Analyse Multitemporaler Veränderungen. -Change Detection-

Größe: px

Ab Seite anzeigen:

Download "Analyse Multitemporaler Veränderungen. -Change Detection-"

Damian Dressler
vor 7 Jahren
Abrufe

1 Lehrveranstaltung Fernerkundung Vorlesungs- und Übungsplan Einführung, Strahlung, Sensoren Digitale Bilder, Bildstatistik& Kontraststreckung Bild Verbesserung & Indexe Geometrische Korrekturen & Georeferenzierung Multitemporale Veränderungen Überwachte - Unüberwachte Klassifizierung Genauigkeitsanalyse Lehrveranstaltung Fernerkundung Analyse Multitemporaler Veränderungen -Change Detection- Erfassung von Veränderungen Änderungen und deren Erfassung sind wichtigster Gegenstand des forest monitoring. Veränderungen werden durch drei Kräfte verursacht: Interne : Wachstum. Natürliche : Naturkatastrophen. Menschliche : Waldbewirtschaftung / Waldnutzung. Die Art der hervorgerufenen Änderungen variiert sehr stark (Fläche, Waldtyp, Waldzustand). Veränderungen können beobachtet werden - In Einzelaufnahmen, wenn Indikatoren für Änderungen sichtbar sind (einfache Klassifizierungsfrage). - In wiederholten (multi-temporalen) Aufnahmen (Bildpaare sind dann nach einheitlichem Schlüssel zu klassifizieren). Mod. 1 p. 1

2 Vorraussetzungen Fernerkundung ist ideal für die Erfassung von Veränderungen insbesondere in größeren Gebieten. Man sollte Bildmaterial verwenden, auf denen die sich ändernden Objekte gut erkennbar sind (logisch!). Erster Schritt ist es, die Bilder vergleichbar zu machen: D.h. Unterschiede sollten echte Änderungen der Landbedeckung sein und nicht einfach Unterschiede in Beleuchtung, Farbgebung etc. D.h. die Bilder müssen geometrisch, radiometrisch und spektral vergleichbar gemacht werden (image matching). Vorraussetzungen Für die Erfassung von Änderungen in der Vegetation sollten die Bilder aus einer Jahreszeit stammen, in der Vegetation der besten Kontrast zum background aufweist. Die Bilder sollten möglichst aus derselben Jahreszeit stammen (wenn es nicht gerade die saisonalen Vegetations- Unterschiede sind, die erfasst werden sollen). Aber auch Vegetationsaufnahmen aus etwa derselben Jahreszeit variieren, so dass Unterschiede erfasst werden, die nicht tatsächliche Änderungen sind. Gründe für die inhärente Variation zwischen Bildern Zeitliche: - Jahres- und Tageszeit (Einstrahlungswinkel, Schattenanteile). Räumliche: - Minimum mapping unit räumliche Auflösung / IFOV. - Nicht perfekte Co-registrierung der Bilder (RMSE 0,5 Pixel) (wenn zwei identische Bilder leicht gegeneinander verschoben sind, errechnen sich große Änderungen) Geometrie der Aufnahme: - Je nach Blickwinkel reflektieren Objekte unterschiedlich (z.b. Krone direkt von oben und in 20 Schrägaufnahme). Atmosphärische Bedingungen: - Wolken (und ihre Schatten!), Dunst, Luftfeuchte ändern spektrale Signaturen. Background - Bodenfeuchte Mod. 1 p. 2

Beispiel: Gleiche Region unterschiedliche Atmosphärische Bedingungen Quick Bird Feb.

Single-Band raw Image analysis Classified image comparison Spectral Vector analysis PCA Image

z.b. durch Sensorfehler verursacht werden, herausgefiltert. Gleichzeitug wird das Bild geglättet.

3 Beispiel: Gleiche Region unterschiedliche Atmosphärische Bedingungen Quick Bird Feb. 03, 2003 June 6, 2002 Workflow Rohdaten Bildvorbereitung Geometrisch Korrektur Kontrast Anpassung Single-Band raw Image analysis Classified image comparison Spectral Vector analysis PCA Image Preprocessing Mit einem Low-pass Filter werden sehr starke / abrupte Änderungen der Grauwerte, welche z.b. durch Sensorfehler verursacht werden, herausgefiltert. Gleichzeitug wird das Bild geglättet. Die zwei am häufigsten verwendeten Filter sind: (1) Mittelwertfilter (2) Medianfilter ( robuster gegenüber Extremwerten!) Mod. 1 p. 3

4 Low pass filtering A square template (window) is moved over the image, and a new value calculated from the neighbouring pixels. Workflow Rohdaten Bildvorbereitung Geometrisch Korrektur Kontrast Anpassung Single-Band raw Image analysis Classified image comparison Spectral Vector analysis PCA Geometrische Verzerrungen Satellitenbilder: Zusammenfassung der Gründe für geometrische Verzerrungen Erdrotation während der Zeit der Aufnahme, Erdkrümmung, Panoramaeffekte (Aufnahmewinkel), Topographie, Unregelmäßigkeiten im Gravitationsfeld der Erde, die zu Schwankungen von Geschwindigkeit und Flughöhe der Satelliten führen, Instabilität der Sensorplattform (Satellit). Mod. 1 p. 4

Source: Campbell, 2002 Verschiedene Arten/Grade geometrischer Korrekturen 1. Registration: Zwei Bilder werden geometrisch zueinander passend gemacht.

Geocoding: Spezieller Fall der Geo-Referenzierung, der auch eine Umwandlung in eine einheitiche Standard-Pixelgröße umfasst.

Orthorektifizierung: Dreidimensionale Bildkorrektur, pixel-weise, zum Ausgleich topographischer Verzerrungen.

5 Source: Campbell, 2002 Verschiedene Arten/Grade geometrischer Korrekturen 1. Registration: Zwei Bilder werden geometrisch zueinander passend gemacht. 2. Rektifikation (=geo-referencing): Zweidimensionales Entzerrung so dass das Bild planimetrisch wird. 3. Geocoding: Spezieller Fall der Geo-Referenzierung, der auch eine Umwandlung in eine einheitiche Standard-Pixelgröße umfasst. Damit können Bilder verschiedener Sensoren bequem im GIS zusammen verarbeitet werden. 4. Orthorektifizierung: Dreidimensionale Bildkorrektur, pixel-weise, zum Ausgleich topographischer Verzerrungen. Ergebnis: Jedes Pixel ist so abgebildet, dass es direkt von oben aufgenommen erscheint, d.h. das Bild ist in eine Senkrechtprojektion gebracht. Workflow Rohdaten Bildvorbereitung Geometrisch Korrektur Kontrast Anpassung Single-Band raw Image analysis Classified image comparison Spectral Vector analysis PCA Mod. 1 p. 5

Contrast matching Die Bilder müssen zunächst einmal

03, 2003 June 6, 2002 Contrast matching Contrast matching

Bilder aneinandergefügt werden sollen (mosaiking).

dass das Contrast Matching an Bild- Ausschnitten gemacht

6 Contrast matching Die Bilder müssen zunächst einmal vergleichbar gemacht werden Quick Bird Feb. 03, 2003 June 6, 2002 Contrast matching Contrast matching Diese Technik wird vor allem verwendet, wenn mehrere Bilder aneinandergefügt werden sollen (mosaiking). Für ein Change Assessment ist natürlich darauf zu achten, dass das Contrast Matching an Bild- Ausschnitten gemacht wird, in denen sicher keine wirklichen Veränderungen stattgefunden haben!! Mod. 1 p. 6

7 Workflow Rohdaten Bildvorbereitung Geometrisch Korrektur Kontrast Anpassung Single-Band raw Image analysis Classified image comparison Spectral Vector analysis PCA (1) Single Band Raw-image algebra: Differenzbildung zwischen Grauwerten der jeweils selben Kanäle (eine gute Atmosphärenkorrektur muss natürlich vorher stattgefunden haben). Eine Differenz = 0 deutet auf no change. In der Praxis wird aber ein geringe Abbweichung von 0 noch als no change akzeptiert, um natürliche Variabilität zu berücksichtigen. Dieser Ansatz kann auf einzelne Kanäle oder auch auf Indexe angewendet werden. Alternativ kann natürlich auch der Quotient berechnet werden, wobei dann ein Quotient von 1 auf no change hindeutet. Ergebnis ist ein Bild mit n Bildkanälen, die jeweils die Differenzen/Quotienten enthalten. Dieses Bild kann dann hinsichtlich Veränderungen klassifiziert werden. Source: Franklin & Wulder 2003 Mod. 1 p. 7

8 Image differencing: Image ratioing: D ijk = where: D ijk = change pixel value B vijk = brightness value at time 1 / 2 c = a constant (e.g. 127) i = line number j = column number k = a single band (e.g. TM band 4) D ijk = B vijk (1) - B vijk (2) + c B vijk (1) B vijk (2) From Franklin & Wulder 2003v (1) Single band raw-image algebra: Festlegung eines Puffers um den Differenzwert 0 zu welchem hier die Konstante c=127 addiert wurde!): Region of no change Workflow Rohdaten Bildvorbereitung Geometrisch Korrektur Kontrast Anpassung Single-Band raw Image analysis Classified image comparison Spectral Vector analysis PCA Mod. 1 p. 8

(2) Post classification comparison: Die Bilder werden zunächst

Vorteil ist, dass auch die Art der Änderungen direkt ersichtlich ist

In allen ausgewerteten Bildern muss genau derselbe

Fehlklassifizierungen in beiden Bildern werden als Veränderung

9 (2) Post classification comparison: Die Bilder werden zunächst klassifiziert und dann auf Änderungen verglichen. Vorteil ist, dass auch die Art der Änderungen direkt ersichtlich ist Veränderungs-Matrix. In allen ausgewerteten Bildern muss genau derselbe Klassifizierungs-Schlüssel verwendet werden. Fehlklassifizierungen in beiden Bildern werden als Veränderung interpretiert! (2) Post classification comparison: Resampled classified T1 From Franklin & Wulder 2003 Visualisierungs-Optionen Visualisierung durch direkten Vergleich Zwei Klassen - Baumkronen - Hintergrund (Weiden) Mod. 1 p. 9

10 Visualisierungs-Optionen Visualisierung innerhalb eines Bildes Veränderungen können dann in einer change matrix dargestellt werden. Increased (pasture in 1970, tree in 1998) Decreased (tree in 1970, pasture in 1998) Trees from back image no changes Pasture land from back image no changes Veränderungs-Matrix 1970 Unclassified Trees Pasture land 1998 Unclassified 54,83 54,83 0,00 0,00 0,00 Trees 19,53 0,00 41,78 0,00-22,24 Pasture land 165,66 0,00 0,00 143,42 22,24 240,03 54,83 41,78 143,42 0,00 Visualisierungs-Optionen Überlagerung Jan 1994 Dec Nov Apr kong River Commission Source: Christoph Feldkötter, Mek Mod. 1 p. 10

11 Visualisierungs-Optionen Überlagerung Combined HOT SPOT! Northern Laos: no more than 2-3% of area under active shifting cultivation at any given time Visualisierungs-Optionen Überlagerung Maraba1.mov Mod. 1 p. 11

Ähnliche Dokumente

Lehrveranstaltung Fernerkundung. Mod. 1 p. 1. Typische Schritte in einem Fernerkundungsprojekt. Bildgeometrie. Vorlesungs- und Übungsplan SS 2010

Lehrveranstaltung Fernerkundung Vorlesungs- und Übungsplan 07.04.10 Einführung, Strahlung, Sensoren 14.04.10 Digitale Bilder, Bildstatistik& Kontraststreckung 21.04.10 Bild Verbesserung & Indexe 28.05.10