Semantik-basierte Gebäudeerfassung mit verkoppelten Markoff-Zufallsfeldern

Abstract

In dieser Arbeit wird ein neues automatisches Verfahren zur Erfassung von Gebäuden aus Digitalen Oberflächenmodellen entwickelt. Im Gegensatz zu den meisten bisher in der Literatur beschriebenen Verfahren wird in diesem Ansatz die Rekonstruktion der Gebäude eng mit der Interpretation verknüpft. Es wird ein topologischer Ansatz zur Gebäuderekonstruktion gewählt, der die integrierte Auswertung von unterschiedlichen Datenquellen ermöglicht. <br /> Die Topologie eines Objektes lässt sich durch einen CW-Komplex repräsentieren. In dieser Arbeit werden CW-Komplexe zur Repräsentation der Topologie der Gebäudeoberfläche genutzt. Die Bestandteile des CW-Komplexes, die Zellen (Punkte, Kanten und Flächen), werden lokal klassifiziert. Zur Verbesserung der lokalen Klassifikationen werden Nachbarschaftsbedingungen mittels bedingter Wahrscheinlichkeiten berücksichtigt. Dazu wird eine Nachbarschaftsordnung auf dem CW-Komplex definiert und ein verkoppeltes Markoff-Zufallsfeld formuliert. Wir lernen die Gebäudemodelle automatisch aus repräsentativen Interpretationen. Die Gebäude werden lokal -aufgrund der Klassifikation der Zellen - mittels robuster Schätzverfahren rekonstruiert. Die Gebäudetypen der rekonstruierten Gebäude werden durch das Markoff-Zufallsfeld klassifiziert.<br /> Zur Veranschaulichung des Potentials und Beurteilung des Verfahrens werden synthetische und reale Beispiele in einem verallgemeinerten geometrischem Modellraum angeführt und diskutiert.

<b>Semantic-based Building Acquisition with Coupled Markov-Random-Fields</b><br /> The thesis develops a new automatic algorithm for the acquisition of buildings from digital surface models. In contrast to most of the already published techniques, the new algorithm closely combines the reconstruction with the interpretation. We choose a building representation based on its topology, which enables a combined evalation of different sensor types.<br /> We use CW-complexes for the topological building representation. The elements of the CW-complexes, the cells, are classified locally. We take neighborhood relations into account by conditional probabilities to improve the classification result. Therefore we define a neighborhood system on the CW-complex and build a Markov-Random-Field. We automatically learn building models from representative examples. The buildings are reconstructed locally using the classification result. By calculation of various building reconstructions using distinct building modells, a classification of the type of the complete building is done.<br /> Establishing a reduced building model, we dicuss synthetic and real examples to show the capabilities of the new algorithm. The importance of the approach is shown by the examples.