Automatisierte Objektextraktion aus Fernerkundungsdaten

Automatisierte Objektextraktion aus Fernerkundungsdaten

Förderung: Amt für Geoinformationswesen der Bundeswehr (AGeoBw).

Laufzeit: 11.2001 - 11.2004

 

PrjN3_B1.jpg

PrjN3_B2.jpg

              Abbildung: objektbasierte Klassifizierung (links), Testgebiet in Algerien (rechts)

 

Als Grundlage für militärische Planungen und Einsätze in Krisenregionen werden aktuelle Karten in verschiedenen Maßstäben benötigt. Da diese Karten für viele Regionen der Erde nicht existieren oder veraltet sind, hat die NATO beschlossen, globale digitale Datenbestände aufzubauen. Das AGeoBw ist an der Realisierung dieses Vorhabens beteiligt und strebt eine weitgehend automatisierte Datengewinnung aus Fernerkundungsaufnahmen an. Das Projekt verfolgt das Ziel, existierende Methoden zur automatisierten Objektextraktion aus Luft- und Satellitenbildern für den genannten Zweck operabel zu machen.

Zu Beginn lag der Schwerpunkt der Arbeiten auf einem quantitativen Vergleich der Klassifikationen von traditionellen, statistischen Klassifikatoren und objektbasierter Klassifizierung. Als Bilddaten wurden IRS und Landsat Daten von einem Testgebiet um Algier benutzt. Als Softwarepakete wurden Erdas Imagine und eCognition eingesetzt. In Erdas Imagine wurden die statistischen Klassifikatoren Maximum Likelihood (ML) und Minimum Distance (MD) verwendet. Die objektbasierte Klassifizierung erfolgte in eCognition. Diese Software erlaubt Klassifikationen basierend auf Bildobjekten, die aus einer vorhergehenden Segmentierung resultieren. Diese Bildobjekte können über zahlreiche Eigenschaften, wie spektrale Merkmale, Größen-, Formmerkmale, Kontextbeziehungen, hierarchische Beziehungen als Super- bzw. Subobjekte usw., klassifiziert werden. Die Qualität der Klassifizierungen wurde mit Hilfe von Fehlermatrix und Kappa-Statistik quantitativ verglichen.

Das Projekt führte zu folgenden Ergebnissen:

  • Die Klassifizierungsergebnisse der objektbasierten Methode sind in der Regel besser als die der traditionellen, statistischen Klassifikatoren.
  • Die Ergebnisse der Klassifikationen von IRS und Landsat unterscheiden sich nicht signifikant. Bei Verwendung der objektbasierten Methode zeigen die IRS Daten geringfügig bessere Ergebnisse.

Der Schwerpunkt der laufenden Arbeiten liegt auf der objektbasierten Klassifizierung in eCognition. In ausgewählten geographischen Regionen in Nordafrika werden für bestimmte Objektklassen Regelsätze aufgestellt und deren Übertragbarkeit auf andere Szenen der gleichen geographischen Region getestet. Erste Untersuchungen zeigen das Potenzial der Übertragbarkeit von Regelsätzen auf andere Gebiete ähnlicher Charakteristik. Spezifische Anpassungen der übertragenen Regelsätze verbessern das Klassifizierungsergebnis erheblich und es wird ein deutlicher Zeitgewinn gegenüber einer individuellen Regelerstellung erreicht.

Ergebnisse des Projektes werden Musterregelsätze für ausgewählte Landschaftstypen und der Workflow für die (teil-) automatische Datengewinnung sein.

Veröffentlichungen:

Darwish, A.; Leukert, K.; Reinhardt, W.: Image Segmentation for the Purpose Of Object-Based Classification. In: Proceedings of IGARSS 2003 IEEE. 2003

 

Darwish, A.; Leukert, K.; Reinhardt, W.: Urban Land-Cover Classification: An Object Based Perspective. In: Proceedings 2nd GRSS/ISPRS Joint Workshop on Data Fusion and Remote sensing over Urban Areas. 2003

 

Leukert, K.; Darwish, A.; Reinhardt, W.: Transferability of Knowledge-Based Classification Rules. In: International Archives of Photogrammetry and Remote Sensing (IAPRS), Vol. XXXV, (Part B4). 2004