Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler 05.12.2002 Gewinnung von Landmarks aus Geobasisdaten

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler 05.12.2002

Gewinnung von Landmarks aus Geobasisdaten


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)


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


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


Erzeugung von Landmarks (I)

1. kürzeste Wegstrecke berechnen2. wegkreuzende, linienhafte ATKIS-

Objekte mit Route verschneiden (Puffer von 100 m)

3. flächenhafte ATKIS-Objekte mit gemeinsamer Kante zur Route herausfiltern


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)


Beispiel (I)

A

B

100 mRathaus

A-Straße

Platz B-Straße

C-Stra

ße

Park

20 m


Beispiel (II)

A

B

A-Straße

Platz B-Straße

C-Stra

ße Rathaus

Park


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)


Landmarkgewinnung 3-D-Geobasisdaten

• auch hier Unterscheidung der Landmarks für den geographischen Raum in– visuelle– semantische– strukturelle


Visuelle Bedeutung

• setzt sich zusammen aus den „messbaren“ Eigenschaften– Fassadenfront– Form– Farbe– Sichtbarkeit


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)


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


Form (kleinstes umschließendes Rechteck)

• Differenz zwischen kleinstem umschließenden Rechteck und wahrer Fassadenfläche

• Wert nicht einzigartig• Beispiel:

Differenz: 32 m² - 20 m² = 12 m²

Differenz: 32 m² - 20 m² = 12 m²


Farbe

• schwer mess- und vergleichbar• erste Annäherung durch Einordnung ins

RGB-System bei Tageslichtbeleuchtung• somit Herausfilterung möglich• Beispiel:


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


Beispiel Sichtbarkeit


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


Berechnung der visuellen Eigenschaften

Eigenschaft Berechnung Beispiel

Fassadenfläche a(R-Eck)=Breite*Höhe a=25m*15m=375m²

Formfaktor b1=Höhe/Breite b1=15m/25m=0,6

Formabweichung vom umschl. Rechteck (uR)

b2=F(uR)-a B2=400m²-375m²= 25m²

Farbe y=[R,G,B] y=[255,0,0]=rot

Sichtbarkeit d=Fläche in Pufferzone in der Objekt sichtbar

d=2400m²


Semantische Bedeutung

• berücksichtigt:– kulturelle/historische Bedeutung– explizite Zeichen

• nicht berücksichtigt:– prototypische Eigenschaften– implizite Bedeutung


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


Wertzuweisungen der semantischen Bedeutungen

Eigenschaft Berechnung Beispiel

Kulturelle/historische Bedeutung

e Element aus {T,F}e Element aus {1,2,3,4,5}

e=T

e=1 (Sehr wichtig)

Explizite Zeichen g={T,F} g=T (Gebäude hat ein Zeichen)


Strukturelle Bedeutung

• Landmark dann strukturell wertvoll, wenn herausragende Rolle in der Umgebung

• Verwendung von Knoten und Grenzen um diese zu bestimmen


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


Berechnung KnotenBerechnung Beispiel

n=(i+o) i=gewichtete ankommende Kanten zum Knoteno=gewichtete abgehende Kanten vom Knoten

o=(4*2+4*2)= 16Straßen haben Gewicht=2


Berechnung GrenzenBerechnung Beispiel

O=Zellgröße*FormfaktorFormfaktor=Lange Seite/Kurze Seite

1. O=625*4=25002. O=625*1=625

1.Aufgewendete Energie:

1.625 m²

2.

625 m²

2.


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


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


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


Raubal Beispiel

• Das „Haas-Haus“ in Wien


• Visuelle Bedeutung

Eigenschaft Wert Signifikanz (Eigenschaft)

Signifikanz (gesamt)

Gewicht Gewichtete Signifikanz

Fassaden-fläche

17400 1

Formfaktor 0,62 1

Abweichung vom Rechteck

0 0 0,8 1 0,8

Farbe 21/24/38 1

Sichtbarkeit 10600 1

Bewertung des „Haas-Hauses“


• Semantische und strukturelle Bedeutung

Eigenschaft Wert Signifikanz (Eigenschaft)

Signifikanz (gesamt)

Gewicht Gewichtete Signifikanz

Kulturelle und historische Be-deutung (Sem.)

T 11 1 1

Explizites Zeichen (Sem.)

T 1

Knoten (Str.) - 00 1 0

Grenzen (Str.) - 0

Bewertung des „Haas-Hauses“


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)


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


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


Zur Informationstheorie (I)

• m = Anzahl gleich wahrscheinlicher Zeichen

• Einheit ist bit Auftretenswahrscheinlichkeit:

P(x)=1/m

2log ( )I m

2 2( ) log (1/ ( )) log ( ( ))I x P x P x bit

• Maß der Information

• Informationsgehalt:


Zur Informationstheorie (II)• Informationsgehalt verschiedener Konzepte

eines Landmarks bestimmbar• wenn diese statistisch unabhängig, dann

addierbar i k 2 i k

2 i k

2 i k

I(x x )=-log (P(x x )=-log (P(x )+P(x ))=-log (P(x ))-log2(P(x ))

• Information objektiv bestimmt, gleiche Einheit


Vorgehensweise1. Referenzmenge sind die Fassaden2. Bestimmung der Informationsgehalte verschiedener

Konzepte, z.B. • Höhe• Farbe• Breite, usw.

3. Addition der Informationsgehalte

Ziel: flächendeckende objektive Bewertung aller Fassaden


Konzept: Höhe

• Höhe an Traufenhöhe festgemacht• Annahme: 3 Fassaden eines Hauses

sichtbar• Einteilung in Klassen, Berechnung derer

Wahrscheinlichkeit Informationsgehalt


Gebäudehöhen

– 15 Fassaden– 2 Klassen (Klasse 1: 12 Fassaden,Klasse 2: 3 Fassade)– Wahrscheinlichkeit und Informationsgehalt:

• ein herausragendes Gebäude (8 m)

Kl1 Kl1

Kl2 Kl2

P(F )=12/15=4/5 => I(F )=0,322 bitP(F )=3/15=1/5 => I(F )=2,322 bit


Gebäudehöhen

– 18 Fassaden– 2 Klassen a 9 Fassaden– Wahrscheinlichkeit und Informationsgehalt:

• 3 Häuser von 4 m, 3 Häuser von 8 m Höhe

Kl1 Kl1

Kl2 Kl2

P(F )=9/18=1/2 => I(F )=1 bitP(F )=9/18=1/2 => I(F )=1 bit


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

Kl1 Kl1

Kl2 Kl2

Kl3 Kl3

P(F )=6/15=2/5 => I(F )=1,322 bitP(F )=6/15=2/5 => I(F )=1,322 bitP(F )=3/15=1/5 => I(F )=2,322 bit


Fazit: Konzept Höhe1)sticht ein Gebäude hervor: Informationsgehalt:

groß, unabhängig vom realen Höhenunterschied2)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)


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


L*a*b*-Farbraum


Konzept: Farbe

• Farbraum in Cluster aufteilen:– Gebiete die ähnliche Farben beinhalten– große Abstände im Farbraum große

Unterschiede in Fassadenfarbe

Schwellwerte bilden


Schwellwertbildung

1. erste Kästchen Referenz2. Differenzen im L*a*b*-System berechnen3. Schwellwert bilden über größte Distanz zw.

erstem/zweiten Kästchen und kleinster Distanz zweites/drittes Kästchen; hier: (30 +50)/2 = 40

20

30

50

60


Konzept Farbe

• Beispiel:– 15 Fassaden– 3 Klassen (Kl.1: 6; Kl.2: 6; Kl.3: 3)– Wahrscheinlichkeit und Informationsgehalt:

Kl1 KL1

Kl2 KL2

Kl3 KL3

P(F ) 2 / 5 I(F )) 1,322bitP(F ) 2 / 5 I(F )) 1,322bitP(F ) 1/ 5 I(F )) 2,322bit

• nach Clusterbildung:– jede Fassade wird Cluster zugeordnet– Berechnung der Wahrscheinlichkeit Informationsgehalt


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)

Documents

Gewinnung von Landmarks aus Geobasisdaten Stephan Seiler 05.12.2002 Gewinnung von Landmarks aus Geobasisdaten