SEAKISS - Semantisches Erfassen des Küstensaums für digitale Seekarten

Die Produktion elektronischer Seekarten und Papierkarten erfolgt heute bereits teilweise aus einer gemeinsamen Datenbasis. Hierdurch werden Redundanzen vermieden und die Produktion spezieller Themenkarten beschleunigt. Allerdings ist die Ersterfassung und Aktualisierung dieser Datenbasis unter Verwendung georeferenzierter Orthofotos immer noch ein zeit- und kostenaufwändiger manueller Prozess. In dieser Studie wird untersucht, inwieweit sich Verfahren der Computer Vision zur teilautomatischen Auswertung von Orthofotos einsetzen lassen. Nach der Darstellung der Ausgangssituation, der Anforderungen und Randbedingungen sowie einer Eingrenzung des Testgebietes werden die Aufgaben präzisiert, die zur Beantwortung der Fragestellung bearbeitet werden müssen. Der aktuelle Stand der Wissenschaft und Technik wird präsentiert und hinsichtlich der Aufgabenstellung bewertet. Kern der Studie ist die Herleitung einer fünfstufigen Verarbeitungspipeline, bestehend aus aufeinander folgenden Verarbeitungsschritten. Jeder Schritt wird detailliert beschrieben. Insbesondere wird gezeigt, welche Technologien und Algorithmen der Bildverarbeitung einzusetzen sind. Aufbauend auf dem Vorwissen der Bearbeiter sowie einer gezielten Literaturrecherche wurden verschiedene Technologieexperimente durchgeführt, um die Eignung in Frage kommender Ansätze für die jeweiligen Teilschritte unter Nutzung des relevanten Bildmaterials bewerten zu können. Die Auswertung der Technologieexperimente erlaubt eine fundierte Bewertung der untersuchten Verfahren in den unterschiedlichen Schritten der Pipeline. Einfache Bildverarbeitungsalgorithmen, die auf das Erkennen einzelner Objekte abzielen, erweisen sich für solch komplexe Eingangsdaten als ungeeignet. Es erscheint daher notwendig, durch ein modellbasiertes Verfahren vorhandenes Domänenwissen zu nutzen. Erst die Kombination von Low-Level-Verfahren zur Erkennung mit interpretierenden High- Level-Verfahren verspricht Erfolg. Die Studie beantwortet auch die Frage nach der Art der Wissensrepräsentation - wie kann das Domänenwissen möglichst vollständig abgebildet werden? Mathematische, regelbasierte Verfahren sind für die Vielfalt und große Varianz der zu erkennenden Objekte zu starr und nicht fehlertolerant genug. Neuronale Netze erscheinen weniger geeignet, da sie schnell sehr komplex werden und die Schwäche haben, auf Nichterlerntes stochastisch zu reagieren. Wahrscheinlichkeitsbasierte Ansätze sind dagegen zielführend. Der automatisierte Aufbau des Domänenmodells und dessen Parametrisierung bleiben Gegenstand weiterer Untersuchungen. Die besonderen Randbedingungen, die sich durch die Domäne Seekarte des Küstensaums ergeben, wurden in die Untersuchung aufgenommen. Es wird beispielsweise erörtert, inwieweit sich Standard- Bildverarbeitungsalgorithmen auf große Datenbestände anwenden lassen und wie die Georeferenzierung der erkannten Objekte in die Datenbasis des Produktionssystems zurückgeführt werden kann. Neben den Untersuchungen zu einzelnen Teilschritten wird eine Architektur in Form einer durchgängigen Verarbeitungspipeline vom Einlesen eines Kartenabschnittes, über drei Erkennungsschritte, bis hin zur Ausgabe der gefundenen Geoobjekte vorgeschlagen. Die Studie schließt mit der Empfehlung, diese Architektur in einem Forschungsprojekt umzusetzen und deren Eignung anhand eines größeren Testgebietes und weiterer Objektklassen zu untersuchen.