3D Gebäudemodelle aus Punktwolken

Die Einleitung betont den steigenden Bedarf an geometrisch und topologisch korrekten 3D-Gebäudemodellen für diverse Anwendungen wie 3D-Kataster, Virtual Reality, Notfallmanagement, Roboternavigation und Stadtplanung. Airborne Laserscanning (ALS) stellt das bevorzugte Datenakquisitionssystem dar, leidet aber aufgrund der spärlichen Punktverteilung unter eingeschränkter planimetrischer Genauigkeit der Modellkonturen im Vergleich zur hohen Höhengenauigkeit. Digitale Luftbilder bieten hingegen eine hohe planimetrische Genauigkeit. Die Integration beider Datenquellen (ALS-Punktwolken und Luftbilder) wird als vielversprechend für die Erzeugung von Gebäudemodellen mit hoher Höhen- und Lagegenauigkeit dargestellt. Der Einsatz von Dachtopologiegraphen (RTGs) zur Erhaltung topologischer Relationen während der Rekonstruktion wird hervorgehoben. Die Abhängigkeit vieler Methoden von externen Bibliotheken mit Objektprimitiven wird als problematisch angesehen, da solche Datensätze nur begrenzt verfügbar sind. Die Automatisierung des Prozesses wird aufgrund des enormen Datenaufkommens und des hohen Personalbedarfs bei manueller Bearbeitung als dringend notwendig erachtet. Die komplementären Eigenschaften von Punktwolken (hohe vertikale Genauigkeit) und Bildern (hohe planimetrische Genauigkeit) bilden die Grundlage für den vorgeschlagenen datengetriebenen Ansatz.

Dieser Abschnitt beschreibt den datengetriebenen Ansatz zur 3D-Gebäudemodellierung. Im Gegensatz zu modellgetriebenen Ansätzen, die auf vordefinierten Parametern basieren, analysieren datengetriebene Verfahren die Punktwolke als Einheit, ohne sie auf einen Parametersatz zu beziehen. Dies ermöglicht die Modellierung beliebiger Gebäudetypen. Der Prozess umfasst typischerweise drei Schritte: Gebäudedetektion, Extraktion primitiver Merkmale (z.B. Dachflächen, Firstlinien, Kanten) und geometrische Rekonstruktion. Die effiziente Handhabung der Topologie und der Dach-Primitiven wird als Hauptproblem genannt, wobei Dachtopologiegraphen (RTGs) als weitverbreitete Lösung im Fokus stehen. Die Vorteile datengetriebener Methoden liegen in der Robustheit und Genauigkeit bei ausreichend hoher Punktdichte, während die Anfälligkeit gegenüber Datenlücken und Okklusionseffekten als Nachteil genannt wird. Die verschiedenen Methoden der Punktwolkensegmentierung und Merkmalsextraktion werden erwähnt, wobei die Herausforderungen bei der präzisen Definition von Kanten, insbesondere bei Flachdächern, hervorgehoben werden. Die Bedeutung der Topologiekonstruktion zur Bestimmung der Beziehungen zwischen Dachflächen für die Erstellung von 3D-Modellen wird unterstrichen.

Dieser Abschnitt befasst sich mit der Verfeinerung der initialen 3D-Dachmodelle aus Punktwolken durch Integration von Luftbildern. Der Fokus liegt auf der Verbesserung der planimetrischen Genauigkeit der Gebäudekonturen und der Korrektur topologischer Fehler. Die initiale Dachmodellierung wird als ausreichend genau für die Verwendung als Orientierungshilfe bei der Suche nach korrespondierenden Linien in den Luftbildern betrachtet. Die Projektion der 3D-Liniensegmente in den Bildraum über Kollinearitätsgleichungen ermöglicht die Integration von Modell- und Bildinformationen. Zur Minimierung von Mehrdeutigkeiten bei der Zuordnung werden Szenenbeschränkungen (Gradient, planimetrische Symmetrie, Abstand zur Dachfläche) aus dem initialen Dachmodell herangezogen. Der Burns-Extraktor wird zur Extraktion von Kandidatenlinien aus den Luftbildern verwendet. Schwach definierte Kanten und Dachkonturen werden durch Fusion von Liniensegmenten aus Bildern verfeinert. Topologische Defekte, z.B. durch Okklusion, werden durch Hinzufügen von Liniensegmenten aus Bildern korrigiert, wodurch die Vollständigkeit und Korrektheit der verfeinerten Gebäudemodelle verbessert wird. Die Bedeutung der Genauigkeit der Ko-Registrierung von Punktwolken und Bildern wird angesprochen.

Die initiale 3D-Dachmodellierung basiert auf Airborne Laserscanning (ALS)-Punktwolken. Ein zentrales Element ist die Verwendung von Dachtopologiegraphen (RTGs), welche die topologischen Beziehungen zwischen den Dachflächen repräsentieren. Der Abschnitt beschreibt die Herausforderungen bei der Rekonstruktion von Dachstrukturen aus Punktwolken, insbesondere die Schwierigkeiten bei der Bestimmung von Kanten, speziell von Kanten zwischen flachen Dachflächen (Step-Edges). Die Genauigkeit der aus Punktwolken abgeleiteten Dachkonturen ist begrenzt, da die Punktverteilung oft spärlich ist. Bestehende Methoden zur geometrischen Rekonstruktion verlassen sich oft auf externe Zielgraphen (Target Graphs) in vordefinierten Bibliotheken, was die Modellierung komplexerer Dachstrukturen einschränkt und die Automatisierung erschwert. Die Arbeit zielt darauf ab, diese Einschränkungen zu überwinden und eine automatisierte Rekonstruktion ohne externe Graphen zu ermöglichen. Probleme mit kleinen Gebäudekomponenten, die aufgrund unzureichender Datenpunkte nicht zuverlässig rekonstruiert werden können, werden ebenfalls thematisiert. Die Bedeutung der korrekten Darstellung topologischer Beziehungen zwischen Dachsegmenten mithilfe des RTG wird hervorgehoben, ebenso die Herausforderungen durch Datenlücken und Fehler in der Vorverarbeitung, die zu fehlerhaften Beziehungen im RTG führen können. Die Integration zusätzlicher Datenquellen, beispielsweise aus Stereobildern, wird als potenzielle Lösung für diese Probleme vorgeschlagen.

Dieser Abschnitt präsentiert einen neuartigen Ansatz zur automatisierten Manipulation von Dach-Primitiven basierend auf der Zyklusanalyse innerhalb des RTG. Der Ansatz zielt darauf ab, die Geometrien der Dachecken unter Beibehaltung der Topologie zu rekonstruieren, ohne auf externe Zielgraphen oder Bibliotheken zurückzugreifen. Die Kernidee ist die Analyse von geschlossenen Zyklen im RTG. Der kürzeste geschlossene Zyklus korreliert mit der Konvergenz von Merkmalslinien (Firstlinien oder Step-Edges) an inneren Dachpunkten. Der Dijkstra-Algorithmus wird eingesetzt, um die kürzesten Zyklen im RTG zu extrahieren. Für die geometrische Fixierung der inneren Ecken werden unterschiedliche Strategien für die Schnittpunkte von Firstlinien (gewichtetes Least-Square-Verfahren) und die Konvergenz von Step-Edges (Übertragung der zuverlässigsten Durchschnittsposition auf verschiedene Höhenebenen) angewendet. Äußere Dachpunkte werden durch die Extraktion des äußersten Zyklus im RTG und die geometrische Fixierung der Konvergenzpunkte von Merkmalslinien und Außenkanten bestimmt. Die Regularisierung schwach definierter Randkanten (Winkel- und Positionsregularisierung) wird als Voraussetzung für den Eckpunktfixierungsprozess mittels Zyklusanalyse erwähnt. Der Ansatz ermöglicht die Berücksichtigung von Dachrinnen-Symmetrien und die Ausrichtung von Randlinien.

Die Verfeinerung des Gebäudemodells beginnt mit der Projektion der initial aus Punktwolken rekonstruierten Dachmodelle in den Bildraum mittels Kollinearitätsgleichungen. Die projizierten Liniensegmente dienen zur Eingrenzung des Suchraums für Kandidatenlinien, die zuvor mit dem Burns-Extraktor aus den Luftbildern extrahiert wurden. Anschließend erfolgt die Zuordnung korrespondierender Linien im Bildraum. Linien im Objektraum werden als Schnittmenge von Betrachtungsebenen konstruiert. Um Mehrdeutigkeiten im Zuordnungsprozess zu minimieren, werden Szenenbeschränkungen aus den initialen Dachmodellen eingeführt. Drei Hauptbeschränkungen werden verwendet: der Gradient der Dachkontur, der Status der planimetrischen Symmetrie und der senkrechte Abstand zur Dachfläche. Diese Einschränkungen optimieren den Matching-Prozess und minimieren Defekte und Lücken in den extrahierten Randlinien. Bekannte strukturelle Anordnungen der Dachmodelle und Konvergenz-Priors werden verwendet, um schwach definierte Kanten und Dachkonturen durch Fusion von Liniensegmenten aus den Bildern zu verfeinern. Topologische Defekte, beispielsweise durch Okklusion, werden durch Hinzufügen von Liniensegmenten aus den Bildern korrigiert. Neue topologische Beziehungen, die zwischen Dachflächen verborgen waren, werden durch das Einfügen von Step-Edges wiederhergestellt. Dies erhöht die Vollständigkeit und Korrektheit der verfeinerten Gebäudemodelle. Die Methode zielt auf eine planimetrische Verfeinerung ab, wobei die Firstlinien aufgrund ihrer angenommenen hohen Genauigkeit unverändert bleiben.

Da die aus Punktwolken abgeleiteten Dachmodelle planimetrisch nicht ausreichend genau sind, aber gute Näherungen darstellen, dienen sie als Leitlinien zur Suche nach korrespondierenden Dachrandlinien in den Bildern. Die Suche nach entsprechenden Bildlinien erfolgt im Bildraum, da die Projektion von 3D-Objekten in 2D einfacher ist als die Berechnung der 3D-Positionen von Bildpunkten. Die initialen Modellgrenzen werden mittels Kollinearitätsgleichungen in Liniensegmente im Bildraum projiziert. Die Auswahl und Verarbeitung der Kandidatenlinien erfolgt differenziert. Für Außenkanten werden die Kandidaten nach der Entfernung zur Referenzlinie sortiert, wobei Kandidaten innerhalb des projizierten Dachpolygons negativ und außerhalb positiv gewertet werden. Die Tendenz zu einer leichten Unterschätzung der Gebäudekonturen in Punktwolken wird berücksichtigt, indem entfernteren Kandidaten ein höheres Gewicht gegeben wird. Bei nahezu parallelen Kandidaten aus verschiedenen Perspektiven (Stereobildpaare), die nicht derselben Kante im Objektraum entsprechen, ist ein Vergleich im Objektraum vorteilhafter. Die 2D-Kandidatenlinien werden durch Rückprojektion in 3D-Liniensegmente im Objektraum transformiert. Vor diesem Schritt wird die Genauigkeit der Ko-Registrierung analysiert und gegebenenfalls korrigiert. Die optimale Zuordnung wird durch Berücksichtigung der Beiträge jedes Bildes und minimaler Gradientendifferenzen bestimmt.

Die Nutzung von Symmetrieeigenschaften von künstlichen Objekten, insbesondere bei Gebäuden mit horizontalen Firstlinien und schrägen Dächern mit gegenüberliegenden Azimuten (z.B. Giebeldächer), wird zur Optimierung des Matching-Prozesses eingesetzt. Die längsten Dachrinnenpaare, die eine annähernde Symmetrie aufweisen, werden identifiziert und als Beschränkung in den Matching-Prozess integriert. Fehlerhafte Topologien im initialen Dachmodell, die geometrische Fehler verursachen, werden adressiert. Diese Fehler betreffen vor allem die Außenkanten und den RTG. Fehlerhafte Randlinien, die durch Über- oder Untersegmentierung, Vegetation und Datenlücken entstehen, werden durch die Integration von Bilddaten korrigiert. Fehler im RTG (z.B. isolierte Dachkomponenten, fehlerhafte Ecken) werden durch die Verwendung von gut definierten Hinweisen aus der strukturellen Anordnung der Dachmodelle und Konvergenz-Priors behoben. Das Ziel ist die Vorhersage der wahrscheinlichsten Realität. Neue topologische Beziehungen, die durch Okklusion oder Datenlücken im initialen Modell verborgen waren, werden wiederhergestellt. Die planimetrische Genauigkeit der Dachkonturen wird erheblich verbessert, und die topologische Korrektheit der verfeinerten Modelle erreicht nahezu 100%.

Die Evaluierung der Ergebnisse erfolgte anhand der Methoden des ISPRS Benchmark Tests für die Objekterkennung und 3D-Gebäudemodellierung (Rottensteiner et al., 2012; 2014), basierend auf dem in (Rutzinger et al., 2009) beschriebenen Verfahren. Der Fokus lag auf der Bewertung der topologischen und geometrischen Genauigkeit. Die topologische Genauigkeit wurde aufgrund des Ziels der Topologieerhaltung im Verfahren besonders untersucht. Die geometrische Genauigkeit der resultierenden Modelle wurde im Vergleich zu Referenzdaten evaluiert. Zusätzlich wurden zwei weitere quantitative Bewertungen durchgeführt: eine Objekt-Level- und eine Pixel-Level-Bewertung. Die Objekt-Level-Bewertung basierte auf der Analyse von Entitäten (Pixel, Polygone, Graphenkanten), wobei die Vollständigkeit, Korrektheit und Qualität der Modelle als Hauptmetriken dienten. Die Pixel-Level-Bewertung analysierte die Übereinstimmung zwischen rekonstruierten und Referenzmodellen auf Pixelebene, wobei True Positives (TP), False Positives (FP) und False Negatives (FN) unterschieden wurden. Die Bewertung umfasste die Analyse von drei Szenarien (scene1, scene2, scene3), wobei die Ergebnisse jeweils separat ausgewertet wurden.

Die Ergebnisse der initialen Dachrekonstruktion zeigten eine hohe Korrektheit (93-98%) pro Dachfläche, jedoch eine relativ geringe Vollständigkeit (ca. 30% fehlende Dachflächen). Die Qualität lag im Bereich von 67-71%. Mögliche Fehlerquellen für die niedrige Vollständigkeit sind Über- oder Untersegmentierung, Fehlklassifizierung von Gebäudeabschnitten, fehlerhafte Dachflächenextraktion und das Unvermögen, geschlossene Polygone aufgrund fehlender Merkmalslinien zu erstellen. Die negative Auswirkung des Mergeschritts wurde als größer als die anderer Defekte eingeschätzt. Die Analyse der Ergebnisse zeigt, dass die Methode bei großen Dachflächen gut funktioniert, während bei kleinen Objekten mit unzureichenden Datenpunkten eine geringe Vollständigkeit festgestellt wurde. Die topologische Korrektheit der verfeinerten Modelle erreichte fast 100%, die topologische Vollständigkeit im Durchschnitt etwa 90%. Die planimetrische Genauigkeit der verfeinerten Modelle wurde um 0,55m im Vergleich zu anderen Methoden verbessert, dies wird als beachtliche Leistung hervorgehoben. Die Verbesserungen durch die Bilddatenintegration betrafen die planimetrische Genauigkeit, die topologische Korrektheit (nahezu 100%) und die Behebung von Okklusionseffekten.

Die Parametereinstellungen, insbesondere die Schwellenwerte für Winkel und Breite des Suchpuffers, beeinflussen die Anzahl der Kandidatenlinien. Für die verschiedenen Szenarien wurden unterschiedliche Parameter verwendet, wobei insbesondere bei Flachdächern größere Suchbereiche (12 Pixel in scene2) notwendig waren, um die Unterschätzung der Dachgrenzen im initialen Modell zu kompensieren. Winkelschwellenwerte von ca. 5° wurden verwendet, um Linien zu extrahieren, die nicht unbedingt Orthogonalitäts- und Parallelitätsbeschränkungen bezüglich der Hauptrichtung des Gebäudes erfüllen. Ein größerer Winkelschwellenwert (10°) wurde für die Erkennung von Kandidatenlinien bei getrennt erscheinenden Gebäuden verwendet. Ein Abstandsschwellenwert von 0,1 m wurde für alle Szenen verwendet. Die wichtigsten Szenenbeschränkungen waren der Abstand zum Punkt und der Gradient. Ein Winkelschwellenwert von 20° wurde verwendet, um Bilder mit schwachen Betrachtungseigenschaften zu vermeiden. Die Ergebnisse zeigen eine bessere planimetrische Genauigkeit bei Flachdächern im Vergleich zu schrägen Dächern, was auf die höheren Kontrastunterschiede in den Bildern zurückgeführt wird. Die globale Wahl der Schwellenwerte führt zu Unsicherheiten bei der Ableitung von 3D-Liniensegmenten und beeinflusst die planimetrische Genauigkeit der Dachkonturen. Verbesserungen sind durch Parameteroptimierung oder datenbasierte Parameterauswahl möglich, jedoch rechenintensiver.