Automatische multiskalige Interpretation multitemporaler Fernerkundungsdaten (2011)

Motivation 

Ziel des Vorhabens ist es, eine Methodik zur automatischen Interpretation von multitemporalen Fernerkundungsdaten verschiedener Sensoren zu erstellen. Dabei handelt es sich um optische Satellitenbilder, die jedoch in unterschiedlichen Auflösungen vorliegen können. Die Motivation ist dabei, eine Interpretation von i.d.R. teuren Satellitenbildern hoher Auflösung mit einer Interpretation von Satellitenbildern niedriger Auflösung zu verknüpfen. Hierzu soll eine Strategie entwickelt werden, die es erlaubt, in beliebiger Weise die Bilder verschiedener Auflösung für die Interpretation kombinieren zu können.

Vorgehen 

Multitemporale Interpretationsansätze haben zum Ziel, sowohl das Auftreten einer Veränderung als auch die Art der Veränderung zu detektieren. Die Mehrzahl der bestehenden Ansätze beschränkt sich dabei auf den Vergleich der Klassifikationsergebnisse unterschiedlicher Zeitpunkte. Kontextwissen zwischen den Zeitpunkten wird zumeist nicht genutzt. 

Durch die Nutzung von zeitlicher und räumlicher Kontextinformation kann die Qualität der Klassifikation verbessert werden. Eine populäre Methode aus dem Bereich der Mustererkennung sind Markov Random Fields. Dabei wird jedem Primitiv basierend auf dessen Merkmalen ein Label zugewiesen. Diese Labels interagieren wechselseitig mit ihrer Nachbarschaft zur Bestimmung der wahrscheinlichsten Konfiguration aller Primitive. Conditional Random Fields (CRF) stellen eine Erweiterung von Markov Random Fields dar, indem nicht nur die Labels, sondern auch die Merkmale der Primitive miteinander interagieren.

Der Gewinn, der durch die Berücksichtigung von Kontextwissen erzielt wird, wird in Abbildung 1 deutlich. Dargestellt sind die Klassifikationsergebnisse für vier Klassen (Siedlung, Industrie, Wald, Ackerflächen) eines RapidEye-Szenenausschnittes, welcher in einer Zeitreihe mit zwei Ikonos-Aufnahmen analysiert wurde.

Abbildung 1: a) Referenz, Siedlung überlagert mit rot, Industrie überlagert mit blau, Wald überlagert mit grün, Ackerfläche ohne Überlagerung; b) Ergebnis einer ML-Klassifikation – keine Nutzung von Kontextwissen (64,2% korrekte Segmente); c) Ergebnis einer monotemporalen CRF-Klassifikation – Nutzung von räumlichem Kontext (74,5% korrekte Segmente); d) Ergebnis der multitemporalen CRF-Klassifikation - Nutzung von räumlichem und zeitlichem Kontext (79,1% korrekte Segmente)

Ausblick 

Aktuell wird eine Erweiterung des obigen Ansatzes auf multiskalige Daten erforscht. Hierfür wird Wissen integriert, wie sich die Abbildungen der verschiedenen Landnutzungsklassen bei einer Veränderung der Auflösung verhalten, und ob sie in einer bestimmten Auflösung sichtbar sind oder nicht. Über die multiskalige Modellierung soll es ermöglicht werden, mit dem Vorwissen vorheriger und nachfolgender Interpretationen Prädiktionen zu erstellen bzw. Rückschlüsse zu ziehen, welche Objekte, die nur in Bildern hoher Auflösung beobachtbar sind, in niedrig aufgelösten Bildern vorhanden sind. Durch die Verknüpfung der Interpretationen der Bilder ist eine signifikante Verbesserung der Interpretationsergebnisse zu erwarten.