Kurzfassung
In diesem Artikel wird ein Ansatz zur automatischen Extraktion von Straßen aus digitalen Luftbildern präsentiert. Der Ansatz beruht auf der Verwendung verschiedener Auflösungsstufen des Luftbildes. Die Straßen werden als Netz modelliert, das aus Kreuzungen und aus Verbindungen zwischen diesen Kreuzungen besteht. Für verschiedene sogente "globale Kontexte", d.h. offene Landschaft, Wald und Siedlung, werden Relationen zwischen Hintergrundobjekten, wie Gebäuden oder Bäumen, und Straßenobjekten, wie Straßenabschnitten, modelliert. Die Relationen, wie z.B. der Schattenwurf von Gebäude auf Straßenabschnitt, bestimmen sogente "lokale Kontexte". Die automatische Unterteilung des Luftbildes in globale Kontexte dient dazu, die Extraktion auf die erfolgversprechendsten Regionen zu fokussieren und ermöglicht Aussagen darüber, in welchen Bereichen des Luftbildes das Ergebnis am zuverlässigsten ist. Für die Straßenextraktion werden Kanten im ursprünglichen Bild hoher Auflösung (0.2 - 0.5 m) und Linien in einem auflösungsreduzierten Bild extrahiert. Unter Verwendung beider Auflösungsstufen und expliziten Wissens über Straßen werden Hypothesen für Straßenabschnitte generiert. Diese werden in einem iterativen Verfahren zu langen Verbindungen gruppiert. Neben reinen Gruppierungsverfahren werden zum Schließen von Lücken auch Wissen über den lokalen Kontext und sogente "Ribbon-Snakes" genutzt. Die Vernetzung der Straßen erfolgt durch die Extraktion von Kreuzungen. Die dargestellten Beispiele und die Ergebnisse einer Evaluierung auf Grundlage manuell erfaßter Referenzdaten zeigen die Leistungsfähigkeit des Verfahrens.

Abstract
This paper presents an approach for the automatic extraction of roads from digital aerial imagery. The approach makes use of several versions of the aerial image having different resolutions. Roads are modeled as a network of intersections and links between these intersections. For different so-called "global contexts", i.e., rural, forest, and urban area, the model describes relations between background objects, e.g., buildings or trees, and road objects, e.g., road-segments. The relations, e.g., the casting of a shadow from a tree on a road-segment, determine so-called "local contexts". The automatic segmentation of the aerial imagery into different global contexts is used to focus the extraction to the most promising regions and additionally allows to predict in which parts of the image the results are most reliable. For the actual extraction of the roads edges are extracted in the original high resolution image (0.2 - 0.5 m) and lines in an image of reduced resolution. Using both resolution levels and explicit knowledge about roads, hypotheses for road-segments are generated. They are grouped iteratively to larger segments. In addition to grouping algorithms also knowledge about the local context and so-called "Ribbon-Snakes" are used to bridge gaps. To construct the road network, finally intersections are extracted. The given examples and the results of an evaluation based on manually plotted reference data indicate the potential of the approach.