Erstellung von Landmarks aus Geobasisdaten Ramses Henin
Frage: Wie kann man aus 3D Stadtmodellen Landmarks extrahieren? Motivation Landmarks = visuelle Erkennungsmerkmale, die sich von ihrer Umgebung abheben ergänzen herkömmliche Navigationslösungen, welche nur Richtungen und Strecken nutzen Einflüsse auf den Beobachter Entfernung Zeitpunkt Zugänglichkeit Geometrische Eigenschaften Fassadenattribute Frage: Wie kann man aus 3D Stadtmodellen Landmarks extrahieren? Visual und auditive Landmarks ziehen Blicke von Personen auf sich unterschied ob LM von Fussgängern oder Autofahrern erkannt werden sollen hier nur von Fussgängern
Methode von Raubal & Winter Seite 52 Bestimmte Eigenschaften von Gebäuden bewerten -> Int.wert bestimmen Methode von Raubal & Winter 3D Basis Bauwerk wird überprüft auf Visual Attraction: Form und Fläche: Farbe: aus photogrammetrischen Aufnahmen Semantic Attraction: kulturelle Bedeutung: z.B. aus Kulturgüterkataster (Wien) explizite Zeichen: Zeichen und Markierungen Structural Attraction: Knoten: von wie vielen Wegen erreichbar fällt auf
Bewertung der Landmarks Raubal & Winter Bewertung der Landmarks Bewertung mit Hypothesentest: Annahme: Normalverteilung Signifikanz für jedes Merkmal bestimmen Mittelung und Gewichtung von Visual, Stuctural, Semantic Attraction Addition der gewichteten Mittel Fazit Bezugsmengen bei Visual (=Fassaden) und Semantic (=Gebäude) Attraction unterscheiden sich Unabhängigkeit ist nicht gegeben (Formfaktor / Fläche) Gewichtung schwierig => Versuch im Rahmen einer Diplomarbeit am IKG ein Verfahren zur automatischen Extraktion von Landmarks zu entwickeln
Galler: Bestimmung mit der Informationstheorie Forderungen der Informationstheorie nach Shannon & Weaver Informationsgehalt I(x) umso grösser, umso kleiner Wahrscheinlichkeit des Auftretens P(x) Wenn P(x) = 0 ist, muss I(x)=1 sein Informationsgehalte von unabhängigen Nachrichten addieren sich
Mathematische Grundlagen Informationstheorie Mathematische Grundlagen Auftretenswahrscheinlichkeit: m = Anzahl gleich wahrscheinlicher Zeichen Maß der Information: Einheit ist bit Informationsgehalt: wenn Informationsgehalte unabhängig => addierbar Information objektiv bestimmbar, gleiche Einheit
Vorgehensweise Addition der Informationsgehalte Referenz = Fassaden Fassadenfronten => Unterteilung nach Hauseingängen Berechnung der Informationsgehalte der berücksichtigen Konzepte: Zugänglichkeit bzw. Standort Höhe Breite Referenzmenge für Höhe und Breite Krümmung Farbe Zeichen und Markierungen Relief Addition der Informationsgehalte ZIEL: Flächendeckende Bewertung ALLER Fassaden Geschlossene Bauweise ist NICHT nur EINE Fassade
Konzept: Zugänglichkeit bzw. Standort Gebäude an Kreuzung oder Strassenzug? Adjazenz bestimmen Um jeden Knoten kreisförmigen Puffer legen, Fassaden innerhalb des Puffers mit Grad des Knotens versehen Alle Fassaden mit gleichem Grad werden addiert Reziproke Anzahl sämlicher Fassaden multipliziert mit Anzahl der Fassaden gleichen Grades = Auftretenswahrscheinlichkeit der Fassaden gleichen Grades kann schon mit digitaler Karte berechnet werden Gebäude an Kreuzung mehr aufmerksamkeit als an Strassenzug, Kapitel 2 eckhäuser interessant weil viele Fassaden; Fassaden müssen in Verbindung mit Knoten, also Kreuzungen gebracht werden Am einfachsten ist die Überprüfung, welche Fassaden adjazent zu einem Knoten sind Puffer=Form eines Kreises
Konzept Standort: Beispiel Gesamtzahl Fassaden: 60 Adjazente Fassaden mit Knoten vom Grad 1 (F1): 6 3 (F3): 8 4 (F4): 16 Nicht adj. Fassaden (F0): 30 Aufretenswahrscheinlichkeiten und Informationsgehalte: P (F1) = 6/60 => I(F1) = 3,32 b P (F3) = 8/60 => I(F2) = 2,90 b P (F4) = 16/60=> I(F3) = 1,90 b P (F0) = 30/60=> I(F0) = 1 b Grad 4 Grad 1 Grad 4 Grad 3
Konzept: Höhe Traufhöhe Mittelwert der 2 Seitenkanten eines Gebäudes Mittelwert der Höhe der benachbarten Gebäude Höhe der Fassade Traufhöhe Mittelwert der 2 Seitenkanten eines Gebäudes Annahme: Immer 3 Fassden eines Gebäudes sichtbar Klasseneinteilung und Berechnung der Wahrscheinlichkeit => Informationsgehalte Problem: Wahl der Klassen Vorschlag: Klasseneinteilung der Stadt Hamburg
Konzept Höhe: Beispiel 1 herausragendes Gebäude 18 Fassaden 2 Klassen (Kl. 1 = 15 Fassaden, Kl. 2 = 3 Fassaden) Wahrscheinlichkeit und Informationsgehalt: P(Kl.1) = 15/18 => I(Kl.1) = 0,26 bit P(Kl.2) = 3/18 => I(Kl.2) = 2,58 bit 3 à 2,75m ; 3 à 5m 18 Fassaden 2 Klassen (Kl. 1 = 9 Fassaden, Kl. 2 = 9 Fassaden) Wahrscheinlichkeit und Informationsgehalt: P(Kl.1) = P(Kl.2) = 9/18 => I(Kl.1) = I(Kl.2) = 1
Konzept: Breite Problem: die Fläche wird besser wahrgenommen als die Breite ABER Unabhänigkeit der Konzepte gefordert => Fläche ungeeignet Tiefe = Breite der Seitenfassaden Referenzmenge in Klassen einteilen Klasseneinteilung aus dem Städtebau ableiten Referenzmenge nach sichtbarem Bereich berechnen => alle Fassaden entlang einer Kante Vorgehen ähnlich wie bei dem Konzept der Höhe
Referenzmenge Für Höhe und Breite muss die Referenzmenge eingeschränkt werden Alle Front- und Seitenfassaden entlang einer Kante gehören zu Referenzmenge Strassenseiten nicht einzeln untersucht Kanten mit < 3 Fassaden => Fassaden werden zu anderer Kante hinzugerechnet => nicht die beste Lösung, da Beobachter nicht immer alle Häuser entlang einer Strasse sehen kann
Konzept: Fassadenkrümmung Flächenkrümmung ungeeignet (Zylinder K=0) Krümmung der Ober-/Unterkanten bestimmen mit Hilfe der Differentialgeometrie Krümmung vorhanden Unterschiedliche Krümmung Fassade fällt auf
Konzept: Farbe Fassadenattribut RGB-Werte aus photogrammetrischen Aufnahmen CIE L*a*b Farbraum (DIN 6174) Entspricht der Farbwahrnehmung des Menschen Gleichabständigkeit der Farben Aus RGB Werten Clusterbildung
Clusterbildung Cluster beinhalten Gebiete ähnlicher Farben Schwellwerte festlegen Clusterbildung kann erfolgen mit dem Nearest-Neighbour-Verfahren Zufällig wird Startpunkt i gewählt Nächster Nachbar i+1 gesucht Farbwert vom nächsten Nachbarn > oder < Schwellwert Iterativ wiederholen mit i+1 als neuer Startwert => jede Fassade wird einem Cluster zugeteilt Wahrscheinlichkeit des Auftretens berechnen
Konzept Farbe: Beispiel 18 Fassaden 3 Klassen (Cluster) Klasse 1 : 3 Fassaden Klasse 2 : 6 Fassaden Klasse 3 : 9 Fassaden Wahrscheinlichkeiten und Informationgehalte: P(Kl.1) = 3/18 => I(Kl.1) = 2,58 bit P(Kl.1) = 6/18 => I(Kl.1) = 1,58 bit P(Kl.1) = 9/18 => I(Kl.1) = 1 bit
Konzept: Relief Herausragende Fassadenstrukturen z.B. Ornamente Fassadenebene wird mit Höhe 0 angenommen Raster mit Abtastfrequenz von 10 cm wird benutzt um „herausragende“ Elemente festzustellen Höhenunterschiede in Histogramm eintragen und Auftretenswahrscheinlichkeit berechnen Informationsgehalt einer Fassade mit gew. Mittel
=>Es besteht noch Forschungsbedarf <= Fazit Konzepte nicht 100 % unabhängig z.B. Höhe und Breite Klasseneinteilung für Höhe/Breite von Stadt zu Stadt verschieden Bezug nur auf Fassaden; Plätze, Parks, Statuen werden nicht berücksichtigt Bezug Fassade / Gebäude muss hergestellt werden Noch nicht praktisch an 3D Stadtmodell getestet =>Es besteht noch Forschungsbedarf <=