Semantische Klassifizierung digitaler Oberflächenmodelle von Landschaften in Form von massiven Punktwolken über Hybrid-Verfahren

Mit der zunehmenden Verfügbarkeit von Technologien zur Aufnahme von digitalen Oberflächenmodellen nimmt auch die Analyse dieser stetig an Bedeutung zu. Über LiDAR Scanner lassen sich genaue Aufnahmen in Form von Ansammlungen von Punkten im dreidimensionalen Raum (Punktwolken) anfertigen und können schließlich visualisiert werden, wodurch gewöhnliche Darstellungen von Landschaften um die dritte Dimension erweitert werden. Durch den Prozess der semantischen Klassifizierung werden diesen Punkten Bedeutungen zugewiesen, was bei weiterer Arbeit mit ihnen schließlich eine isolierte Darstellung und die Verarbeitung einzelner Klassen ermöglicht, sodass eine große Landschaft schneller und effektiver manuell oder automatisch evaluiert werden kann. Aufgrund von variierenden Eigenschaften einzelner Modelle ist die maschinelle semantische Klassifizierung eine Problemstellung, welche jedoch oftmals individuelle Lösungen benötigt. In dieser Arbeit werden diverse Ansätze zur Klassifizierung von Punktwolken beschrieben und anhand der Anwendungsmöglichkeiten eingeschätzt. Schließlich wird ein heuristisches Hybrid-Verfahren vorgestellt, welches im Rahmen des Projekts „SARDINE“ (Smart Regional Development Infrastructure) entstanden ist und eine vollständige semantische Klassifizierung digitaler Oberflächenmodelle ermöglicht.:Einleitung 1.1 Zielsetzung und Motivation 1.2 Aufbau der Arbeit Aktuelle Lösungen und deren Möglichkeiten 2.1 Oberflächenmodelle von Landschaften 2.2 Klassifizierung digitaler Oberflächenmodelle 2.3 Techniken aktueller kommerzieller Software 2.4 Problematik der Klassifizierung mit maschinellem Lernen Entwicklung eines Hybrid-Verfahrens 3.1 Heuristische Parameterwahl 3.2 Vollständige Klassifizierung der Testdaten 3.2.1 Erstellen eines digitalen Geländemodells 3.2.2 Gebäude 3.2.3 Hochspannungsleitungen und Freileitungsmasten 3.2.4 Fahrzeuge und Straßenlaternen 3.2.5 Vegetation 3.2.6 Gewässer 3.2.7 Boden und Straßen 3.2.8 Mauern, Zäune und sonstige linear verlaufende Objekte 3.2.9 Fertigstellung 3.3 Verwendete Sprache, Bibliotheken und Datenstrukturen 3.4 Dynamisierung statischer Parameter 3.5 Maschinelles Lernen Evaluation des Hybrid-Verfahrens 4.1 Analyse der Ergebnisse 4.2 Schwachstellen der Konzepte 4.3 Verbesserungspotential 4.4 Fazit Literaturverzeichni