Automatic road network extraction in suburban areas from aerial images [Elektronische Ressource] / Anne Grote

Anne Grote

Informations

• Publié par: gottfried_wilhelm_leibniz_universitat_hannover
• Publié le: 01 janvier 2011
• Nombre de lectures: 10
• Langue: English
• Poids de l'ouvrage: 11 Mo

Extrait

Automatic road network extraction in suburban areas from
aerial images




Von der Fakultät für Bauingenieurwesen und Geodäsie
der Gottfried Wilhelm Leibniz Universität Hannover
zur Erlangung des Grades

DOKTOR-INGENIEUR (Dr.-Ing.)

genehmigte Dissertation
von

Dipl.-Ing. Anne Grote

geboren am 22.09.1979 in Berlin













2011







































Vorsitzender der Prüfungskommission: Prof. Dr.-Ing. Hansjörg Kutterer
Referenten: Prof. Dr.-Ing. Christian Heipke
Prof. Dr.-Ing. Markus Gerke
PD Dr.techn. Franz Rottensteiner
Prof. Dr.-Ing. Monika Sester

Tag der mündlichen Prüfung: 08. April 2011


Die Dissertation wurde am 04. Januar 2011 bei der
Fakultät für Bauingenieurwesen und Geodäsie der Gottfried Wilhelm Leibniz Universität Hannover
eingereicht.

Summary

In this thesis, a new method for the extraction of road networks in suburban areas from optical
aerial images is developed. The road extraction method is region-based; road regions are extracted
from a segmented image and combined to create a road network. Knowledge about roads pertaining
specifically to suburban areas is used in the entire extraction process. In this way, the characteristics
of suburban areas are considered, for example the fact that road markings are relatively rare in
suburban areas, as opposed to inner city areas. Digital surface models are used as additional
information, and context objects are extracted in addition to roads to facilitate the selection of the
correct roads.

The knowledge-based approach consists of several consecutive steps, starting with a segmentation.
In each step, objects are grouped or selected based on a combination of radiometric and geometric
features. In the first steps, the radiometric features are the most important features, whereas in later
steps the geometric features become more relevant. The initial segmentation is performed using the
normalized cuts algorithm, a graph-based algorithm which allows to incorporate information about
the desired objects into the segmentation. Another advantage of the normalized cuts algorithm is the
inclusion of global properties of an image, thus the algorithm is able to produce segments with
smooth boundaries despite disturbances in the object surface. The initial segmentation is followed
by a grouping of the segments in order to compensate for oversegmentation. From the grouped
segments road parts are extracted. A road part often does not cover a road in its entirety from
junction to junction due to disturbances in the road surface or due to other objects which occlude
the road. Therefore, extracted road parts which are likely to belong to the same road are connected
to subgraphs in the next step. The subgraphs can contain branches which represent several possible
courses of the road. These conflicting courses are caused by the presence of falsely extracted road
parts. In order to resolve the branches, the subgraphs are evaluated to eliminate those connections
which are most likely to be false. The geometric relations between connected road parts are used for
the evaluation, as well as context objects which are found in and around the gaps between
connected road parts. Context objects are objects which can be found in the vicinity of roads. Some
types of context objects, such as vehicles, give supporting evidence for a road hypothesis in the gap
between two road parts. Other types of context objects, such as buildings, contradict a road
hypothesis if they are found in the gap. After the evaluation and adjustment of the subgraphs, a road
network is generated. For this purpose, the roads are represented by approximated centre lines. The
network is generated by searching for junctions at the ends of roads. Roads which can be assumed
to be wrongly extracted, i.e. short roads that are isolated or parallel and close to longer roads are
eliminated. The final road network consists of lines representing the road centre lines and points
representing the junctions.

Results are presented for two different data sets. The data sets consist of aerial orthoimages which
show suburban scenes and corresponding digital surface models. The results are analysed
quantitatively using a set of measures pertaining to the quality of the road extraction, such as the
completeness and the correctness, and the quality of the network topology, such as the topological
completeness and correctness. The impact of some of the features used in the extraction is tested by
performing the extraction without these features and comparing the results to the original results.
The results show that the approach is suitable for the extraction of roads in suburban areas.

Keywords: automatic image analysis, road extraction, suburban areas




Zusammenfassung

In dieser Arbeit wird eine neue Methode zur Extraktion von Straßennetzen in Vorstadtgebieten aus
optischen Luftbildern entwickelt. Die Straßenextraktionsmethode ist regionenbasiert;
Straßenregionen werden aus einem segmentierten Bild extrahiert und miteinander zu einem
Straßennetz verbunden. Wissen über die Eigenschaften von Straßen, besonders in Vorstadtgebieten,
wird im gesamten Extraktionsprozess genutzt. Auf diese Weise werden die Besonderheiten von
Vorstadtgebieten berücksichtigt, zum Beispiel dass Straßenmarkierungen in Vorstadtgebieten relativ
selten sind, im Gegensatz zu Innenstadtgebieten. Digitale Oberflächenmodelle werden als
zusätzliche Informationsquelle genutzt, und Kontextobjekte werden zusätzlich zu den Straßen
extrahiert, um die Auswahl der korrekten Straßen zu vereinfachen.

Der wissensbasierte Ansatz besteht aus mehreren Schritten, angefangen mit einer Segmentierung. In
jedem Schritt werden Objekte anhand einer Kombination von radiometrischen und geometrischen
Merkmalen gruppiert oder ausgewählt. Die radiometrischen Merkmale überwiegen in den ersten
Schritten, während in späteren Schritten die geometrischen Merkmale an Relevanz gewinnen. Die
Segmentierung wird mit dem Normalized-Cuts-Algorithmus durchgeführt, einem graphbasierten
Algorithmus, mit dem Wissen über die gewünschten Objekte in die Segmentierung integriert
werden kann. Ein weiterer Vorteil des Normalized-Cuts-Algorithmus ist die Einbeziehung globaler
Bildeigenschaften, so dass der Algorithmus trotz Störungen in der Objektoberfläche gleichmäßige
Segmente erzeugen kann. Nach der Segmentierung werden die Segmente gruppiert, um die Effekte
der Übersegmentierung zu beseitigen. Dann werden Straßenstücke aus den gruppierten Segmenten
extrahiert. Aufgrund von Störungen in der Straßenoberfläche oder aufgrund von Verdeckungen wird
eine Straße häufig nicht vollständig von Kreuzung zu Kreuzung von einem einzigen Straßenstück
abgedeckt. Daher werden im nächsten Schritt Straßenstücke, die wahrscheinlich zur gleichen Straße
gehören, zu Teilgraphen verbunden. Die Teilgraphen können Verzweigungen enthalten, die mehrere
mögliche Straßenverläufe repräsentieren. Diese widersprüchlichen Verläufe entstehen durch die
Existenz von falsch extrahierten Straßenstücken. Um die Verzweigungen aufzulösen, werden die
Verbindungen in den Teilgraphen bewertet, und Verbindungen, deren Bewertung darauf schließen
lässt, dass sie falsch sind, werden entfernt. Für die Bewertung werden geometrische Beziehungen
zwischen den verbundenen Straßenstücken und Kontextobjekte in den Lücken zwischen den
Straßenstücken benutzt. Kontextobjekte sind Objekte, die in der Umgebung von Straßen gefunden
werden können. Einige Kontextobjekte, zum Beispiel Fahrzeuge, bieten unterstützende Hinweise
für Straßenhypothesen in Lücken zwischen zwei Straßenstücken. Andere Kontextobjekte, zum
Beispiel Gebäude, widersprechen einer Straßenhypothese, wenn sie sich in der Lücke befinden.
Nach der Bewertung und Anpassung der Teilgraphen wird ein Straßennetz generiert. Dazu werden
die Straßen durch approximierte Mittellinien repräsentiert. Das Netz wird durch die Suche nach
Kreuzungen an den Enden der Straßen generiert. Straßen, die wahrscheinlich fälschlicherweise
extrahiert wurden, vor allem kurze Straßen, die isoliert sind oder parallel zu anderen Straßen mit
kurzem Abstand, werden entfernt. Am Ende des Prozesses besteht das extrahierte Straßennetz aus
Linien, die die Straßenmittellinien repräsentieren, und Punkten, die die Kreuzungen repräsentieren.

Ergebnisse für zwei verschiedene Datensätze werden vorgestellt. Die Datensätze bes