Automatisierte Bildzuordnung in Karten zur Übertragung einer Georeferenzierung

Dauer der Arbeit: 6 Monate
Abschluss: Dezember 2014
Betreuer: Dr.-Ing. Volker Walter
Prüfer: Prof. Dr.-Ing. Norbert Haala

Diese Arbeit befasst sich mit der Zuordnung von Bild-Kartendaten, mit Hilfe von Punktdetektoren, Ausgleichung und RANSAC-Verfahren. Durch diese Bildregistrierung soll die Georeferenzierung einer Karte auf eine Andere übertragen werden.Die Verarbeitung von Rasterdaten ist ein aktuelles und progressives Forschungsfeld. Da Bilddaten inzwischen meist digital aufgenommen werden, ist es für die Geodäsie sehr interessant, aus Bilddaten Messgrößen zu extrahieren. Die dadurch gewonnenen Informationen werden in Bereichen wie Fernerkundung, Medizin, Satellitenmesstechnik, Photogrammetrie und Industrie für deren fachspezifische Anwendungen genutzt.

Zunächst muss in den zu registrierenden Bildern eine Menge identischer Punkte gefunden werden. Dazu wurde im ersten Schritt drei verschiedene Punktdetektoren implementiert und zwar der Moravec-Operator, der Harris-operator und der Förstner-Operator. Diese Detektoren suche in den Bildern sogenannte interest points, also Punkte mit starken Intensitätsübergangen, vorzugsweise Eckpunkte.

Nun da in beiden Bildern potentiell identische Punkte gefunden wurden, werden diese mittels Kreuzkorrelation ihrer Umgebung miteinander verglichen . Je nach Größe ihrer Ähnlichkeit werden die Punkte mit einem Adressenvektor einander vorläufig zugeordnet.

Da diese noch viele Fehlzuordnungen enthalten (Abb. 1), kann nicht einfach eine Transformation daraus berechnet werden. Eine Ausgleichung von 4 zufällig gewählten Punktpaaren mit RANSAC liefert nach einer hohen Anzahl von Iterationen den bestmöglichen Consensus Set. Damit wird anschließend eine finale Ausgleichung und die Transformationsparameter berechnet. Mit den Parametern kann nun das Objektbild auf die Bildkoordinaten des Referenzbilds transformieren. Eine Überlagerung der beiden Bilder im Anschluss deckt grobe Fehler in der Registrierung auf (Abb. 2).

Um eine Georeferenzierung zu erhalten wurde das OpenSource-Programm QGIS angewandt. Im Benutzerinterface, in dem man alle Attribute der Punktdetektion, des RANSAC-Verfahrens, die Karte und den Operator auswählen kann, ist zusätzlich die Funktion eingebaut, die globalen Koordinaten der unteren linken und rechten oberen Kartenecke des Referenzbilds einzugeben. Nach der Transformation der Ecken des Objektbilds in Bildkoordinaten, werden diese durch eine weitere Transformation in globale Koordinaten umgewandelt.

Die Auswertung der verschiedenen Szenarien hat in diesen speziellen Aufnahmekonfiguration im Referenz- und Bullaugenszenario Genauigkeiten der Objektpunktkoordinaten von teilweise weniger als 10 µm ergeben; gleiches gilt für die Genauigkeit der Translation. Die Genauigkeiten für die Szenarien mit Spiegel liegen im Allgemeinen in Größenordnung, die im Vergleich zum Referenzszenario, um den Faktor 1,5-2 größer sind.

Als Kartenmaterial wurden verschieden Bilder von Baden-Württemberg verwendet. In einer langen Testreihe wurden die verschiedenen Operatoren auf deren Wirksamkeit bei stark verschiedenen Karten getestet. Bei erfolgreichen Registrierungen, bei denen keine groben Fehler erkannt wurden, wurden in einem Balkendiagramm die Menge der genutzten Punktpaare im Consensus Set für jeden Operator dargestellt (Abb. 4).

Als Maß für die Qualität der Operatoren wurde die Anzahl erfolgreicher Registrierungen herangezogen (Abb. 5). Man erkennt deutlich abgeschlagen den Moravec-Operator, der bei Karten deutlich überfordert ist. Die besten Ergebnisse, knapp vor dem Harris-Operator, erzielt der Förstner-Operator.

Eine „beste“ Methode kann allgemein nicht beschrieben werden, da sie vom Anwendungsgebiet abhängig ist: Sollen gezwungenermaßen alle fehlerhaften Erfassungen erkannt und aussortiert werden? Sollen möglichst viele korrekte Erfassungen erhalten bleiben? Soll ein optimaler Mittelweg gewählt werden?

Somit sollte je nach Aufgabengebiet manuell eine entsprechende Wahl der Verknüpfungsparameter und des Grenzquantils gewählt werden.

Die entwickelte GUI konnte von den Crowdworkern problemlos verwendet werden. Lediglich eine der 52 übermittelten Feedback-Dateien enthielt negatives Feedback, 42 dagegen positives Feedback. 113 Datensätze mussten zurückgewiesen werden, was knapp einem Viertel der Gesamterfassungen entspricht. Es konnte festgestellt werden, dass die Punktzahl kein gutes Genauigkeitsmerkmal ist, allein durch Betrachtung der Fläche allerdings schon ein Großteil der Erfassungen aussortiert werden kann. Durch Anwendung von einfachen Operationen wie dem Aussortieren von Datensätzen anhand der Wahl eines Quantils lässt sich bereits ein Großteil der fehlerhaften Erfassungen eliminieren, da es sich in der Regel um Ausreißer handelt. Durch Verknüpfung der Quantilauswertung einzelner Parameter lässt sich die Genauigkeit noch deutlich verbessern.

Die manuell akzeptierten Datensätze weisen eine hohe Genauigkeit auf, eine automatisierte Sortierung führt zu ähnlichen Ergebnissen in Hinblick auf die erreichte Genauigkeit. Wird also eine Möglichkeit zur Eliminierung von fehlerhaften Datensätzen, manuell oder automatisiert, angewandt, so lässt sich durch Crowdsourcing eine gute Datenqualität bei Erfassung von flächenhaften Objekten in Orthofotos erreichen.