This thesis is devoted to the conflation of two heterogeneous data sources - road vectors and geo-referenced images. The contributions of the Congruent Hybrid Model (CHM) include: 1) a linear feature extraction approach, which consists of Elastic Circular Mask (ECM) algorithm and the Genetic Algorithm (GA)-based grouping approach; 2) a Sparse Matching Algorithm (SMA) approach; and 3) a performance evaluation of two transformation functions.
Übersetzte Kurzfassung:
Diese Arbeit ist der Verschmelzung von heterogenen Datenquellen aus Straßenvektoren und georeferenzierten Bildern gewidmet. Das Congruent Hybrid Model (CHM) verfügt über drei Haupteigenschaften: 1) ein Linienextraktionsansatz, der aus dem Elastic-Circular-Mask (ECM)-Algorithmus und dem Genetic Algorithmus (GA)-basierten Ansatz besteht, 2) ein Sparse Matching Algorithmus (SMA), und 3) ein Vergleich von zwei Transformationsfunktionen.