5.4 Georeferenzierung von SPOT-PAN- mit ATKIS-Daten
5.4.2 Durchführung und Ergebnisse der Untersuchung
Wie in der Systemübersicht in Abbildung 5.4 angegeben, wurde zunächst der SPOT-Ausschnitt mit unterschied-lichen adaptiven Schwellwerten mit dem in Abschnitt 2.1.2 beschriebenen Verfahren segmentiert. Es wurden adaptive Schwellwerte AT ∈[5,8]verwendet, d.h. es wurden insgesamt vier Segmentierungsergebnisse erhal-ten. Zur Reduktion der Zahl betrachteter Regionen wurden anschließend für jedes Segmentierungsergebnis alle Regionen, die kleiner als 1000pixel (etwa 0.03% der Bildgröße) sind, eliminiert. Für die verbleibenden Regionen wurden Vektor-Umrißpolygone, die zunächst exakt den Pixelkanten folgen, extrahiert. Anschließend wurden für alle Polygone aus allen Segmentierungen die zentralen geometrischen Momente bis achter Ordnung, die sechs einfachsten Kreuzmomentivarianten und die Transformation in die in Abschnitt 4.5.3 definierte Standardlage berechnet. Für die verschmolzenen ATKIS-Waldpolygone wurden ebenfalls die zentralen geometrischen Mo-mente bis zur achten Ordnung, die sechs einfachsten Kreuzmomentivarianten und die Transformation in die Standardlage berechnet. Die Ergebnisse der Segmentierungsläufe sind in Abbildung 5.21 dargestellt. Regionen, die kleiner als 1000pixel sind, wurden bereits eliminiert, gezeigt sind die Umrißpolygone für die jeweils ver-bleibenden Regionen, also die Objekte, die zur merkmalsbasierten Zuordnung und zur Baumsuche in Betracht kamen. Für die Segmentierungen ergaben sich nach Eliminierung der kleinen Regionen insgesamt 421 Objekte (167 ausAT = 5,104 ausAT = 6,74 ausAT = 7und 76 ausAT = 8).Da der implementierten Strategie zufolge alle Objekte aus allen Segmentierungen potenzielle Kandidaten für die merkmalsbasierte Zuordnung sind, ergibt
100 Kapitel 5. Untersuchungen mit dem Gesamtsystem
Adaptiver Schwellwert AT = 5 Adaptiver Schwellwert AT = 6
Adaptiver Schwellwert AT = 7 Adaptiver Schwellwert AT = 8
Abbildung 5.21: Ergebnisse der durchgeführten Segmentierungen der SPOT-Szene Elchingen/Großkuchen.
Die verwendeten adaptiven Schwellwerte liegen im Bereich zwischen 5 und 8.
sich zusammen mit den 216 Objekten des GIS-Datensatzes die nicht unerhebliche Anzahl von216×421 = 90936 potenziellen Paaren. Die tatsächliche Anzahl an Hypothesen wird durch die Wahl des maximalen relativen Un-terschieds je Merkmal bei der Durchführung der merkmalsbasierten Zuordnung gesteuert. Zur Kontrolle über den weiteren Verlauf der Untersuchung wurde daher das Zuordnungsverfahren aus Abschnitt 4.4 mit relativen Unterschieden (gleich für alle sechs Invarianten) im Bereich zwischen 1% und 4% durchgeführt. Die Ergebnisse der unterschiedlichen Durchläufe sind in Statistik 5.22 dargestellt.
12 13
17 16
0 5 10 15 20 25
1% 2% 3% 4%
M M M
Maaaaxxxxiiiimmmmaaalllleaeeer r r r RRRReeeellllaaaattttiiiivvveveeer r r r M
MM
Meeeerrrrkkkkmmmamaallllssssuna ununtttteuneeerrrrsssscccchhhhiiiieeeedddd VVVVeeeerrrriiiiffffzzzziiiieeeerrrrtttte e e e HHHHyyyyppppooootttthhhheeeesssseeeennnn
25,5 90,0
161,4 228,7
0,0 50,0 100,0 150,0 200,0 250,0 300,0
1% 2% 3% 4%
M M M
Maaaaxxxxiiiimmmmaaaalllleeeer r r r RRRReeeellllaaattttiiiiva vveveeer r r r M
MM
Meeeerrrrkkkmkmmamaaallllssssunununtttteuneeerrrrsssscccchhhiiiieheeedddd
DDDDaaaatttteeeeiiiiggggrrrröööößßßße e e e // / / [[[[MMMMBBBByyyytttteeee]]]]
2241 6783
11598 16200
0 5000 10000 15000 20000
1% 2% 3% 4%
MMM
Maaaxaxxiiiimxmmamaaalllleeeer r r Rr RReReeellllaaaattttiiiivvvveeeer r r r M
MM
Meeeerrrrkkkkmmmamaallllssssuna ununtttteuneeerrrrsssscccchhhiiiieheeedddd
AAAAnnnnzzzzaaaahhhhl l l l HHHHyyyyppppooootttthhhheeeesssseeeennnn
Abbildung 5.22: Statistische Daten zu den untersuchten Durchläufen der merkmalsbasierten Zuordnung für alle Objekte des Testgebiets Elchingen/Großkuchen. Der relative Unterschied wurde für alle sechs Invarianten gleichermaßen im Bereich zwischen 1% und 4% gewählt.
5.4. Georeferenzierung von SPOT-PAN- mit ATKIS-Daten 101
Die noch ausstehenden Prozessierungsschritte konnten für alle vier Ergebnisse der merkmalsbasierten Zuordnung erfolgreich durchgeführt werden. Speziell für den Satz mit 4% maximalem relativem Unterschied pro Invariante war jedoch die zu handhabende Dateigröße mit 228.7 MByte zu groß, um über die ganze Prozesskette im Arbeitsspeicher der verwendeten SGI O2-Workstation gehalten werden zu können, wodurch sich die Rechenzeit extrem verlängerte (insgesamt etwa 1 Stunde für RD = 4%). Da sich die Ergebnisse aus allen Läufen jedoch in allen Punkten nicht wesentlich unterscheiden, wird im folgenden nur mitRD= 3%weitergearbeitet, da hier die größte Zahl an verifizierten Hypothesen (17) erzielt werden konnte. Vor der Baumsuche wurden für alle Hypothesen jeweils die MBRs und die affinen Hin- und Rücktransformationen aus den Standardlagen berechnet.
Das Baumsuchverfahren wurde wie bei der Untersuchung in Abschnitt 5.3 mit einer maximalen Suchtiefe von 6 und einer minimalen Objektüberlappung von 80% durchgeführt.
Die Anwendung der so ermittelten globalen Affintransformation auf die SPOT-Szene ist in Abbildung 5.23 dargestellt.
Abbildung 5.23: Transformation des SPOT-Testdatensatzes Elchingen/Großkuchen auf die ATKIS-Polygone mit Hilfe der globalen Affintransformation aus dem Baumsuchverfahren. Die verifizierten Polygone sind hell eingezeichnet.
Für den Verifikationsschritt wurden in dieser Untersuchung folgende Werte verwendet: Maximale Abweichung in Rotation und Scherung: ±45◦, maximaler Unterschied imx- und y-Maßstab: 20%, maximaler Unterschied in der x- und y-Verschiebung: 20% und minimale Überlappung: 40%. Die insgesamt 17 so verifizierten Po-lygone (GIS-Partner) sind in Abbildung 5.23 hell eingezeichnet. Vor der Durchführung der ICP-Verfeinerung wurden die Raster-Polygone zur besseren Konvergenz und zum besseren Zeitverhalten des ICP-Algorithmus’
mit Hilfe des Douglas-Peucker-Algorithmus’ generalisiert [Douglas & Peucker 1973]. Um zu untersuchen, wie sich die Generalisierung auf die Paßpunktgenauigkeit auswirkt, wurden hierbei Generalisierungen im Bereich von 5m bis 20m in 2.5m-Schritten an den ins Weltkoordinatensystem transformierten Raster-Polygonen an-gebracht. Abschließend wurden die Raster-Polygone aller verifizierten Hypothesen in das Weltkoordinatensy-stem transformiert. Mit Hilfe des modifizierten ICP-Algorithmus’ wurde die individuell optimale 2D-projektive Transformation ermittelt. Zur Extraktion von Paßpunkten aus den GIS-Polygonen und den generalisierten Raster-Polygonen wurde das bereits beschriebene Verfahren mit Nächster-Nachbar-Standardabweichungen von σNP = 1cm bis σNP = 10.24m, durchgeführt. Die angebrachten σNP wurden dabei jeweils verdoppelt. Die Anzahl der erhaltenen Paßpunkte in Abhängigkeit vom angewandtenσNP ist in Abbildung 5.24 für alle unter-suchten Generalisierungen dargestellt. Die daraus resultierenden Paßpunktgenauigkeiten in Abhängigkeit von der Anzahl erzeugter Paßpunkte sind in Abbildung 5.25 zu sehen.
102 Kapitel 5. Untersuchungen mit dem Gesamtsystem
0 200 400 600 800
0,01 0,1 1 10 100
5m 7,5m 10m 12,5m 15m 17,5m 20m
σNNNNP P P P / / / / [[[[mmm]]]]m
Generalisie-rungsgrad
AAAAnnnnzzzzaaaahhhhl l l l PPPPaßaßaßaßpunpunpunpunkkkktttteeee
Abbildung 5.24: Anzahl erzeugter Paßpunkte in Abhängigkeit von der Nächsten-Nachbar-Standardabweichung in Weltkoordinaten für alle untersuchten Generalisierungsgrade.
A AA
Annnnzzzzaaaahhhl hl l l PPPPaßaßaßaßpunpunpunkpunkkktttteeee σGGGGCCCCPPPP,,,,wwwwoooorrrrlllldd d d / / / / [[[[mmmm]]]]
Generalisie-rungsgrad 0
5 10 15 20 25 30 35
0 200 400 600 800
5m 7,5m 10m 12,5m 15m 17,5m 20m
Abbildung 5.25: Paßpunktgenauigkeit in Abhängigkeit von der Anzahl erzeugter Paßpunkte für alle unter-suchten Generalisierungsgrade.
In den Abbildungen 5.24 und 5.25 markiert jeder Meßpunkt einen ganzen Satz von Paßpunkten. Aus den Abbil-dungen zeigt sich, daß eine sinnvolle Wahl der untersuchten Parameter z.B. beiσN P = 2.56m und einem Gene-ralisierungsgrad von10.0m liegt. In diesem Fall ergeben sich über den ganzen Datensatz verteilt 177 Paßpunkte mit einer lateralen Geländegenauigkeit von etwa11m. Dies ist ein für praktische Georeferenzierungsaufgaben realistischerweise erreichbarer Wert. In Abbildung 5.26 sind die erhaltenen Paßpunkte für diese Parameterwahl exemplarisch aufgezeigt. Abschließend zu den Untersuchungen im Testgebiet Elchingen/Großkuchen wurde in zwei Beispielen die Robustheit des Gesamtverfahrens qualitativ betrachtet. Dazu wurde der ATKIS-Datensatz künstlich zwei unterschiedlichen affinen Transformationen unterworfen und das gesamte Verfahren wie bereits beschrieben durchlaufen. Es ist dabei zu betonen, daß keiner der prozessrelevanten Parameter verändert wur-de, alle Parameter wurden bei den bereits angegebenen Werten belassen. Im ersten Fall wurde lediglich eine x-Scherung an den ATKIS-Polygonen angebracht. Die zu Grunde liegende Affintransformation hatte folgene Gestalt:
x = x+ 0.5y (5.9)
y = y . (5.10)
In Abbildung 5.27 sind die transformierten ATKIS-Polygone mit schwarzem Rand eingezeichnet. In einem zweiten Experiment wurden die ATKIS-Polygone einer Rotation, Scherung und einer Spiegelung unterworfen.
5.4. Georeferenzierung von SPOT-PAN- mit ATKIS-Daten 103
Paßpunkte in der SPOT Szene Paßpunkte in den ATKIS-Polygonen
Abbildung 5.26: Beispiel für automatisch erzeugte Paßpunkte im Untersuchungsgebiet Elchin-gen/Großkuchen. Die Standardabweichung der nächsten Nachbarn wurde hier zu 2.56m gesetzt, der Gene-ralisierungsgrad lag bei10m.
Abbildung 5.27: Ergebnis der globalen Affintransformation bei künstlich in x-Richtung gescherten ATKIS-Polygonen. Verifizierte Polygone sind hell gezeichnet.
Die angewandte Affintransformation hatte die Gestalt:
x = 0.170x+ 0.985y (5.11)
y = 0.964x+ 0.267y . (5.12)
Das mit der berechneten globalen Affintransformation transformierte SPOT-Bild und die ATKIS-Polygone sind in Abbildung 5.28 dargestellt. Auch hier sind verifizierte Polygone hell eingezeichnet. Beide Beispiele unter-streichen die Robustheit des Gesamtsystems selbst in extremen Fällen, die in der Praxis so nicht vorkommen.
104 Kapitel 5. Untersuchungen mit dem Gesamtsystem
Abbildung 5.28: Ergebnis für künstlich gescherte, rotierte und gespiegelte ATKIS-Polygone.