In dieser Dissertation wird ein neuer Ansatz zur automatischen Extraktion urbaner Straßennetze aus Luftbildern entwickelt. Um die hohe Komplexität urbaner Szenen handhaben zu können, wird ein explizit formuliertes Straßenmodell aufgestellt, das sowohl detailliertes als auch abstrahiertes Wissen über Straßen integriert. Die Modellierung von lokalem und globalem Kontext ergänzt das Straßenmodell. Das Wissen, in welchem Stadium der Extraktion bestimmte Modellkomponenten den größten Nutzen für die Extraktion bringen, ist in einer Extraktionsstrategie zusammengefasst. Die Grobgliederung der Strategie umfasst drei Phasen: Im Rahmen der Kontextanalyse (Phase 1) werden die globalen Kontextgebiete „Wald“, „Siedlung“ und „offene Landschaft“ segmentiert und lokale Kontextinformation wie z.B. Schattenregionen und Verdeckungen durch Fahrzeuge analysiert. Die Extraktion setzt sich in den Siedlungsgebieten mit der Bestimmung von sicheren Straßenstücken fort (Phase 2). Die Bestimmung dieser Teilstücke des Straßennetzes beginnt mit der Detektion von homogenen Bändern in auflösungsreduzierten Versionen der Luftbilder und der Extraktion von Markierungen und Straßenrändern in der hohen Auflösung. Aus dieser Eingangsinformation werden durch mehrere Gruppierungsoperationen Fahrspuren und Fahrbahnen gebildet. Die Straßennetzbildung in (Phase 3) verfolgt schließlich das Ziel, Fahrbahnen aus mehrfach überlappten Bildern zu fusionieren und daraus ein zusammenhängendes Netz zu erzeugen. Zu diesem Zweck kommt ein iterativer Prozess zum Einsatz, der zwischen den fusionierten Fahrbahnen Verknüpfungshypothesen generiert, die anschließend einer Verifikation im Bild unterzogen werden. Das Resultat dieser Gruppierung sind Straßen, die Kreuzungs- und Endpunkte des Netzes miteinander verbinden. Ein besonderes Merkmal der vorliegenden Arbeit ist die Entwicklung und systematische Nutzung eines Schemas zur internen Bewertung von Extraktionsergebnissen. Die interne Bewertung ermöglicht es, während der Extraktion auf die momentan am erfolgversprechendsten Hypothesen zu fokussieren. Die Ergebnisse zeigen, dass das implementierte System in der Lage ist, Straßen in komplexen Umgebungen automatisch zu extrahieren. Anhand einer externen Bewertung mit manuell erfassten Referenzdaten wird die Leistungsfähigkeit des Systems validiert sowie Vorteile und Defizite diskutiert.     «

In dieser Dissertation wird ein neuer Ansatz zur automatischen Extraktion urbaner Straßennetze aus Luftbildern entwickelt. Um die hohe Komplexität urbaner Szenen handhaben zu können, wird ein explizit formuliertes Straßenmodell aufgestellt, das sowohl detailliertes als auch abstrahiertes Wissen über Straßen integriert. Die Modellierung von lokalem und globalem Kontext ergänzt das Straßenmodell. Das Wissen, in welchem Stadium der Extraktion bestimmte Modellkomponenten den größten Nutzen für die E...     »

In this dissertation, a new approach to automatic road extraction from high resolution aerial imagery taken over urban areas is developed. In order to deal with the high complexity of this type of scenes, the approach integrates detailed knowledge about roads and their context using explicitly formulated scale-dependent models. The knowledge about how and when certain parts of the road and context model are optimally exploited is expressed by an extraction strategy. It is subdivided into three levels: Context-based data analysis (Level 1) comprises the segmentation of the scene into the urban, rural, and forest area as wells as the analysis of context relations (e.g. the determination of shadow areas and the detection of vehicles). Processing continues in urban areas. To determine salient roads (Level 2) the extraction includes the detection of homogeneous ribbons as preliminary road segments in coarse scale, collinear grouping thin bright road markings in fine scale, and the construction of lanes from groups of road markings and road sides. Then, the lanes are further grouped into larger road objects, so-called road segments. During road network completion (Level 3), road segments detected in overlapping images are fused and gaps in the extraction are iteratively closed by hypothesizing and verifying connections between previously extracted road segments. To this end, local as well as global criteria exploiting the network characteristics are used. The result of network completion are roads that connect junctions or endpoints. A key feature of the presented approach is the incorporation of a scheme for self-diagnosis. With this scheme each hypothesis generated during extraction is internally evaluated so that ist relevance for further processing can be assessed. This facilitates decisions inherently appearing during the extraction process. The results achieved with the approach show that the implemented system is able to extract roads in complex environments, i.e. the extraction is also possible when the appearance of roads is heavily affected by other objects. Based on an external evaluation of the results, the system is validated, and advantages but also remaining deficiencies are discussed.     «

In this dissertation, a new approach to automatic road extraction from high resolution aerial imagery taken over urban areas is developed. In order to deal with the high complexity of this type of scenes, the approach integrates detailed knowledge about roads and their context using explicitly formulated scale-dependent models. The knowledge about how and when certain parts of the road and context model are optimally exploited is expressed by an extraction strategy. It is subdivided into three l...     »