Voxelbasierte Extraktion von Vegetation aus photogrammetrischen 3D-Punktwolken

Dauer der Arbeit: 6 Monate
Abschluss: März 2016
Betreuer: Dr.-Ing. Susanne Becker
Prüfer: Prof. Dr. Norbert Haala

Die Analyse von 3D-Punktwolken in der Stadt-Modellierung beschäftigt sich nicht nur mit der Darstellung oder Rekonstruktion von Gebäuden, sondern auch mit der Extraktion von Vegetation. 3D-Stadtmodelle werden zum Beispiel für die Ergänzung und Entwicklung von Geoinformationssystemen verwendet. Eine große Rolle spielen sie zudem bei der Stadtplanung, der Stadtentwicklung sowie bei der Digitalisierung von Stadtdaten. In dieser Arbeit wird ein Verfahren für die voxelbasierte Extraktion von Vegetation aus photogrammetrisch abgeleiteten Punktwolken entwickelt. Dabei wird der Ansatz von Wakita & Susaki [2015] durch die Verwendung eines schwellwertfreien Klassifikators, der Support Vector Machine (SVM), sowie durch die Integration eines Glättungsschritts robustifiziert. Zusätzlich wird der Algorithmus um die Auswertung von Farbinformation erweitert. Die Kombination von Geometrie- und Farbmerkmalen wird untersucht. Das Verfahren wird bzgl. der erreichbaren Klassifikationsgenauigkeiten evaluiert; die Wirkung des Glättungsverfahrens wird diskutiert. Folgende zwei Datensätze stehen zur Verfügung: eine in Frankfurt von Cyclomedia erfasste 3D-Punktwolke sowie eine aus Luftbildern abgeleitete 3D-Punktwolke von Zürich.

Die photogrammetrisch abgeleitete 3D-Punktwolke wird zuerst in Voxel zerlegt. Um den Klassifikator SVM zu verwenden, wird eine Menge von Voxeln, deren Klassen bekannt sind, als Trainingsgebiet ausgewählt. Basierend auf einer PCA werden anschließend für jedes Voxel geometrische Merkmale für die darin liegenden Punkte berechnet. Dies geschieht einmal ohne und einmal mit Einbeziehung der Nachbarvoxel. Die Farbmerkmale werden aus den Mittelwerten der Farbkoordinaten aller Punkte eines jeden Voxels im HSI-Farbraum ermittelt. Nach der Berechnung gibt es insgesamt 6 Geometrie- und 3 Farbmerkmale für jedes Voxel. Mit der SVM werden die Datensätze schließlich mit der SVM in 3 verschiedenen Varianten klassifiziert: 1) unter Verwendung von ausschließlich geometrischen Merkmalen, 2) unter Verwendung von ausschließlich Farbmerkmalen, 3) unter Verwendung aller Merkmale. Im Anschluss werden die Ergebnisse mit Hilfe des entwickelten Glättungsverfahren verbessert.

In dieser Arbeit werden die Datensätze von Frankfurt und Zürich nach der beschriebenen Vorgehensweise analysiert. Die folgenden Abschnitte beschreiben die Ergebnisse der Klassifikation mit Geometriemerkmalen, mit Farbmerkmalen sowie mit allen Merkmalen.

Um die Ergebnisse auszuwerten, wird die Klassifikationsgenauigkeit mit der Konfusionsmatrix berechnet, die einen tabellarischen Vergleich der Referenzdaten mit den korrespondierenden Ergebnissen der Klassifizierung darstellt. Dabei werden einige Voxel, deren wahre Klassen bekannt sind und somit als Referenzdaten vorliegen, als Testgebiete ausgewählt.

Aus der Konfusionsmatrix werden einige Maße für die Genauigkeitsuntersuchung der Klassifikation berechnet. Die Maße sind zum Beispiel Herstellergenauigkeit, Nutzergenauigkeit, Überlassungsfehler und Unterlassungsfehler. Tabelle 1 und Tabelle 2 zeigen diese Genauigkeiten der Klassifikation, die mit den jeweils angegebenen Merkmalsvektoren berechnet wurden.

Die Abbildungen und Tabellen zeigen beim Frankfurt-Datensatz eine Verbesserung bei der Klassifikation mit allen Merkmalen, insbesondere im Dachbereich, trotzdem gibt es ein wenig Rauschen. Beim Zürich-Datensatz hat die Klassifikation mit Farbmerkmalen die beste Qualität. Bei der Klassifikation mit ausschließlich Geometriemerkmalen und bei der Klassifikation mit allen Merkmalen tritt ein großes Rauschen bei Grünflächen und Straßen auf, da diese eine ähnliche geometrische Struktur haben.
Um die Wirkung der Glättung zu analysieren, wird die relative Anzahl der verbesserten Voxel für beide Datensätze berechnet. Die erreichten Verbesserungen liegen jeweils bei durchschnittlich 1%. 

Generell wird die Vegetation aus den Punktwolken beider Datensätze erfolgreich - wenn auch nicht optimal - extrahiert. Eine zentrale Aufgabe dieser Arbeit war die Untersuchung, ob die Ergebnisse verbessert werden können, wenn Geometrie- und Farbmerkmale zusammen in einem gesamten Merkmalsvektor bei der Klassifikation verwendet werden. Für den Datensatz aus Cyclomedia (Frankfurt) ist eine Verbesserung zu beobachten, während für den Datensatz aus Luftbildern (Zürich) wegen der ähnlichen Struktur von Grünflächen und Straßen keine Verbesserung im Vergleich zur Klassifikation mit ausschließlich Farbmerkmalen erzielt werden kann. Die Verbesserung, die in beiden Datensätzen durch den Einsatz des Glättungsverfahrens erreicht werden kann, ist signifikant.