ıken, daß man 
lediglich mit 
rbeitet. Ebenso 
chaften dieser 
betrachtet man 
Abbildung der 
e weitgehende 
1, wollen wir 
° glauben, daß 
jelsweise die 
1Yfachen lassen, 
ktmodells zur 
archie, welche 
echt gut als 
Ikturen. In der 
|che mehrere 
beispielsweise 
| durch einen 
ite Kriterien 
nnungs- oder 
, 1991]. Man 
ren 
herlich die 
ich gut durch 
iv leicht aus 
den. 
daß sich alle 
sich. auf, 
len ja gerade 
so zu Beginn 
ügung. Man 
der mit Hilfe 
; homogenen 
lich, daß die 
leitrag zur 
alsextraktion 
tion (DOM, 
h, direkt auf 
Eine weitere Unterscheidung von Erkennungsmerkmalen kann 
auch dahingehend erfolgen, daß man Merkmale, welche 
lediglich ein einzelnes Bildsegment betreffen, von solchen, die 
von mehreren Segmenten abhängig sind, trennt. Typische 
Beispiele für Merkmale, die lediglich von einem Bildsegment 
abhängen sind Helligkeit, Größe, Farbe etc. Merkmale, welche 
von mehreren Segmenten abhängen sind  beispeilsweise 
Kontrast oder Höhenunterschied. 
5.3. Regeln 
Neben Objektmerkmalen dienen im wesentlichen Regeln in 
Form von sog. ,spatial constraints" dazu, eine zuverlássige 
Objekterkennung zu erreichen. Für die Vegetation bestehen 
diese Regeln aus Wissen, welches interaktiv aus den Bildern 
abgeleitet werden soll. Dieses „räumliche“ Wissen besteht 
beispielsweise aus Regeln wie 
e ein Acker liegt nicht im Ort 
e Acker sind meist benachbart 
e ein Acker ist nie vollständig von anderen Ackern umgeben 
Es sind auch Ansätze bekannt, welche eine automatische 
Ableitung einer Wissensbasis ermöglichen [Kristen/Munkelt, 
1992], die dort gemachten Erfahrungen zeigen jedoch, daß dies 
wohl nicht ausreichend ist. 
5.4. Umsetzung in MRF-Theorie 
Wie bereits angesprochen, besteht das „Objektmodell 
Vegetation“ im wesentlichen aus Merkmalen und Regeln, 
wobei man deren Abbildung auf die MRF-Theorie ebenfalls 
noch zum Objektmodell hinzurechnen kann. 
Ein entscheidender Punkt wurde bisher nicht erwähnt: Es 
genügt nicht, eine gewisse Anzahl von Objektmerkmalen aus 
den Bildern zu extrahieren und zusammen mit den aufgestellten 
Regeln mit einem MRF zu verarbeiten. Es muß auch geklärt 
werden, in welchem Maß eine bestimmte Information 
(Merkmal, Regel) für die Lösung der Erkennungsaufgabe 
beiträgt, d.h. man braucht ein (automatisches) Bewertungs- 
verfahren, mit dem man relevante von weniger relevanter 
Information unterscheiden kann. 
Für extrahierte Merkmale bietet sich hier das Verfahren der 
Hauptkomponententransformation an, welches üblicherweise 
bei der multispektralen Klassifizierung verwendet wird. 
Die Umsetzung der in Kapitel 5.3 beispielhaft aufgezählten 
Regeln erfolgt mit Hilfe der in Kapitel 2.2 dargestellten 
Cliquenfunktionen: Cliquen, welche nicht den Regeln 
entsprechen, liefern eine hohe Energie, die Interpretation wird 
deshalb als relativ schlecht bewertet. 
6. GESAMTKONZEPT 
Abbildung 5 soll noch einmal das Gesamtkonzept der 
Vegetationserkennung in Zusammenhang mit der 
Objektoberflächenrekonstruktion graphisch verdeutlichen: 
Ausgehend von sich überlappenden Luftbildern wird mit Hilfe 
des Programmsystems FAST Vision automatisch ein 
hochaufgelöstes DOM und Orthophoto abgeleitet. 
Diese Daten bilden die Grundlage für eine spezialisierte 
Segmentierung, Merkmalsextraktion und Objekterkennung auf 
der Basis von MRF, welche nicht — wie bisher üblich — auf den 
zweidimensionalen Bildern erfolgt, sondern auf den 
Rekonstruktionsergebnissen (DOM, Orthophoto). 
969 
Mit den Ergebnissen dieser Objekterkennung soll dann die 
Genauigkeit der Objektrekonstruktion verbessert werden, 
insbesondere durch die Einführung von (potentiellen) 
Bruchkanten als Zusatzinformation in den 
Rekonstruktionsvorgang. Die so verbesserten Rekonstruktions- 
ergebnisse stehen dann wiederum der Objekterkennung zur 
Verfügung. 
Da dieses Projekt innerhalb einer DFG-Gruppe angesiedelt ist, 
ergibt sich in Ergänzung zu den anderen Gruppen im Projekt 
(Verkehrswege, Gebäude) eine Abdeckung der wesentlichsten 
Inhalte eines Luftbildes. Die Ergebnisse dieser Gruppen sollen 
in den Vorgang der Vegetationserkennung einfließen, um eine 
weitere Verbesserung der Erkennungsrate zu erreichen. Dies 
soll in Form von vorinterpretierten Gebieten erfolgen, die 
zusätzliche Kontextinformation für die Vegetationserkennung 
liefern. 
  
  
   
     
  
      
Luftbild 
FAST Vision 
| DOM | Orthobild 
Zusatz- 
information Segmentierung Vorwissen 
| Interpretation | 
  
    
  
  
  
     
  
  
  
  
  
  
  
  
International Archives of Photogrammetry and Remote Sensing. Vol. XXXI, Part B3. Vienna 1996 
Abbildung 5: Gesamtkonzept der Vegetationserkennung 
7. FAZIT 
Wir glauben, mit der Methode der MRF fir die 
Vegetationserkennung ein  erfolgversprechendes Konzept 
entwickelt zu haben, welches für die gestellten Aufgaben 
brauchbare Ergebnisse liefern kann. 
Neu an dem Verfahren ist die Verwendung von 
Oberflächeninformation als Zusatzinformation zur 
Klassifizierung sowohl als Formtextur als auch in Form von 
einzelner Objekthöhen (Baumhöhen, Haushöhen). Die 
Aufgaben Oberflächenrekonstruktion, Merkmalsextraktion und 
Objekterkennung werden weitgehend auf den 
Rekonstruktionsergebnissen, d.h. im  3D-Objektraum 
formuliert. 
Eine automatische Vegetationserkennung aus Luftbildern 
großer Maßstäbe ist noch weitgehend „Neuland“, Markov- 
Zufallsfelder wurden dafür bisher nicht eingesetzt. 
Daß Vegetationserkennung aus großmaßstäbigen Luftbildern 
mit Hilfe von Objektmodellen durchaus erfolgreich sein kann, 
belegen die Ergebnisse von Pollock [Pollock, 1994], der eine 
Erkennungsrate von immerhin 69% für einzelstehende Bäume 
erreicht, wobei die dabei benutzte Information lediglich aus 
einem Spektralkanal abgeleitet wurde. 
Die Erweiterung der Markov-Zufallsfelder um eine dynamische 
Komponente läßt eine gleichzeitige Verarbeitung von bisher 
nacheinander ablaufenden Vorgängen zu.