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 its relevance for further processing can be assessed. This facilitates decisions inherently appearing during the extraction process.%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 aufiösungs-reduzierten 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.
展开▼
机译：本文提出了一种新的方法，可以从在市区范围内拍摄的高分辨率航空影像中自动提取道路。为了处理此类场景的高度复杂性，该方法使用显式制定的比例相关模型集成了有关道路及其环境的详细知识。提取策略表示有关如何以及何时最佳利用道路和上下文模型的某些部分的知识。它分为三个级别：基于上下文的数据分析（级别1）包括将场景划分为城市，农村和森林区域以及上下文关系分析（例如，确定阴影区域和检测区域汽车）。市区内的加工仍在继续。要确定显着的道路（第2级），提取包括检测均质带作为粗略的初步道路路段，将细的明亮道路标记以细线共线分组，以及从道路标记和道路两侧分组构造车道。然后，将车道进一步分组为较大的道路对象，即所谓的路段。在道路网络完成期间（第3级），通过假设和验证先前提取的路段之间的连接，将重叠图像中检测到的路段融合起来，并迭代地封闭提取中的间隙。为此，使用了利用网络特性的本地标准和全局标准。网络完成的结果是连接结点或端点的道路。所提出的方法的关键特征是合并了一种自我诊断方案。使用此方案，将对提取过程中生成的每个假设进行内部评估，以便可以评估其与进一步处理的相关性。这有助于在提取过程中固有地做出决定。％在论文中，使用新的Ansatz zur automatischen Extraktion都市人Straßennetzeaus Luftbildern entwickelt。 Um die hoheKomplexitäturbaner Szenen handhaben zukönnen，wird ein explizit formulliertesStraßenmodellaufgestellt，das sowohl detailliertes als abstrahihites WissenüberStraßenintegriert。模特儿和全球模特儿。达斯·威森（Das Wissen），位于最佳引爆运动场馆（Walchem Stadium der Extraktion）的最佳模型，引爆的是引爆附加引力赛中固有的策略。参考文献：第一阶段：全球环境研究“ Wald”，“ Siedlung”和“ offene Landschaft”细分市场和地方信息在全球范围内发展。最好的二等奖（第二阶段）最好的二等奖（二等奖）最好的二等奖（二等奖）第三人以mehrere Gruppierungsoperationen Fahrspuren UND Fahrbahnen gebildet。模具Straßennetzbildung在（第3阶段）verfolgtschließlichDAS ZIEL，Fahrbahnen AUS mehrfachüberlapptenBildernつfusionieren UND daraus EINzusammenhängendes茨つerzeugen。祖diesem Zweck酒店kommt EIN iterativer Prozess的Zum Einsatz，DER zwischen巢穴fusionier十个FahrbahnenVerknüpfungshypothesen生成器，在Anschließendeiner中通过Bild unterzogen werden进行验证。 Das Resultat的死者Gruppierung sindStraßen，死于Kreuzungs- and Endpunkte des Netzes miteinander verbinden。
展开▼
