Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Gewinnung von Landmarks aus Geobasisdaten

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Vortragsgliederung Motivation Landmarks aus 2-D-Geobasisdaten (Elias u. Sester, Hannover) Landmarks aus 3-D-Geobasisdaten (Raubal u. Winter, Wien) Landmarkbewertung mittels der Informationstheorie (Galler, Bonn)

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Motivation Routen- und Navigationssysteme meist nur Strecken- und Richtungsangaben  entspricht nicht menschlichen Bedürfnissen  Einführung von Landmarks - kognitive, strukturelle, visuelle  Steigerung der effektiven Orientierung  Angaben mit Landmarks anreichern

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Landmarkgewinnung aus 2-D-Geobasisdaten Datenquellen: ATKIS Basis-DLM (Realweltmodellierung nach Objektartenkatalog) lehnt sich an TK 25 an einzelne Objekte haben Attribute ALK (Erfassung der Objekte nach Objektschlüsselkatalog) Inhalt: Flurstücke mit Nutzung, Gebäude (Niedersachsen) Maßstab 1:1000 Gemeinsamkeiten: flächendeckend Daten im Vektorformat

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Erzeugung von Landmarks (I) 1.kürzeste Wegstrecke berechnen 2.wegkreuzende, linienhafte ATKIS- Objekte mit Route verschneiden (Puffer von 100 m) 3.flächenhafte ATKIS-Objekte mit gemeinsamer Kante zur Route herausfiltern

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Erzeugung von Landmarks (II) 4.Beschriftung mit Eigennamen oder Titeln der Objektart (z.B. „Platz“) 5.Auswahl von Gebäuden aus ALK: 1.Gebäude mit Schriftzusatz der Eigenname oder Gebäudefunktion entspricht 2.sichtbar von der Route aus (Puffer 20 m)

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Beispiel (I) A B 100 m Rathaus A-Straße Platz B-Straße C-Straße Park 20 m

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Beispiel (II) A B A-Straße Platz B-Straße C-Straße Rathaus Park

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Fazit zeigt: sinnvolle Extrahierung von Objekten möglich Visualisierung: simpel, formtreu Probleme: –Visualisierung bei kleinen Endgeräten: semantische u. geometrische Generalisierung –Schriftplatzierung (Verdeckungen) –keine Filterung der Landmarks, alle werden dargestellt (z.B. an Kreuzungen  Überfrachtung)

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Landmarkgewinnung 3-D-Geobasisdaten auch hier Unterscheidung der Landmarks für den geographischen Raum in –visuelle –semantische –strukturelle

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Visuelle Bedeutung setzt sich zusammen aus den „messbaren“ Eigenschaften –Fassadenfront –Form –Farbe –Sichtbarkeit

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Fassadenfront kann wichtigen Unterschied zur Umgebung darstellen je größer im Vergleich zur Umgebung, desto bessere Identifikation in dieser Berechnung: Flächenformeln; z.B. bei Quadrat/Rechteck (Breite*Höhe)

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Form (Formfaktor) wird bestimmt durch Formfaktor und Abweichung vom kleinsten umschließenden Rechteck Formfaktor: Höhe/Breite Beispiel: Formfaktor: 8 m/4 m = 2 Formfaktor: 4 m/8 m = 0,5

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Form (kleinstes umschließendes Rechteck) Differenz zwischen kleinstem umschließenden Rechteck und wahrer Fassadenfläche Wert nicht einzigartig Beispiel: Differenz: 32 m² - 20 m² = 12 m²

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Farbe schwer mess- und vergleichbar erste Annäherung durch Einordnung ins RGB-System bei Tageslichtbeleuchtung somit Herausfilterung möglich Beispiel:

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Sichtbarkeit Annahme 2-D-Sichtbarkeit „Fußgänger-Sicht“ erstreckt sich über öffentliche und teilweise private Flächen Objekt kann sichtbar sein, aber trotzdem nicht erkennbar  Pufferzone 100 m

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Beispiel Sichtbarkeit

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Probleme visueller Eigenschaften nicht alles berücksichtigt, z.B. Texturierung und Objektzustand –beide schwer messbar (subjektiv, Mangel an Formalität) Allg.: Eigenschaften hängen stark von zeitlichen Gegebenheiten ab –nachts Farbe schwer erkennbar –Einschränkung der Sichtbarkeit durch z.B. Regen

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Berechnung der visuellen Eigenschaften EigenschaftBerechnungBeispiel Fassadenflächea(R-Eck)=Breite*Höhea=25m*15m=375m² Formfaktorb1=Höhe/Breiteb1=15m/25m=0,6 Formabweichung vom umschl. Rechteck (uR) b2=F(uR)-aB2=400m²-375m²= 25m² Farbey=[R,G,B]y=[255,0,0]=rot Sichtbarkeitd=Fläche in Pufferzone in der Objekt sichtbar d=2400m²

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Semantische Bedeutung berücksichtigt: –kulturelle/historische Bedeutung –explizite Zeichen nicht berücksichtigt: –prototypische Eigenschaften –implizite Bedeutung

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Kulturelle Bedeutung u. explizite Zeichen kulturelle/historische Bedeutung ob Objekt Bedeutung hat aus Datenbank herausfilterbar –Kulturgüterkataster (Wien) mit Bildern Zuweisung boolscher Wert 1 wenn „ja“, sonst 0 Einordnung in Wichtigkeitsskala 1(hoch) – 5 (niedrig) explizite Zeichen: sind: Straßennamen, Beschriftungen von Gebäuden hat Objekt ein explizites Zeichen, dann boolescher Wert = 1, sonst 0

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Wertzuweisungen der semantischen Bedeutungen EigenschaftBerechnungBeispiel Kulturelle/historische Bedeutung e Element aus {T,F} e Element aus {1,2,3,4,5} e=T e=1 (Sehr wichtig) Explizite Zeicheng={T,F}g=T (Gebäude hat ein Zeichen)

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Strukturelle Bedeutung Landmark dann strukturell wertvoll, wenn herausragende Rolle in der Umgebung Verwendung von Knoten und Grenzen um diese zu bestimmen

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Knoten und Grenzen Knoten sind Kreuzungen Bewertung nach Konnektivität Einführung von Gewichtung der an/abgehenden Kanten –Gewicht von 5 (Autobahn) bis 1 (Fußweg) Wahrnehmung der Grenzen gekoppelt an Energie, die aufgewendet werden muss um diese zu überqueren

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Berechnung Knoten BerechnungBeispiel n=(i+o) i=gewichtete ankommende Kanten zum Knoten o=gewichtete abgehende Kanten vom Knoten o=(4*2+4*2)= 16 Straßen haben Gewicht=2

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Berechnung Grenzen BerechnungBeispiel O=Zellgröße*Formfaktor Formfaktor=Lange Seite/Kurze Seite 1.O=625*4= O=625*1= Aufgewendete Energie: m² m² 2.

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Gesamtbewertung Durch Hypothesentest: –Annahme: Messungen kontinuierlich u. normalverteilt –Signifikanz der Abweichung von lokaler Hauptcharakteristik/Standardabweichung hängt von Definition der Umgebung ab –für jedes Attribut einzeln festlegbar

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Hypothesentest signifikante Unterscheidung: große Abweichung des Merkmals vom Mittelwert wird Wert angenommen  herausragende Eigenschaft Fehler: –Typ I errors: Zurückweisung korrekte Hypothese Herausragende Eigenschaften nicht erkannt –Typ II errors: Akzeptieren falsche Hypothese gefährlich, da extrahiertes Landmark keine Information liefert

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Gesamtbewertung (II) Vorgehensweise; Berechnung für alle Gebäude an einem Entscheidungspunkt : 1.Prüfung der einzelnen Eigenschaften auf Signifikanz (Wertzuweisung: 1 oder 0) 2.Zusammenfassung der einzelnen Eigenschaften in ihre visuelle, semantische, strukturelle Bedeutung und Mittelung/Gewichtung 3.Gesamtwert = Addition der Ergebnisse aus 2. 4.Darstellung des Gebäudes mit höchstem Gesamtwert

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Raubal Beispiel Das „Haas-Haus“ in Wien

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Visuelle Bedeutung EigenschaftWertSignifikanz (Eigenschaft) Signifikanz (gesamt) GewichtGewichtete Signifikanz Fassaden- fläche Formfaktor0,621 Abweichung vom Rechteck 000,81 Farbe21/24/381 Sichtbarkeit Bewertung des „Haas-Hauses“

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Semantische und strukturelle Bedeutung EigenschaftWertSignifikanz (Eigenschaft) Signifikanz (gesamt) GewichtGewichtete Signifikanz Kulturelle und historische Be- deutung (Sem.) T1 111 Explizites Zeichen (Sem.) T1 Knoten (Str.) Grenzen (Str.)-0 Bewertung des „Haas-Hauses“

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Bewertung des „Haas-Hauses“ Gesamtwert der Bedeutung: –visuell Bedeutung: 0,8 –semantische Bedeutung: 1,0 –strukturelle Bedeutung: 0,0  Gesamtbedeutung:1,8 (wird als Landmark genommen, da: z.B. Bank Austria 1,2)

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Fazit Vergleich von einzelnen Gebäuden möglich Frage stellt sich: Warum Puffer 100 m breit? –manche Gebäude sind weiter sichtbar Probleme bei der Semantik: –subjektive Beurteilung der Bedeutung –Gebäude wird hier als Ganzes betrachtet, bei visueller Bedeutung nur die Fassade Beurteilung der Gewichtung: –wer legt Gewichtung fest? kommt auf den Betrachter an, z.b. Autofahrer (Visuelle Bedeutung wichtiger, als semantische, da schneller erkennbar) –Abhängigkeiten der einzelnen Kriterien untereinander nicht berücksichtigt z.B. Fassadenfläche und Sichtbarkeit

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Landmarkbewertung mittels Informationstheorie Informationsgehalt rein mathematisch: 1.Informationsgehalt I(x) muss größer sein, je kleiner Wahrscheinlichkeit P(x) ihres Auftretens 2.Nachricht mit P(x)=1 muss Informationsgehalt I(x)=0 haben 3.Informationsgehalt von unabhängigen Nachrichten addieren sich

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Zur Informationstheorie (I) m = Anzahl gleich wahrscheinlicher Zeichen Einheit ist bit  Auftretenswahrscheinlichkeit: P(x)=1/m Maß der Information  Informationsgehalt:

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Zur Informationstheorie (II) Informationsgehalt verschiedener Konzepte eines Landmarks bestimmbar wenn diese statistisch unabhängig, dann addierbar   Information objektiv bestimmt, gleiche Einheit

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Vorgehensweise 1.Referenzmenge sind die Fassaden 2.Bestimmung der Informationsgehalte verschiedener Konzepte, z.B. Höhe Farbe Breite, usw. 3.Addition der Informationsgehalte Ziel:flächendeckende objektive Bewertung aller Fassaden

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Konzept: Höhe Höhe an Traufenhöhe festgemacht Annahme: 3 Fassaden eines Hauses sichtbar Einteilung in Klassen, Berechnung derer Wahrscheinlichkeit  Informationsgehalt

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Gebäudehöhen –15 Fassaden –2 Klassen (Klasse 1: 12 Fassaden,Klasse 2: 3 Fassade) –Wahrscheinlichkeit und Informationsgehalt: ein herausragendes Gebäude (8 m)

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Gebäudehöhen –18 Fassaden –2 Klassen a 9 Fassaden –Wahrscheinlichkeit und Informationsgehalt: 3 Häuser von 4 m, 3 Häuser von 8 m Höhe

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Gebäudehöhen –15 Fassaden –3 Klassen (Kl.1: 6 Fas.; Kl.2: 6 Fas.; Kl.: 3 Fas.) –Wahrscheinlichkeit und Informationsgehalt: je 2 Häuser von 4 u. 6 m, 1 Haus von 8 m

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Fazit: Konzept Höhe 1)sticht ein Gebäude hervor: Informationsgehalt: groß, unabhängig vom realen Höhenunterschied 2)Gebäude mit unterschiedlichen Höhen, aber gleicher Auftretenswahrscheinlichkeit: Informationsgehalt ist gleich 3)bei drei Klassen: Informationsgehalt der höchsten Häuser kann trotzdem kleiner sein, als in Fall 1)

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Konzept: Farbe betrachtet: –durchschnittliche Farbe der Fassade –aus Phototextur berechnet –RGB-Farbe Bestimmung eines Farbmaßes am besten über Farbabstände L*a*b*-Farbraum: –Farbwahrnehmung des Menschen –erfüllt: visuelle Gleichabständigkeit  Transformation in L*a*b*-Farbraum

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler L*a*b*-Farbraum

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Konzept: Farbe Farbraum in Cluster aufteilen: –Gebiete die ähnliche Farben beinhalten –große Abstände im Farbraum  große Unterschiede in Fassadenfarbe  Schwellwerte bilden

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Schwellwertbildung 1.erste Kästchen Referenz 2.Differenzen im L*a*b*-System berechnen 3.Schwellwert bilden über größte Distanz zw. erstem/zweiten Kästchen und kleinster Distanz zweites/drittes Kästchen; hier: (30 +50)/2 =

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Konzept Farbe Beispiel: –15 Fassaden –3 Klassen (Kl.1: 6; Kl.2: 6; Kl.3: 3) –Wahrscheinlichkeit und Informationsgehalt: nach Clusterbildung: – jede Fassade wird Cluster zugeordnet – Berechnung der Wahrscheinlichkeit  Informationsgehalt

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler Fazit: Informationstheorie Vorteile: –gleichbleibende Bezugsflächen (Fassaden) –rein mathematische Betrachtung, keine subjektiven Einflüsse Nachteile: –Aggregation von Fassadeninformationen zu Gebäudeinformationen –nicht auf bestimmte Standpunkte bezogen (nur max. 2 Fassaden sichtbar)