Logo Leibniz Universität Hannover
Logo: Institut für Photogrammetrie und Geoinformatik/Leibniz Universität Hannover
Logo Leibniz Universität Hannover
Logo: Institut für Photogrammetrie und Geoinformatik/Leibniz Universität Hannover
  • Zielgruppen
  • Suche
 

Automatische Extraktion von Vegetation in urbanem Gelände anhand der Auswertung des zeitlichen Verhaltens von Flugzeuglaserscannersignalen

Bearbeitung:J. Niemeyer

Motivation

In den letzten Jahren hat sich das Flugzeuglaserscanning zu einer Standardtechnik zur Gewinnung von Höhenmodellen großer Flächen entwickelt. Speziell in städtischen Gebieten dienen die so erfassten 3D-Punktdaten (vgl. Abb. 1) als Grundlage zur Ableitung höherwertiger Objektinformation. Der Schwerpunkt der Forschung lag bislang auf der Rekonstruktion von Gebäuden, etwa zur Erstellung von 3D-Stadtmodellen. Hierzu wurde bereits eine Reihe von Verfahren entwickelt. Für viele wichtige Anwendungen ist jedoch die Beschränkung der Modellierung auf die Gebäude unter Vernachlässigung der Vegetation nicht ausreichend. So lassen sich beispielsweise auf den Stadtmodellen basierende Simulationen hinsichtlich Lärmemissionen, Hochwassern oder des Mikroklimas ohne Informationen über die Vegetation nur unzureichend genau durchführen. Steht die Visualisierung der Modelle etwa für touristische Zwecke oder Computerspiele im Vordergrund, wirken die Städte ohne Pflanzen steril und dadurch unnatürlich. Aus diesen Gründen ist die Erfassung der Vegetation in urbanen Gebieten von zunehmender Bedeutung.

Abb. 1: Luftbild (links) und der zugehörige Ausschnitt aus der mit dem Laserscanner erfassten 3D-Punktwolke (rechts). Die Farbe repräsentiert dabei die Höhe der Punkte.

Laserscanning ist ein aktives Messverfahren, bei dem ein ausgesendeter Laserpuls nach der Reflexion am Boden bzw. Objekt wieder vom System empfangen wird. Die Entfernung ergibt sich dabei aus der Laufzeit des Pulses. Die meisten flugzeuggestützten Laserscanner registrieren heutzutage jeweils das erste und das letzte Echo eines Pulses sowie die sogenannte Signalintensität. Mit diesen Informationen ist zwar meistens eine Unterscheidung zwischen Vegetations- und Gebäudepunkten möglich, eine genauere Klassifikation der Vegetation kann jedoch nur grob durchgeführt werden. Großes Potential weisen diesbezüglich Laserscannersysteme der neusten Generation auf. Durch den schnellen technischen Fortschritt im Bereich der Sensorik sind diese nun in der Lage, die Abtastung der zeitlichen Verläufe des Sende- und Echosignals zu erfassen. Eine Auswertung der gesamten Signalform (Full-Waveform) ermöglicht dann die Trennung mehrerer Objekte in Entfernungsrichtung, wodurch etwa Äste von Bäumen oder Sträuchern separiert werden können. Insbesondere bei der Klassifikation von Vegetation kann man von den so erhaltenen zusätzlichen Informationen profitieren.

Ein Beispiel für eine aus den Signalformen abgeleitete und anschließend klassifizierte Punktwolke ist in Abb. 2 dargestellt. Im rechten Bild lässt sich gut die hohe Punktdichte der Full-Waveform-Daten im Vegetationsbereich erkennen.

Abb. 2: Klassifizierte Punktwolke in Boden (gelb), Gebäude (violett), Vegetation (grün) und Zäune (weiß). Links in der zweidimensionalen Aufsicht, rechts 3D-Ansicht eines von Bäumen umgebenen Gebäudes.

 

Zielsetzung

Bislang fokussierten Forschungsarbeiten zur Auswertung von Full-Waveform-Laserscandaten vorwiegend auf natürliche Vegetationsflächen, insbesondere Wälder. Das Ziel dieses Projektes hingegen ist es, ein Verfahren zu entwickeln, welches aus solchen Laserdaten die Beschreibung einer Stadt mitsamt der Vegetation ableitet. Vorwissen beispielsweise in Form von GIS-Daten wie Straßenverläufen oder Gebäudegrundrissen wird dabei vorausgesetzt. Weiterhin soll für eine zuverlässige Klassifikation Kontextwissen über topologische Zusammenhänge in das Verfahren integriert werden. Als Beispiel seinen hier die Gruppierung von Alleebäumen entlang einer Straße oder die Begrenzung von Grundstücken durch Umfriedung mit Hecken genannt. Abschließend soll die Vegetation nach Typ, Höhe und Kronenform gruppiert werden, um eine genaue Modellierung zu ermöglichen.

Publikationen

Niemeyer, J.; Mallet, C.; Rottensteiner, F.; Soergel, U. (2011): Conditional Random Fields for the Classification of LiDAR Point Clouds. In: IntArchPhRS vol. XXXVIII-4/W19, Hannover, 2011, 6 S., CD | file |

Niemeyer, J.; Wegner, J.D.; Mallet, C.; Rottensteiner, F.; Soergel, U. (2011): Conditional Random Fields For Urban Scene Classification With Full Waveform LiDAR Data. In: Stilla, Rottensteiner, Mayer, Jutzi, Butenuth (eds.), Photogrammetric Image Analysis (PIA), LNCS 6952, Springer, Heidelberg, pp. 233-244.  more

Niemeyer, J.; Rottensteiner, F.; Soergel, U. (2012): Conditional random fields for lidar point cloud classification in complex urban areas. In: ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences I-3, S. 263-268, 2012.  | file |

Niemeyer, J.; Rottensteiner, F.; Soergel, U. (2013): Classification of Urban LiDAR data using Conditional Random Field and Random Forests. In: IEEE Proceedings of the Joint Urban Remote Sensing Event (JURSE), April 21-23, 2013, São Paulo, Brazil, pp. 139-142 more

Niemeyer, J.; Rottensteiner, F.; Soergel, U. (2014): Contextual classification of lidar data and building object detection in urban areas. In: ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 87, January 2014, pp 152-165.  more

back to list