Automatische multiskalige Interpretation multitemporaler Fernerkundungsdaten
Zusammenfassung der Projektergebnisse
In den letzten zwei Jahrzehnten ist die Zahl der Fernerkundungssensoren zunehmend gestiegen. Zusätzlich zu den schon länger verfügbaren Daten mittlerer Auflösung (10-30m Bodenauflösung) sind heutzutage auch Daten hoher und sehr hoher Auflösung hochfrequent verfügbar. Somit ergeben sich neue Möglichkeiten der Auswertung von Fernerkundungsdaten: Auch kleine Objekte, welche in Daten mittlerer Auflösung nicht erkennbar sind, können erkannt und kartiert werden. Allerdings sind die Anschaffungskosten für Daten hoher geometrischer Auflösung sehr hoch und die zeitlichen Abstände, in denen ein Gebiet erfasst wird, unter Umständen recht groß. Eine Auswertung ausschließlich basierend auf diesen Daten wäre folglich zwar sehr detailliert, ist jedoch häufig nicht realisierbar und zudem sehr kostenintensiv. In diesem Projekt wurde ein neuartiger Ansatz zur integrierten Analyse multitemporaler Fernerkundungsdaten unterschiedlicher Auflösung vorgestellt. Die Neuartigkeit aus Anwendersicht ist die Fähigkeit der Methode zum einen die Klassifikationsgenauigkeit sämtlicher Daten zu steigern und zum anderen gleichzeitig Veränderungen zu detektieren und deren Klassenzugehörigkeit zu bestimmen. In existierenden Ansätzen wurden diese Aufgaben getrennt voneinander gelöst. Aus methodischer Sicht liegt die Neuartigkeit in einer Erweiterung des Conditional Random Fields (CRF)-Ansatzes zur Verknüpfung mehrerer Bilder eines identischen Szenenausschnitts. CRF erlauben die Integration von Kontextwissen, indem einzelne Bildprimitive interagieren. Im Vergleich zu den etablierten Markov-Random-Fields (MRF) werden auch die Merkmale der interagierenden Primitive einbezogen. In bisherigen Arbeiten im Bereich der Bildanalyse wurden CRF ausschließlich zur Berücksichtigung räumlichen Kontextwissens genutzt. In dieser Arbeit interagieren die Bildprimitive, in diesem Fall Pixel, ebenso mit Pixeln identischer Bildregionen zu anderen Zeitpunkten. Entsprechend der geometrischen Auflösung der Bilder sind unterschiedliche Klassen erkennbar. Die Methode erlaubt die die Existenz verschiedener Klassenstrukturen zu den jeweiligen Zeitpunkten und ermöglicht die Modellierung von Klassenübergängen. Neuartig ist zudem die Tatsache, dass die gemeinsam analysierten Bilder unterschiedlichen Inhalt haben können, d.h. für die vorgestellte Anwendung, dass Veränderungen der Landbedeckung erlaubt sind. In einem hierarchischen Ansatz wird in einem ersten Schritt eine Vielzahl von spektralen, texturbasierten und strukturellen Merkmalen extrahiert. Aus diesen werden die für diese Anwendung geeignetsten Merkmale selektiert. In qualitativen und quantitativen Untersuchungen werden die Modellparameter bestimmt, um ein optimales Klassifikationsergebnis in Bezug auf die Gesamtgenauigkeit und die Fähigkeit zur Erhaltung kleiner, zur Interpretation der Szene wichtiger Strukturen zu erhalten. Mit monotemporaler Analyse wird anhand eines Straßennetzes gezeigt, dass durch Integration der Merkmale in die räumlichen Interaktionsmodelle (CRF) der Klassifikationsfehler für kleine Strukturen um ca. 50% im Vergleich zu klassischen labelbasierten Interaktionsmodellen (MRF) gesenkt werden kann. In multitemporalen Auswertungen wird nachgewiesen, dass die Gesamtgenauigkeit sämtlicher Zeitpunkte deutlich gesteigert werden kann. Dabei profitieren nicht nur Daten in den niedrigeren Auflösungsstufen von der integrierten Analyse. Steigerungen ergeben sich vor allem in Regionen, in denen eine eindeutige Klassifikation zu einem Zeitpunkt nicht gewährleistet ist, z.B. da ein bebauter Acker und eine Waldfläche ähnliche spektrale Eigenschaften aufweisen. Für solche Flächen ist die Hinzunahme weiterer Zeitpunkte, in denen solche Ackerflächen z.B. abgeerntet sind, hilfreich. Abschließend wird das Modell für die multitemporale Analyse von Daten unterschiedlicher Auflösung mit Veränderungen der Landbedeckung eingesetzt. Es konnten je nach Testgebiet und verwendetem Interaktionsmodell 70-80% aller Pixel der veränderten Flächen detektiert werden, die Majorität der Pixel in den veränderten Flächen war sogar zu über 90% korrekt. Auch in diesen Untersuchungen konnten gleichzeitig die Klassifikationsergebnisse zu sämtlichen Zeitpunkten gesteigert werden.
Projektbezogene Publikationen (Auswahl)
-
(2010). Classification of Multitemporal Remote Sensing Data Using Conditional Random Fields. 6. IAPR TC 7 Workshop on Pattern Recognition in Remote Sensing, Istanbul, 4 S
Hoberg, T., Rottensteiner, F. und Heipke, C.
-
(2010). Classification of settlement areas in remote sensing imagery using Conditional Random Fields. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 38: 7A, 53-58
Hoberg, T. und Rottensteiner, F.
-
(2011). Classification of multitemporal remote sensing data of different resolution using conditional random fields. 1st IEEE/ISPRS Workshop on Computer Vision for Remote Sensing of the Environment, IEEE ICCV Workshops, Barcelona, 235-242
Hoberg, T., Rottensteiner, F. und Heipke, C.
-
(2011). Multitemporal Crop Type Classification Using Conditional Random Fields and RapidEye Data. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 38-4: W19, 7 S
Hoberg, T. und Müller, S.
