstück bedeckt eine Straße oft nicht vollständig von Kreuzung zu Kreuzung, aufgrund von Störungen in der Straßenoberfläche oder anderen Objekten, die die Straße verdecken. Daher werden extrahierte Straßenstücke, die wahrscheinlich zu der gleichen Straße gehören, im nächsten Schritt zu Subgraphs verbunden. Die Subgraphs können Verzweigungen enthalten, welche mehrere mögliche Straßenverläufe repräsentieren. Diese sich widersprechenden Verläufe werden durch falsch extrahierte Straßenstücke verursacht. Um die Verzweigungen aufzulösen, werden die Subgraphs bewertet, und die Verbindungen, welche am wahrscheinlichsten falsch sind, werden entfernt. Für die Bewertung werden geometrische Beziehungen zwischen den verbundenen Straßenstücken verwendet sowie Kontextobjekte, die in und neben den Lücken zwischen verbundenen Straßenstücken gefunden werden. Kontextobjekte sind Objekte, die in der Umgebung von Straßen vorkommen. Einige Arten von Kontextobjekten, z.B. Fahrzeuge, unterstützen eine Straßenhypothese in der Lücke zwischen zwei Straßenstücken. Andere Arten von Kontextobjekten, z.B. Gebäude, widersprechen einer Straßenhypothese, wenn sie in der Lücke gefunden werden. Nach der Bewertung und Berichtigung der Subgraphs wird ein Straßennetz erzeugt. Dazu werden die Straßen durch genäherte Mittellinien repräsentiert. Das Netzwerk wird erzeugt, indem an den Enden der Straßen nach Kreuzungen gesucht wird. Straßen, von denen angenommen wird, dass sie fälschlicherweise extrahiert wurden, d.h. kurze Straßen, die isoliert sind oder parallel zu nahe liegenden längeren Straßen, werden entfernt. Das endgültige Netzwerk besteht aus Linien, die die Mittellinien der Straßen repräsentieren, und Punkten, die die Kreuzungen repräsentieren. Für zwei verschiedene Datensätze werden Ergebnisse vorgestellt. Die Datensätze bestehen aus Ortholuftbildern, die Vorstadtszenen zeigen, und dazugehörigen digitalen Oberflächenmodellen. Die Ergebnisse werden mit Hilfe einiger Qualitätsmaße bezogen auf die Straßenextraktion (z.B. Vollständigkeit und Richtigkeit) und die Topologie des extrahierten Netzwerks (z.B. topologische Vollständigkeit und Richtigkeit) analysiert. Die Ergebnisse zeigen, dass der Ansatz für die Extraktion von Straßen in Vorstadtgebieten geeignet ist. Die Methode kann genutzt werden, um Straßendatenbanken in Vorstadtgebieten zu aktualisieren.
Projektbezogene Publikationen (Auswahl)
-
2007. Physical barrier detection for updating of navigation databases from high resolution satellite imagery. IntArchPhRS 36(4/W54), ISPRS Workshop on Updating Geo-spatial Databases with Imagery (Urumqi), 147-151
Ma, L., Grote, A., Heipke, C., Chen, J. and Jiang, J.
-
2007. Road extraction in suburban areas based on normalized cuts. IntArchPhRS 36(3/W49A), PIA 2007 (München), 51-56
Grote, A., Butenuth, M. and Heipke, C.
-
2007. Road part extraction for the verification of suburban road databases. PFG (Photogrammetrie, Fernerkundung, Geoinformation) 2007(6), 437-445
Grote, A., Butenuth, M. and Heipke, C.
-
2007. Segmentation based on normalized cuts for the detection of suburban roads in aerial imagery. 2007 Urban Remote Sensing Joint Event (Paris)
Grote, A., Butenuth, M., Gerke, M. and Heipke, C.
-
2008. Road extraction for the update of road databases in suburban areas. IntArchPhRS 37(B3b), ISPRS Congress (Beijing), 563-568
Grote, A. and Heipke, C.
-
2009. Assessing the impact of digital surface models on road extraction in suburban areas by region-based road subgraph extraction. IntArchPhRS 38(3/W4), CMRT 2009 (Paris), 27-33
Grote, A. and Rottensteiner, F.
-
2009. Road extraction in suburban areas by region-based road subgraph extraction and evaluation. 2009 Joint Urban Remote Sensing Event (Shanghai)
Grote, A., Heipke, C., Rottensteiner, F. and Meyer, H.
-
2010. Automatic road network extraction in suburban areas from high resolution aerial images. IntArchPhRS 38(3A), PCV 2010 (Paris) 299-305
Grote, A. and Rottensteiner, F.
