Loading…
Thumbnail Image

Ein Rahmenwerk zur interaktiven Klassifikation hochauflösender optischer Satellitenbilder mittels graphenbasierter Bildmodellierung

Kersten, Jens

Die vorliegende Arbeit behandelt die flächenhafte Informationsextraktion aus Satellitenbildern für die Bereitstellung von Informationsprodukten im Rahmen von Notfall- und Krisenkartierungen. Es wird ein interaktives Rahmenwerk zur Klassifikation sowie Vorklassifikation hochauflösender optischer Satellitenbilder konzipiert, prototypisch implementiert und empirisch evaluiert. Dabei wird zu Gunsten der Übertragbarkeit der Methode auf verschiedene Bildprodukte, Bildinhalte und thematische Fragestellungen keine pixelgenaue und vollautomatische, sondern vielmehr eine rasche interaktive Klassifikation von einfachen quadratischen Bildsegmenten angestrebt. Die Prozessierung erfolgt lediglich auf der Grundlage des Satellitenbildes selbst sowie den interaktiven Eingaben des Bildinterpreten, so dass eine Unabhängigkeit von zusätzlichen Daten gewährleistet ist. Für eine wahrscheinlichkeitsbasierte Zuordnung der Segmente zu frei definierbaren thematischen Klassen wird ein hybrides Markov-Bildmodell vorgeschlagen, bei dem ein hierarchisches gerichtetes sowie ein ungerichtetes planares Markov-Zufallsfeld miteinander kombiniert wird. Das hierarchische Modell ermöglicht durch die Verwendung einer Quadtree-Baumstruktur eine rasche nicht iterative und exakte Inferenz der gesuchten Klassenzugehörigkeiten unter Einbezug von Bildinformation auf verschiedenen Skalen sowie unter Einbezug von kontextuellen Bedingungen zwischen den Klassen in benachbarten Skalen (hierarchischer Kontext). Das planare Modell beschränkt sich wiederum auf den Einbezug von räumlichem Kontext in der feinsten Ebene der hierarchischen Baumstruktur und kann kleinflächige Fehlklassifikationen sowie die durch das starre Quadtree-Modell hervorgerufenen Blockstrukturen im Inferenzergebnis verringern. Durch die Anwendung des hybriden Modells auf verschiedene Satellitenbilder kann gezeigt werden, dass durch Glättung kleinflächigen Fehlklassifikationen entgegen gewirkt wird. Um jedoch auch großflächigen Fehlklassifikationen, beispielsweise aufgrund von Mischsegmenten, entgegenzuwirken, werden in dieser Arbeit modifizierte hierarchische Inferenzmethoden vorgestellt und angewendet. Die Schwerpunkte der Arbeit liegen bei der graphenbasierten Bildmodellierung und der Integration dieser Methodik in ein interaktives Rahmenwerk. Nach der Behandlung und Darstellung der statistischen Eigenschaften der Modelle sowie der Methoden der Parameterschätzung und Inferenz erfolgt daher die Darstellung des konzipierten Rahmenwerks sowie die Anwendung dieses auf sechs verschiedene IKONOS-Szenen. Insbesondere erfolgt eine ausführliche empirische Evaluierung, bei der für jeden Verarbeitungsschritt die jeweiligen Abhängigkeiten und die Sensitivität bezüglich der einfließenden Parameter und Trainingsdaten untersucht werden. Diese Evaluierung ist vor dem Hintergrund der stark interaktiv geführten Prozessierung sehr relevant und zeigt, dass die Güte der Ergebnisse vor allem von der Angabe einer repräsentativen Menge von Trainingsdaten abhängt. Durch die Evaluierung sowie den Vergleich der Ergebnisse des hybriden Modells mit denen zweier weiterer Verfahren wird der Mehrwert der Multiskalenprozessierung, der Modellierung kontextueller Relationen sowie insbesondere der Verwendung der hier behandelten modifizierten Inferenzmethoden demonstriert.
In order to provide crisis mapping products especially during the emergency phase, i.e., immediately after disasters, a framework for classification and preclassification of high resolution optical satellite images is proposed, implemented and empirically evaluated. A general, fast and interactive approach for classification of different image products, image contents in the context of diverse thematic problems is propesed in this thesis. Since no pixel-level accuracy as well as full automatic processing is desired, simple square image segments are used. Image processing is done based on the satellite image itself as well as on input provided by an image analyst, which leads to an independency towards additional data sources. Probability based labeling of image segments is done using a hybrid Markov-image model, which combines a hierarchical directed as well as a planar undirected Markov-random field. Due to the used quadtree-structure for the hierarchical model, fast, exact and non-iterative inference methods can be carried out incorporating image information from multiple scales as well as contextual constraints between classes in adjacent scales (hierarchical context). Due to the planar model, which is restricted to the incorporation of spatial contextual information in the finest quadtree-level, small-area missclassifications as well as "blocky" strucktures can be reduced. In order to counteract large-area missclassifications, e.g. caused by mixtures of classes, a modified hierarchical inference method is proposed in this thesis. The focus of this thesis is on graphical image modeling as well as on the formulation of a general framework using this methods. Therefore, based on the formulation of the statistical characteristics of the used models as well as the methods for parameter estimation and inference, the whole framework as well as its application is treated in detail. In particular an empirical analysis concerning the dependencies of the results with respect to the used model parameters as well as the training data for each processing step is carried out. Particularly with regard to the interactive manner of processing, this evaluation is relevant. It can be reasoned, that the quality of the results is mainly dependent from the quality of the chosen training data. The results as well as a comparison of the proposed hybrid method with two other classification methods demonstrate the additional benefit of multiscale image processing as well as the proposed modified inference methods.