und Z lediglich
V. werden im
et und können
sie lediglich von
. Mit Hilfe der
n des Markov-
e Wahl der
ı und Messwerte
chten, daB die
>nfunktion hoch
jordnung gering
oll, wenn die
Messwerten als
ieser Grundregel
rden.
Ife von Markov-
hen werden: Fiir
ucht, wobei dies
'dnungungen an
Messungen als
t sind.
ten-
AST Vision) ist
fahren, welches
)bjektoberfláche
(to) beruht. Mit
hochaufgelôste
en.
es insbesondere
en einzuführen.
es insbesondere
die Einführung
gsgrenzen sein,
an die gegebene
n kónnen und
n kann.
e quadratische
e Oberflächen-
möglich, z.B.
dung 1 soll den
verdeutlichen,
, 1987], [Tsay,
der im Maßstab
; von 15 um in
2 zeigt den
cann als typisch
. Man kann den
ze (ca. 20% der
(ca. 45%) und
Für diese Bilder wurden mit Hilfe eines analytischen
Auswertesystems die Orientierungsdaten bestimmt. Mit diesen
Orientierungsdaten und den Bilddaten kann dann eine
automatische Ableitung des DOM und (mehrkanaligem)
Orthophoto mit Hilfe von FAST Vision erfolgen. Dadurch wird
eine Erweiterung der Spektralinformation der Bilder um die
3D-Information erreicht.
Die Segmentierung dieser Daten kann dann mit Hilfe eines
Algorithmus auf der Basis von Markov-Zufallsfeldern erfolgen,
welcher von Koch entwickelt wurde [Köster, 1995]. Zu
beachten ist hierbei, daß die Segmentierung nicht nur mit Hilfe
der 3 Spektralkanäle erfolgen soll, sondern daß zusätzlich die
Hóhenunterschiede bzw. ,Hóhenrauhigkeit^ als vierter Kanal
benutzt werden sollen.
Wir erhoffen uns hiervon relativ gute Segmentierungs-
ergebnisse, da wir Textur (Sowohl Farb- als auch Oberflächen-
textur) als ein wesentliches Erkennungs- und Unterscheidungs-
merkmal von Vegetation betracht
Abbildung 2: Stereobereich des Testdatensatzes (M — 1:6000)
3. MARKOV-ZUFALLSFELDER ALS SEMANTISCHES
MODELL ZUR VEGETATIONSERKENNUNG
Bisherige Verfahren der Vegetationserkennung beruhen meist
auf kleinmafistábigen Bildern, oftmals von Satelliten
aufgenommen. Das Standardverfahren zur
Vegetationserkennung aus diesen Bildern ist die (interaktive)
Multispektralklassifizierung mit Hilfe der Maximum-
Likelihood-Funktion, welche in der Praxis eine weite
Träger der Information
> Geometrie
“~~... Spektrum
~
~
NL Maßstab
Abbildung 3: Zusammenhang zwischen Bildmaßstab und dem
Tráger der Information: Geometrie bzw. Spektraleigenschaft
eines Objektes
International Archives of Photogrammetry and Remote Sensing. Vol. XXXI, Part B3. Vienna 1996
Verbreitung gefunden hat.
Vegetationserkennung aus Luftbildern größerer Maßstäbe ist
noch eine Seltenheit, nicht zuletzt deshalb, weil hier die
Multispektralklassifizierung an ihre Grenzen stößt und die
Klassifizierung mangels geeigneter automatischer Verfahren
weitgehend interaktiv durchgeführt werden muß. Dies liegt
hauptsächlich im unterschiedlichen Träger der Information in
den Bildern begründet (Abbildung 3).
Durch den mit größerem Bildmaßstab immer wichtiger werden-
den Geometrie-Eigenschaften eines Objektes benötigt man ein
Geometriemodell des zu erkennenden Objektes. Aber auch
dann existieren noch eine Vielzahl von Mehrdeutigkeiten,
welche durch Berücksichtigung der Objektgeometrie nicht
ausgeräumt werden können. Es müssen deshalb auch
Relationen und funktionale Zusammenhänge zwischen den
Objekten für die Erkennung herangezogen werden, also wird
eine eher „ganzheitliche“ Betrachtung des Objekts und seiner
Eigenschaften und Funktionen erforderlich [Strat, 1992].
Bei den meisten Gebieten in Mitteleuropa handelt es sich um
Kulturlandschaften, d.h. in die natürliche Landschaft/Vegation
wurde und wird vom Menschen eingegriffen. Dadurch ensteht
eine Art ,Dualismus^ der Vegetation: Sowohl das einzelne
Individuum als auch die Gruppen dieser Individuen haben
sowohl chaotisch/stochastische Eigenschaften als auch
funktional/deterministische Eigenschaften. Für die
Modellierung von Vegetation bedeutet dies, daß ein Modell
benötigt wird, welches sowohl die deterministischen als auch
die stochastischen Eigenschaften beschreiben kann.
Mit den vorgestellten MRF kann dies erreicht werden: Sie
ermöglichen die Formulierung von (Nachbarschafts-)Relationen
und Beziehungen, die Verarbeitung von Merkmalen einzelner
Objekte und Objektgruppierungen sowie die Formulierung von
Regelwerken [Modestino/Zhang, 1992][Li, 1994].
4. DYNAMISCHE MARKOV-ZUFALLSFELDER
Objekterkennung in der Photogrammetrie basiert zur Zeit meist
auf dem „klassischen“ Bottum-Up-Verfahren: Nachdem das
Ausgangsmaterial mit Low-Level-Verfahren vorverarbeitet
wurden, wird das Bild aufgrund bestimmter Kriterien — wie
beispielsweise Konstanz der Intensitäten — in Gebiete mit
homogenen Eigenschaften hinsichtlich dieses Kriteriums
unterteilt (Segmentierung). Dabei besteht grundsätzlich das
Problem, daß die Segmentierung aufgrund von physikalischen
Eigenschaften (z.B. Helligkeit) erfolgt, eigentlich jedoch
semantisch zusammenhängende Gebiete segmentiert werden
sollen.
Die Entscheidung, welche Gebiete zu semantischen Einheiten
zusammengefasst werden können, kann erst getroffen werden,
wenn die Objekte bereits erkannt sind. Andererseits ist eine
Objekterkennung ohne Segmentierung kaum möglich.
Erste Ansätze, Interpretation und Segmentierung mit Hilfe von
MRF gleichzeitig durchzuführen, existieren bereits [Cooper,
1990]: CooPER arbeitet mit sogenannten „Coupled Markov
Random Fields“. Dies sind 2 MRF, welche über ihre Knoten
miteinander verknüpft werden, wobei eine Ebene für die
Bildsegmentierung, die 2. Ebene für die eigentliche
Bildinterpretation zuständig ist.
Allgemein bekannt sind Verfahren, welche eine
Homogenisierung von Bildsegmentierungen mit Hilfe der MDL
(Minimum Description Length) anstreben. Ihr Grundprinzip ist,
daß durch Zusammenfassen/Vereinfachen von Gebieten ein
Zustand von minimalem Beschreibungsaufwand erreicht wird.
967
