Das Wichstigste ist es, nicht mit den Fragen aufzuhören... Albert Einstein

Transkript

1

2

3 Das Wichstigste ist es, nicht mit den Fragen aufzuhören... Albert Einstein

4

5 Der Beitrag von Höhendaten aus einem ALTM-System zur Landnutzungsklassifizierung DIPLOMARBEIT zur Erlangung des akademischen Grades Diplom-Ingenieur für Kartographie Studiengang Kartographie des Fachbereichs III Bauingenieur- und Geoinformationswesen der Technischen Fachhochschule Berlin Eingereicht von Kenny Gene Jaroschinski Matrikelnummer: Betreuung durch Prof. Dr. -Ing M. Kähler 04. Juli 2008

6 VI Kapitel Aufgabenstellung Inhalt Seite XIII I EINLEITUNG 1 Zielsetzung 2 2 Beschreibung des Projektgebietes Paris Aufnahme Charakteristikader Luftbilder und Laserscandaten 4 II THEORETISCHE GRUNDLAGEN 3 Verwendete Aufnahmesyteme und ihre 8 Eigenschaften 3.1 Flugzeuggetragene Laserscansysteme Flugzeuggetragene Laserscansysteme im Allgemeinen Aufnahme Prozessierung Erstellung eines digitalen Oberflächenmodells und eines 11 digitalen Geländemodells Airborne Laser Terrain Mapper (ALTM) Luftbildkameras Luftbildkameras im Allgemeinen Vexcel Ultracam D Prozessierung der Daten Aufbereitung der Luftbilddaten 16 4 Kombinationsflug mit einer Luftbildkamera und einem 16 Laserscanner 4.1 Besonderheiten bei einem Kombinationsflug mit 16 Luftbildkamera und einem Laserscanner 5 Verwendete Daten 17

7 Inhalt VII 5.1 Allgemeine Grundlagen zum Orthophoto True Orthophotos Theorie zur Erstellung eines True Orthophotos Digitales Oberflächenmodell Anforderungen an digitale Oberflächenmodelle 18 6 Radiometrische Auflösung Grundlagen der radiometrischen Auflösung Zur Anwendung radiometrisch hochaufgelöster Daten in 20 ausgewählter Fernerkundungs-Software 6.3 Klassifikation mit 8-Bit- oder 16-Bit-Daten? 20 7 Klassifizierung Grundlagen zur multispektralen Klassifizierung Pixelbasierte Klassifikation Allgemein Unüberwachte Klassifizierung Überwachte Klassifizierung Klassifizierungsverfahren der pixelbasierten Klassifikation Quader-Vefahren Minimum-Distance-Verfahren Maximum-Likelihood-Verfahren Hierarchische Klassifizierung Trainingsgebiete Anpassen von Trainingsgebieten mittels Parallelepiped 27 Limits Digitale Filter (Räumliche Filter) Problem der pixelbasierten Klassifizierung Objektbasierte Klassifizierung Objektbasierte Klassifizierung im Allgemeinen Process Tree Klasseneinordnung Segmentierung Segmentierungs-Level Fuzzy Logic Layer Value Bestimmung der Klassenzugehörigkeit mittels 35

8 VIII Inhalt class description Sample Standardisierung des Arbeitsablaufes Probleme der objektbasierten Klassifizierung 37 8 Software Erdas Imagine Definiens Developer Nr. 38 III ANWENDUNG 9 Praktische Anwendung Einleitung Vor- und Aufbereitung der Daten Bestandsaufnahme der übermittelten Daten Aufbereitung der Laserscandaten Charakteristika der vorhandenen Laserscandaten Bearbeitung und Aufbereitung der Laserscandaten sowie 44 Erstellung des Oberflächenmodells Erstellung eines normierten digitalen Oberflächenmodells 45 (ndom) 9.5 Aufbereitung der Luftbilddaten Charakteristika der gelieferten Luftbilddaten Bearbeitung und Aufbereitung der digitalen Bit Luftbilddaten. 9.6 Zusammenführen der Laserscandaten und der 47 Luftbilddaten für die Klassifizierung mit Erdas 9.7 Probleme aufgrund der unterschiedlichen 48 Auflösung von Luftbild- und Laserscandaten 9.8 Zusätzlicher Parameter: Normalized Vegetation Index (NDVI) Pixelbasierte Klassifizierung Klassifizierungsdurchführung Verwendete Klassen Klassifikation Klassifizierung von Vegetation 50

9 Inhalt IX Klassifizierung von Bebauung Klassifizierung von Straßen Klassifizierung von versiegelten Flächen Klassifizierung von Gewässern Klassifizierung von Schattenbereichen Schattenklasse Straßen Schattenklasse versiegelte Flächen Schattenklasse Gewässer Vergleichsklassifizierung ohne Höheninformation Objektbasierte Klassifizierung Klassifizierungsdurchführung Verwendeten Klassen Klassifizierung Klassifizierung von Vegetation Klassifizierung von Bebauung Klassifizierung von Straßen Klassifizierung von versiegelten Flächen Klassifizierung von Gewässern Klassifizierung von Schattenbereichen Schattenklasse Straßen Schattenklasse versiegelte Flächen Schattenklasse Wasser Klassifizierung von Sonderklassen Vergleichsklassifizierung ohne Höheninformation 60 IV KLASSIFIZIERUNGSGENAUIGKEIT 12 Klassifizierungsgenauigkeit Einleitung Methode der Veränderungsanalyse Einführung Grundlagen der Veränderungsanalyse Erstellung einer Fehlermatrix Interpretation der Fehlermatrix Anforderungen an Referenzdaten 68

10 X Inhalt Erstellung von Referenzdaten Vorbereitung der Veränderungsanalyse Durchführung der Change Detection Beurteilung der Veränderungsanalyse Methode des Stichprobenverfahrens Evaluierung auf Grundlage von Stichproben Durchführung der Punktstichprobe Beurteilung der Punktstichprobe 76 V ZUSAMMENFASSUNG UND AUSBLICK 13 Zusammenfassung und Ausblick Zusammenfassung Ausblick 80 VI LITERATUR, BILDNACHWEIS TABELLENVERZEICHNIS 14 Literaturverzeichnis Bildnachweis Tabellenverzeichnis 87 VII A Anhang Pixelbasierte Klassifizierung A 1 Klassifiierungsergebnis 90 Erdas Imaine A 2 Klassifzierungsergebnis ohne Höheninformation 91 Erdas Imagine

11 Inhalt XI B Objektbasierte Klassifizierung B 1 Klassifizierungsergebnis 92 Definiens Defeloper 7 B 2 Klassifizierungsergebnis ohne Höheninformation 93 C Visuelle Interpretation C 1 Klassifizierungsergebnis 94 Bearbeiter: K. G. Jaroschinski D Danksagung 96

12 XII Aufgabenstellung

13 TECHNISCHE FACHHOCHSCHULE BERLIN Diplomarbeit für Kenny Jaroschinski, Matr.Nr : Fachbereich III -Bauingenieur- und Geoinformationswesen- Labor für Photogrammetrie Prof. Dr.-Ing. M.Kähler Der Beitrag von Höhendaten aus einem ALTM-System zur Landnutzungsklassifizierung Die BSF SWISSPHOTO ist eines der Luftbild-Unternehmen das Kombiflüge mit einer hoch auflösenden Digitalkamera (VEXCEL ULTRACAM) und luftgestützten Laserscannern (OPTECH ALTM 3100) in großem Umfang realisiert. Die Höhendaten des Laserscanners können bei einer Klassifizierung von großem Nutzen sein, da sie mit einem unabhängigen Sensor einen zum gleichen Zeitpunkt aufgenommenen Datensatz liefern. In Zusammenarbeit mit BSF soll im Rahmen dieser Diplomarbeit das Klassifizierungspotential einer solchen Datenkombination in urbanen Bereichen untersucht werden. Dazu sind zunächst die technischen Details der Aufnahmesysteme entsprechend zu analysieren, beispielsweise beim luftgestützten Laserscanner: Streckenmessung, Intensitätswert, Return-Nummer, Mehrfachreturns etc. Des weiteren ist der Blickwinkel auf das Objekt bekannt, was eine weitere hilfreiche Information darstellen kann. Die Daten aus dem Untersuchungsgebiet werden von BSF zur Verfügung gestellt, dabei liegen neben den Laserscannerdaten Bilddaten mit vier Spektralkanälen sowie hochauflösende panchromatische Bilder vor. Für die Klassifizierung selbst sind sowohl der multispektrale Ansatz als auch die objektbasierte Klassifizierung näher zu untersuchen. Die Höhendaten können beispielsweise zunächst wie ein weiterer Spektralkanal in einer anderen Auflösung in die multispektrale Datenanalyse eingeführt werden. Andererseits können gezielte Segmentierungen anhand der Höhen vorgenommen werden, z.b.: Gebäude, Bäume, Straßen etc. Es sind vergleichende Untersuchungen für Klassifizierungen kombinierter Daten bzw. Klassifizierungen ohne Laserscannerdaten durchzuführen, sie sollen sich auf die Klassifizierungsgenauigkeit und auch auf den Aufwand beziehen. Die für die Bearbeitung der Aufgabe geeigneten Methoden und Verfahren sind zu untersuchen und einzusetzen, dabei sollen alle durchgeführten Untersuchungen gut dokumentiert werden. Bei der Bearbeitung der Aufgabenstellung ist darauf zu achten, dass die Vorgehensweise jeweils eingehend erläutert, alle getroffenen Entscheidungen gut begründet und die Ergebnisse übersichtlich zusammengestellt werden. Zur öffentlichen Präsentation der Diplomarbeit ist ein Poster mit den wichtigsten Ergebnissen und eine kurze Zusammenfassung für eine Internetpräsentation anzufertigen. Prof. Dr.-Ing. M.Kähler Berlin, den

14

15 I EINLEITUNG 1

16 2 Einleitung 1 Zielsetzung In dieser praxisbezogenen Diplomarbeit wird das Klassifizierungspotenzial von Höhendaten in urbanen Bereichen untersucht. Für die Klassifizierung werden zwei Verfahren genutzt und erforscht, zum einen die pixelbasierte Klassifizierung und zum anderen die objektbasierte Klassifizierung. Für eine erfolgreiche Klassenermittlung ist es erforderlich, sich mit den Eigenschaften, der an der Aufnahme beteiligten, Systeme auseinanderzusetzen. Des Weiteren wird geprüft welche Auswirkungen die Prozessierung und Veränderung von Daten, im speziellen Lufbilddaten, auf ein Klassifizierungsergebnis haben. In dieser Arbeit wird ferner untersucht, welche Parameter und Einstellungen zu einem erfolgreichen Klassifizierungsergebnis führen. Um einen Erfolg oder Misserfolg einer Klassifizierung zu dokumentieren, werden abschließend zwei Evaluierungsverfahren experimentell überprüft.

17 2 Beschreibung des Projektgebietes Paris 3 2 Beschreibung des Projektgebietes Paris Das Projektgebiet (Abb.1) besitzt die Ausdehnung von einem Quadratkilometer im Innenstadtbereich der Stadt Paris. Zu sehen ist der Louvre (Kunstmuseum) am linken oberen Bildrand sowie die Kathedrale Notre-Dame. Das Gebiet ist dicht bebaut, städtisch und weist nur geringfügige Höhenunterschiede auf. Im Pariser Testgebiet ist nur wenig Vegetation vorhanden, die meist aus Bäumen und Rasenflächen in Parkanlagen besteht. Ebenfalls ist Wasser großflächig (durch die Seine) vertreten. Dieses Testgebiet ist im sehr hohen Grad heterogen und erweist sich als hervorragend geeignet für eine Klassifizierung in urbanen Gebieten. Abb. 1: Projektgebiet Paris

18 4 Einleitung 2.1 Aufnahme Das primäre Ziel der Befliegung war es, den gesamten Innenstadtbereich mit Orthophotos abzudecken und in einem hochauflösenden Oberflächenmodell zu erfassen. Die Besonderheit der Befliegung in Paris ist die gleichzeitige Aufnahme von Luftbild- und Laserscandaten. (nach Wiedemann, Peter, Schmitz) Da beide Systemanforderungen, wie zum Beispiel Flughöhenunterschiede, voneinander abweichen, wurden zuvor die beiden Systeme meist getrennt voneinander eingesetzt und hatten dadurch einen höheren Aufwand an Kosten und Erfassungszeit. Ein weiterer Vorteil ist die eingesparte Zeit, die zwischen Laserscanneraufnahme und Luftbildbefliegung liegt. Sollten zum Beispiel Monate oder gar Jahre zwischen den beiden Aufnahmen liegen, können Häuser neu gebaut oder abgerissen worden sein. Zum Einsatz kamen die großformatige, digitale Ultracam D von der Firma Vexel sowie das Laserscannersystem Airborne Laser Terrain Mapper (ALTM) 3100 der Firma Optech Charakteristika der Luftbilder und Laserscandaten Die Luftbilder weisen im Innenstadtbereich eine Bodenauflösung von 18 cm auf und überlappen sich längs mit 61% und quer mit 70%. Somit können die meisten Gebäude von neun Perspektiven betrachtet werden, sodass sichttote Räume selbst in engen Gassen so gut wie ausgeschlossen werden können. Die Daten wurden mit 16 Bit erfasst und stehen einmal mit 16 Bit und mit 8 Bit radiometrischer Auflösung zur Verfügung. Die spektrale Auflösung umfasst die vier Kanäle Blau, Grün, Rot und Infrarot (nachfolgend RGB-I genannt). Auch mit dem Laserscanner wurde dadurch eine hohe Überdeckung von 50 % erreicht. Dies ermöglichte eine Punktdichte von einem Punkt/ m2. Diese wäre aufgrund der großen Flughöhe sonst nicht zu erreichen gewesen. Dadurch reduzieren sich die sichttoten Bereiche des Laserscannersystems enorm.

19

20

21 II THEORETISCHE GRUNDLAGEN 7

22 8 Theoretische Grundlagen 3 Verwendete Aufnahmesyteme und ihre Eigenschaften 3.1 Flugzeuggetragene Laserscansysteme Flugzeuggetragene Laserscansysteme im Allgemeinen. Der Vorgang des Laserscannens von einer fliegenden Plattform, meist Flugzeuge aber auch aus Helikoptern, wird Airborne Laserscanning kurz, ALS, genannt. In diesem Zusammenhang werden Laserscannersysteme oft als LIDAR (LIght Detection and Ranging) oder LADAR (LAser Detection and Ranging) bezeichnet. Die Benutzung des Synonyms LADAR macht deutlicher, dass es sich bei dem eingesetzten System um einen Laserscanner handelt, denn Laserlicht besitzt sehr spezielle Eigenschaften. Laserlicht ist ein starker, relativ direkt ausgerichteter Lichtstahl. In einem LIDAR-System hingegen wird zum Beispiel auch sehr starkes Xenonlicht benutzt. LADAR-/ LIDAR-Systeme sind aktive Systeme und beruhen auf den Prinzipien eines optomechanischen Scanners. Aktiv bedeutet, dass das System einen Laserstrahl aussendet und auch wieder empfängt. Dies bringt einige Vorteile mit sich, wie die Möglichkeit des Einsatzes bei vergleichsweise nicht so idealen Lichtverhältnissen, wie es für die Luftbildbefliegung nötig wäre. Der Laserstrahl kann durch sein kurzwelliges Licht ebenfalls keine Wolken durchdringen. (Wehr, Lohr) Aufnahme Die Erfassung der Oberfläche erfolgt punktweise mittels Laufzeitmessung (Zeitdifferenz zwischen gesendetem und empfangenem Strahl) oder Phasenvergleichsverfahren. In der Hauptsache werden zwei Arten von Messungen unterschieden, einmal die kontinuierliche Messung, die so genannten continuous wave Laser, und die Laser, die das Licht impulsartig aussenden. Impuls-Laser sind die am häufigsten vertretenen Lasertypen.(Wehr,Lohr) Wie die Abb. 2 veranschaulicht, wird die Zeiterfassung der Laufzeitmessung folgendermaßen beschrieben:

23 3 Verwendete Aufnahmesyteme und ihre Eigenschaften 9 tl = 2 S c S= Distanz zwischen Transmitter und Objekt c= Lichtgeschwindigkeit t L = Zeitdifferenz wischen ausgesendeten und empfangenen Impuls Nach Umstellung der Formel kann man auf die Distanz zwischen Laser und Objekt schließen. S = 2 1 c tl Abb.2: Laufzeitmessung i= Intensität Die Geländeoberfläche wird dadurch in ihrer Gesamtheit geometrisch erfasst [Alberts]. Das erste Ergebnis ist eine Punktwolke, in der jeder Punkt eine X-, Y-, Z-Koordinate besitz. Hervorzuheben ist die Eigenschaft, dass einige Laserscansysteme mehrere Impulse, die von einem Objekt reflektiert werden, registrieren können. [Alberts] Der Grund liegt darin, dass ein Laserstahl nicht gleichmäßig breit ist, sondern mit der Entfernung kegelförmig zunimmt. Somit kann es vorkommen, das ein Teil des Strahles an einigen Stellen, bei einem Baum zum Beispiel an einem Ast, auftrifft und an anderen Stellen sich seinen Weg weiter bis zum Boden bahnt. Der auf dem Boden auftreffende Bereich wird oft als Footprint [Literatur] bezeichnet. Der Effekt kann aber auch an Hauskanten auftreten, nämlich dann, wenn ein Teil des Laserimpulses die Dachkante trifft und der letzte Impuls den Boden. Dies bewirkt eine unscharfe und/oder versetzte Gebäudekante. Ein Laserimpuls weist in diesem Fall dann min. zwei Impulsreflexionen (Returns) in einem Strahl auf. Einige Scanner können bis zu vier Impulsreturns unterscheiden. Diese Un-

24 10 Theoretische Grundlagen terscheidung kann bei der Extrahierung von Vegetation helfen, indem in die Berechnung nur der letzte Impuls einbezogen wird. Allerdings muss zwischen den Impulsen immer eine bestimmte Zeit vergehen, die ungefähr der Entfernung von zwei Metern entspricht, damit sie registriert werden kann. Vegetation, bei der dieser Abstand nicht registriert werden kann, bereitet Probleme. Bei Maisfeldern zum Beispiel, besonders wenn der Mais sehr dicht steht, ist es schwierig, repräsentative Bodenpunkte zu ermitteln. Prinzipiell gilt aber die Faustregel: Wenn Sonnenstrahlen noch den Boden erreichen, schafft der Laser das auch. Zusätzlich kann bei einigen Systemen die Intensität des reflektierenden Laserstrahls gemessen werden und dient oftmals als zusätzliche Information. Die Radiometrie bewegt sich dabei im Bereich des nahen Infrarots. Es wird dabei von einem bildgebenden Laserscanner gesprochen. Diese Reflexionswerte sind aber oft zu schwach oder nicht aussagekräftig genug. Des Weiteren besitzen diese oftmals (wenn in Kombination geflogen) eine schlechtere Auflösung als das zugehörige Luftbild. Somit sind sie für eine Multispektralklassifizierung eher ungeeignet Prozessierung Orientiert und im Raum bestimmt werden die Daten aus der Punktwolke mithilfe der im Flugzeug aufgenommenen GPS-/ INS-Daten sowie mithilfe von Vollpasspunkten. Das INS (Inertial Navigation System) ist ein Verfahren, um die Neigungs-, Drehwinkel und Beschleunigungskräfte des Flugzeuges zwischen einzelnen GPS-Punkten zu ermitteln und damit die Informationslücken der GPS-Messung aufzufüllen und auszugleichen. Die gemessenen Positionierungswerte werden so um einiges genauer. Die erzielten Genauigkeiten liegen häufig in der Lage im Zentimeter- und in der Höhe im Dezimeterbereich. In einem weiteren Schritt wird eine Art Steifenausgleichung durchgeführt. Dieser Vorgang wird Basic-processing genannt [Wiedemann, Peter, Schmits]. Das Ergebnis ist eine unklassifizierte, aber im Raum orientierte Punktwolke. Anschließend wird eine automatische Klassifizierung gestartet, die versucht, Besonderheiten in den LADAR-Daten zu erkennen, um sie dann später herauszufiltern. Besonderheiten können Mehrfachreflexionen in Kellereingängen und Multipathreflexionen bei Glasfassaden sowie erfasste Fahrzeuge sein, kurz Objekte oder Punkte, die zufällig sind und/oder die bei der späteren Nutzung eines Oberflächenmodels

25 3 Verwendete Aufnahmesyteme und ihre Eigenschaften 11 stören würden Erstellung eines digitalen Oberflächenmodells und eines digitalen Geländemodells Nachdem störende, meist zufällig erfasste Objekte, wie Autos, Vögel oder Wolkenfetzen, ebenfalls herausgefiltert wurden, wird die gewonnene Oberflächenbeschreibung Digitales Oberflächenmodell, kurz DOM, genannt. In dem digitalen Oberflächenmodell sind Informationen wie Gebäude, Bäume, Masten etc. enthalten. Durch den Einsatz weiterer Filter und Interpolationsverfahren kann die Geländeoberfläche ermittelt werden. Das entstandene Digitale Geländemodel (DGM) wird oft zur Differenzialentzerrung und letztendlich zur Erstellung von Orthophotos eingesetzt Airborne Laser Terrain Mapper (ALTM) 3100 Der Airborne Laser Terrain Mapper 3100, kurz ALTM 3100 genannt (Abb. 3), ist ein Impulslaser, der mit einem oszillierenden Spiegel arbeitet (Oczipka, S. 45.). Charakteristisch für oszillierende Spiegel sind die zig-zag-förmigen Scanlinien. (Wehr, Lohr S. 76) Der Wellenlängenbereich des Laserimpulses, liegt im infraroten Bereich, bei 1,04 µm. Dadurch Abb. 3: ALTM 3100 System ist die Erfassung von Wasser- und sehr dunklen Flächen (z. B. Asphalt nach Regen) schwierig und führt oft zur Absorbtion des Laserstrahls und damit zu Datenlücken. Die Impulsfrequenz des Lasers liegt max. bei 70 Hz. Durch die vergleichsweise hohe Laser-Wiederholrate von 100 Hz, bei einer Flughöhe von 1000 m, kann eine hohe Punktdichte erzielt werden, sodass sich der Laserscaner auch für Aufgaben mit einer hohen Genauigkeitsanforderung eignet. Der Laserscaner kann bis zu vier Impulsreturns unterscheiden. Wie schon erwähnt, können der erste und der letzte Impuls bei der

26 12 Theoretische Grundlagen Erstellung eines Oberflächenmodells helfen. In der nachstehenden Tabelle, wurden die Details nocheinmal zusammegefasst: Einsatzbereich m über Grund Laserwiederholrate < km Flughöhe < km Flughöhe < km Flughöhe < km Flughöhe Lagergenauigkeit 1/2 000 Flughöhe Höhengenauigkeit < 1.2 km < 2.0 km < 3.0 km Scanfrequenz (Zeilenfrequenz) 55 /37 Scanwinkel (Öffnungswinkel) variabel, max. 70 Hz Pulslaufzeitmessung 1 cm Auflösung, bis 4 Echos pro Puls Strahldivergenz wählbar: 0.3 oder 0.8 mrad Intensitätsaufzeichnung 12 bit für jede Messung Positionierungs-und Orientierungssystem Trimble GPS und Applanix POS-AV Tabelle.1: ALTM 3100 Details 3.2 Luftbildkameras Luftbildkameras im Allgemeinen Digitale Luftbildkameras stehen heutzutage immer mehr in Konkurrenz zu hochauflösenden Satellitendaten, die mit ihrem Auflösungsvermögen immer näher an digitale Luftbildkameras heranreichen. Digitale Luftbildkameras besitzen dennoch den entscheidenden Vorteil flexibel in Zeit, Aufnahmerichtung

27 3 Verwendete Aufnahmesyteme und ihre Eigenschaften 13 und Auflösung zu sein, so dass sie wohl noch einige Zeit für Anwendungen wie 3D-Stadtmodelle und ähnliche Aufgaben, für die sehr hochauflösende Daten benötigt werden, in der Favoritenrolle sind. In der Hauptsache werden zwei Haupttypen von digitalen Luftbildkameras unterschieden: Optoelektronische Zeilenkameras und Flächenkameras. Hierbei unterscheiden sich vorwiegend die Aufnahmesysteme in der Anordnung der jeweiligen Sensoren. Beim Zeilensensor (Bsp. HRSC vom DLR) liegen die CCD-Sensoren über die gesamte Bildbreite quer zur Flugrichtung und registrieren die Daten. Der Vorteil der HRSC sind die fünf panchromatischen Zeilensensoren, die dadurch eine permanente Stereobilddatengewinnung erlauben. Die Flächensensoren hingegen verfolgen eher das Prinzip der herkömmlichen Luftbildkamera. Auf mehren flächenhaften, meist rechteckigen Sensoren werden die Daten als Senkrechtbild registriert und bei der Prozessierung zu einem Bild zusammengefügt. Für eine stereoskopische Aufnahme müssen sich zwei Bilder wie bei Luftbildkameras zu 60 % überlappen. (nach Alberz, S ) Vexcel Ultracam D Mittlerweile ist die Vexcel Ultracam D von Microsoft (Abb. 4) eine viel genutzte digitale großformatige Luftbildkamera. Die Ultracam D zählt zu den optoelektronischen Scannern, deren Haupteigenschaft die fest installierten CCD- Sensoren sind. Sie liefern meist ein rechteckiges Bild, sodass eine Abb. 4: Ultracam D Entzerrung und Nachbereitung der Bilder etwas leichter sein dürfte als bei optomechanischen Scannern. Ein großer Nachteil dieser Kamera liegt in der späteren Prozessierung. Bei der automatischen Tonwertanpassung der Bilder, auch wenn sie kurz hintereinander aufgenommen werden, treten große Probleme auf. Dies ist insbesondere bei homogenen Flächen, wie Wasser, auffällig. Das macht sich dadurch bemerkbar, dass die Bilder meist eine unterschiedliche Grauwertverteilung besitzen und somit mal heller oder dunkler sind. Besonders bei Flächen wie Wasser, Schnee oder anderen homogenen Flächen tritt dies auf,

28 14 Theoretische Grundlagen sodass meist noch einige Zeit in die Nachbereitung der Bilder investiert werden muss. Um eine grobe Größenordnung der Prozessierungszeit zu geben, wird hier ein Beispiel der für die Diplomarbeit relevanten Parisdaten angeführt: Die automatische Prozessierung der Daten dauerte bei Bildern ca. vier Wochen. [Wiedemann, Peter; Schmitz] Das panchromatische Bild hat eine eigentliche Auflösung von x Pixel, wobei der genutzte Bereich x Pixel entspricht. Das hochauflösende panchromatische Bild wird aus insgesamt neun einzelnen kleineren Bildern zusammengesetzt, die systematisch von neun CCD-Sensoren aufgenommen werden, die sich hinter den vier in der Mitte angeordneten Objektiven verbergen. Diese vier Objektive werden Master Cones genannt. Die multispektrale Auflösung umfasst die Kanäle Rot, Grün, Blau und den nahen Infrarot-Bereich (nachfolgend RGB-I genannt). Die Sensoren befinden sich hinter jeweils einem Objektiv. Insgesamt ist für jeden Kanal ein Objektiv vorhanden. Die Auflösung beträgt x Pixel. Die registrierte radiometrische Auflösung liegt bei 16 Bit. Signifikant, also ohne Streuwerte, sind es aber nur 12 Bit. Die Einzelheiten wurden in der nachfolgenden Tabelle zusammengefast. Panchromatisches Bildformat x µm 103,5 x 67,5 mm Objektivbrennweite und Apertur 101,4 mm, f 1/5.6 Gesichtsfeld in / quer zur Flugrichtung 55 /37 Multi-Spektral (R/G/B/ NIR) x µm Verschlusszeiten Bewegungskompensation Bildwiederholrate Radiometrische Auflösung Positionierungs-und Orientierungssystem 1/500 1/60 Sek. FMC mit TDI-Steuerung bis 1.3 Bilder pro Sekunde bit (mit 16 bit registriert) IGI Aerocontrol II mit Ashtech DGPS Tabelle 2: Ultracam D Details

29 3 Verwendete Aufnahmesyteme und ihre Eigenschaften Prozessierung der Daten Bei der Prozessierung der Daten aus einer digitalen Luftbildkamera greift das Prinzip der Verarbeitungslevel. Level 0: einzelne vom Sensor heruntergeladene Bilder Level 1: Ausgangsdaten Level 2: generiertes Pan-Bild, original RGBI Bilder Level 3: Panschapening mit den RGBI-Kanälen Im ersten Schritt müssen die Daten der Aufnahme, sprich die einzelnen Bilder, vom Datenträger heruntergeladen. Dies geschieht mit insgesamt 14 Datenkanälen, da, wie oben erwähnt, 14 Sensoren vorhanden sind. Erst wenn alle Bilder vom Datenträger heruntergeladen sind, kann mir der eigentlichen Prozessierung begonnen werden. Da das panchromatische Bild aus neun einzelnen Teilbildern besteht, müssen diese erst zusammengefügt und sowohl geometrisch als auch radiometrisch in einem Mosaik vereint werden. Dies geschieht automatisch mit der Software Office Processing Center und führt zu guten Ergebnissen. Das Zusammenpassen der Bilder funktioniert im Prinzip über eine gemeinsame Passpunktzuordnung. Ein weiterer Schritt ist es, die Bilder der RGB-I Kanäle mit dem panchromatischen Kanal zusammenzubringen, um so die Gesamtauflösung des RGB-I-Bildes zu verbessern und in einem einheitlichen, besser aufgelösten Bild abzuspeichern. Dies geschieht automatisch im Microsoft Processing Center, und es kann kaum Einfluss drauf genommen werden. Abschließend folgt die radiometrische Anpassung der Bilder untereinander. Dazu ist es nötig, in das Geschehen einzugreifen. Wie oben schon angedeutet, kommt es hier bei homogenen Flächen oft zu Schwierigkeiten, insbesondere bei Wasser und Schnee, da ein anderer Betrachtungswinkel (auch bei hoher Überlappung) die Sonneneinstrahlung anders aufnimmt. So kann das eine Bild hell wirken und das nächste dunkel. Bei Wasser wäre das Beispiel von Wellen zu nennen, wobei

30 16 Theoretische Grundlagen die Wellen in einem Bild kaum zu sehen sind, aber in einem darauf folgenden gibt es einen durch Sonneneinstrahlung bedingten Glitzer-Effekt. Dies gilt es, manuell auszugleichen Aufbereitung der Luftbilddaten Die Weiterverarbeitung der digitalen Luftbilddaten nach der Prozessierung liegt in der freien Wirtschaft im Ermessen des Kunden, der die Bilder in Auftrag gegeben hat. Klienten, wie Vermessungsämter, möchten die fertig prozessierten Rohdaten, um aus diesen ihre eigenen Produkte, wie Orthophotos, abzuleiten. Andere möchten die Möglichkeit nutzen, um sich die Produkte fertig liefern zu lassen. Ein Beispiel wäre eine Luftbildkarte. In den folgenden Kapiteln soll auf zwei verschiedene Methoden und Produkte eingegangen werden, um einen kleinen Überblick zu geben. Insbesondere werden die Produkte erwähnt, die für die spätere Klassifizierung nötig sind. Dies sind das Orthophoto und das True Orthophoto. 4 Kombinationsflug mit einer Luftbildkamera und einem Laserscanner 4.1 Besonderheiten bei einem Kombinationsflug mit Luftbildkamera und einem Laserscanner In diesem Kapitel soll kurz erläutert werden, auf welche Besonderheiten bei einem Kombinationsflug von Laserscanner und Luftbildkamera geachtet werden soll. Bei einer Kombination muss besonders auf die jeweiligen Eigenschaften der eingesetzten Systeme sowie auf die vom Auftraggeber gestellten Forderungen geachtet werden. Oftmals ist dies nur als Kompromisslösung zu bewerkstelligen. Durch den vorgegebenen Bildmaßstab und die Bodenpixelgröße wird die Flughöhe ermittelt. Die Planung der Flughöhe wird immer mit besonderer Berücksichtigung des schwächeren Systems geplant. Mit dem schwächeren System ist immer jenes gemeint, welches zuerst an seine Leistungsgrenze stößt. Meist ist dies der Laserscanner. Aber auch die Kamera hat Grenzen, die beachtet wer-

31 5 Verwemdete Daten 17 den müssen. Somit ist ein weiterer Kompromiss die Einhaltung einer konstanten Flughöhe. Bei der Flugplanung von Laserscanflügen wird versucht, dem Gelände zu folgen, um Datenlücken zu vermeiden und um eine möglichst homogene Punktwolke zu erreichen. Dies ist aber mit dem Luftbildsystem nicht möglich, da bei diesem eine konstante Flughöhe gefordert ist. Somit muss hier die Luftbildkamera im Vordergrund sein. Diese Kompromisslösungen führen in der Regel dazu, dass Kombiflüge hauptsächlich im flachen Gelände geflogen werden können. 5 Verwendete Daten 5.1 Allgemeine Grundlagen zum Orthophoto Ein Orthophoto besitzt die Anforderung, die Eigenschaften einer Karte anzunehmen. Das Gelände soll durch eine Parallelprojektion auf ein horizontales Gelände abgebildet werden. Dieses Bild weist damit Eigenschaften einer Karte auf, es können Messungen, zum Beispiel Flächenmessung, vorgenommen werden. [Albertz, S. 152] Zur Erstellung eines Orthophotos bedarf es einer speziellen Entzerrungsmethode, der so genannten Differenzialentzerrung. Eine Besonderheit der Differenzialentzerrung ist der Bezug zu einem Oberflächenmodell, das zum Beispiel mit photogrammetrischen Mitteln (Stereokartierung) oder Laserscanning gewonnen werden kann True Orthophotos True Orthophotos haben die besondere Eigenschaft, wirkliche Senkrechtbilder zu sein. Dies gestaltet sich zurzeit noch sehr schwierig und erfordert meist einen hohen Arbeitsaufwand, denn für eine geometrisch korrekte Lage von zum Beispiel Häusern oder Brücken müssen Bruchkante, Häuserober- und unterkanten sowie Brücken und noch einige andere künstliche Objekte geometrisch in Höhe und Lage erfasst werden. Versuche, True Orthophotos automatisch aus Laserscandaten herzustellen, gestalten sich ebenfalls schwierig, da beim reinen Ver-

32 18 Theoretische Grundlagen wenden von Laserscandaten oftmals das Phänomen der unscharfen Kanten (bei Dächern) auftritt. Das Ergebnis in einem True Orthophoto sind verwaschene, oftmals schlängelnde Dachkanten. Ansätze zur automatischen Generierung von Bruchkanten sind zurzeit Gegenstand intensiver Forschung. Sollte dies gelingen, wäre dies ein enormer Fortschritt und eine große Arbeitserleichterung Theorie zur Erstellung eines True Orthophotos Da jedes aufgenommene Bild eine Randverzerrung aufweist, in der die Gebäude umklappen, müssen die daraus resultierenden sichttoten Räume und sichtbaren Hausfassaden beseitigt werden. Bei der ersten Anpassung des Bildes an das 3D- Modell entsteht ein Dopplungseffekt. Dies bedeutet, dass Hauskanten meist an zwei Stellen nebeneinander abgebildet werden. Einmal an der geometrisch richtigen Stelle und einmal an der alten, nach außen verzerrten Stelle. Dies muss ausgeglichen werden. Es wird die Fläche zwischen 3D-Modell und alter Lage meist automatisch erkannt und herausgeschnitten. Die entstandene Lücke muss aufgefüllt und radiometrisch angepasst werden [DIN , S. 11, Abs ]. Dies geschieht durch Einpassen eines der überlappenden Bilder in die entstandenen Lücken. 5.2 Digitales Oberflächenmodell Anforderungen an digitale Oberflächenmodelle Digitale Oberflächenmodelle (Abb. 5) sind in X-, Y-, Z-Koordinaten beschreibende abstrahierte Punktwolken, die die Charakteristik eines Gebietes repräsentieren sollen. In einem Oberflächenmodell werden für die Topographie relevante Objekte erfasst. In der Regel sind dies Gebäude, Bäume, Brücken. In den meisten Oberflächenmodellen finden Objekte wie Masten, Laternen und Autos keine Verwendung. Je detailreicher und genauer ein solches Oberflächenmodell ist, desto besser wird in der Regel das Klassifizierungsergebnis.

33 6 Radiometrische Auflösung 19 Abb. 5: Oberflächenmodell des Projektgebietes 6 Radiometrische Auflösung 6.1 Grundlagen der radiometrischen Auflösung Die radiometrische Auflösung ist die Fähigkeit eines Sensors, geringe Strahlungsunterschiede noch messtechnisch zu erfassen. [DIN , S. 5; Abs ] Je höher die radiometrische Auflösung, desto genauer ist die Farbbeschreibung in den einzelnen spektralen Kanälen. Die radiometrischen Eigenschaften sind abhängig von der Zusammensetzung der Intensität und spektralen Voraussetzung. Dies bedeutet, dass die radiometrische Eigenschaft bei digitalen Bildern das Spektrum der Grauwertverteilung in einem Bild angibt. Der Standardwert der radiometrischen Auflösung eines Bildes sind meist 256 Grauwerte (8 Bit). Das menschliche Auge hat schon bei 64 Graustufen Schwierigkeiten, zu unter-

34 20 Theoretische Grundlagen scheiden und Sprünge wahrzunehmen. Standardmäßig werden die drei für das menschliche Auge wahrnehmbaren Farben Rot, Grün, Blau erfasst. Es wird hierbei meist von Kanälen oder Bändern gesprochen. Einige Sensoren können viel mehr Graustufen pro Kanal registrieren. Bei einer radiometrischen Auflösung von 16 Bit werden bis zu unterschiedliche Grauwerte registriert. Dies ist besonders dann von Vorteil, wenn eine Klassifizierung gemacht werden soll und viele Unterscheidungsmöglichkeiten von Nöten sind. Die Strahlungsintensität wird in der Ultracam D durch die Charge Couple Devices (CCD) registriert. 6.2 Zur Anwendung radiometrisch hochaufgelöster Daten in ausgewählter Fernerkundungs-Software Ein wesentlicher Vorteil von radiometrisch hochaufgelösten Luftbilddaten sind die feineren Unterscheidungen, die gemacht werden können. Dies kann insbesondere bei der Unterscheidung von Vegetationsarten und in Schattenbereichen ein Vorteil sein. Allerdings sind diese Unterschiede für das menschliche Auge nicht zu erkennen, sondern lediglich mithilfe eines Computers und der entsprechenden Software, zum Beispiel durch Auswerten des jeweiligen Histogramms. Als nachteilig hat sich die Bearbeitung hochauflösender Daten in dem Programm Erdas Imagine in der Version 9.1 erwiesen. Die radiometrische Anpassung, sodass Farben gut zu erkennen und zu unterscheiden sind, gestaltet sich hier als schwierig und ist mit einigem Aufwand verbunden. Eine gute Lösung hierzu bietet das Mosaiking Programm Ortho Vista von der Firma Inpho. Ebenfalls gut ist die Darstellung in der Software Definiens Developer 6.3 Klassifizierung mit 8-Bit- oder 16-Bit-Daten? Wenn radiometrisch hochaufgelöste Daten vorhanden sind, stellt sich immer die entscheidende Frage, welche radiometrische Auflösung verwendete werden soll. Auf der einen Seite ist es natürlich die erste Intention, auf die höher aufgelösten Daten zurückzugreifen, da diese eindeutig mehr Informationen enthalten als die geringer aufgelösten Daten. Abhängig von der Aufgabe kann es aber auch von Vorteil sein, weniger Werte zu verwenden. Denn eine Klassifizierung von beleuchteten Flächen, wie Dächern oder Rasen, sind in einer geringeren Auflösung leichter zu unterscheiden, und es bedarf einer geringeren Zahl an Trainingsge-

35 7 Klassifizierung 21 bieten und weniger zeitlichen Aufwand. Dies ist aber nur dann der Fall, wenn in einfachen Klassen unterschieden werden soll, wie in Dachfläche, Grau, Braun, Rasen etc. Geht es aber mehr ins Detail, so sind die hochaufgelösten Daten wieder im Vorteil. Wichtig ist eine vorherige Abwägung von Gründen für oder gegen hochaufgelöste Daten. Anders verhält es sich bei der generell schwierig zu bestimmenden Einheit, der Bereich die im Schatten liegen. Hierbei sind radiometrisch hochaufgelöste Daten entscheidend im Vorteil, da diese in Schattenbereichen noch feine Unterschiede registrieren, die noch bei einer Zuordnung von unterschiedlichen Klassen in Schattenbereichen helfen können. Die zumeist bearbeiten 8-Bit-Daten wurden spektral in Schatten- und Lichtbereichen zusammengestaucht, sodass dadurch Information verlorengeht und verschwimmt. Bei einer Reduktion im gesamten Spektralbereich des blauen Kanals von ca Graustufen auf 256 wird dies beispielsweise verdeutlicht. Diese Annahme wird durch eigene Versuche und Octzipka S. 102 bestätigt. Eine ideale Lösung wären hierbei 16-Bit-Daten, die bei diffusen Lichtverhältnissen aufgenommen worden sind. Diese haben den Vorteil, dass sie so gut wie keine Schatten aufweisen. [Luftbild diffuses Licht] Dies ist aber nur äußerst selten der Fall, da dafür ideale Verhältnisse herschen müssen, die höchstens zwei bis drei Tage im Jahr auftreten. Des Weiteren ist unbedingt zu beachten, dass 8-Bit-Daten, die aus höher aufgelösten Daten generiert wurden, immer in den Spektralbereichen verändert sind. 7 Klassifizierung 7.1 Grundlagen zur multispektralen Klassifizierung Bei einer Klassifizierung wird versucht, Objekte mit ähnlichen Eigenschaften, wie Gebäude, Bäume etc., zu identifizieren und in Merkmalsgruppen einzuteilen. (Abb. 6) In der Fernerkundung werden dazu meist mehrere Farbkanäle zur gleichen Zeit verwendet. Eine mögliche Kombination wäre Rot, Grün, Blau und nahes Infrarot zur Detektion von Vegetation. [Norbert de Lange] Mittlerweile gibt es zwei grundlegende Verfahren der Klassifizierung. Zum Ersten die pixelbasierte Klassifizierung und zum anderen die objektbasierte Klas-

36 22 Theoretische Grundlagen sifizierung. In den folgenden Kapiteln soll detailliert auf beide Methoden eingegangen werden. Abb.6: Pixelwerte im Merkmalsraum 7.2 Pixelbsierte Klassifizierung Allgemein Bei der pixelbasierten Klassifizierung wird grundlegend davon ausgegangen, dass jedes Pixel in seiner Gesamtheit (zusammengesetzt aus mehreren Kanälen) berücksichtigt wird. Es wird versucht, die Pixel mit ähnlichen Eigenschaften in Punktwolken oder Cluster einzuteilen, um sie dann mit entsprechenden Algorithmen einer Klasse zuzuordnen. Dies ist zurzeit noch die gängigste Methode zur Klassifizierung von Objekten. Als Softwarebeispiel ist hier das Programmpaket Erdas Imagine zu nennen. Bei der pixelbasierten Klassifizierung unterscheidet man prinzipiell zwei Klassifizierungsmethoden. Es werden Verfahren der unüberwachten und der überwachten Klassifikation unterschieden. [De Lange, S. 415]

37 7 Klassifizierung Unüberwachte Klassifizierung Bei der unüberwachten Klassifizierung besteht die Aufgabe, die Gesamtheit der Bildelemente in eine Anzahl von Klassen ähnlicher spektraler Eigenschaften zu unterteilen. [Alberts, S. 158] Die Anzahl der Klassen kann frei bestimmt werden. Diese Klassifizierungsmethode wird meist genutzt, um einen groben Überblick zu geben. Angaben über Klassen werden nicht gemacht, sodass diese erst nach der Klassifizierung zugewiesen werden Überwachte Klassifizierung Die überwachte Klassifizierung unterscheidet sich von der unüberwachten Klassifizierung dahingegen, dass Klassengrenzen mithilfe von Referenzflächen (Trainingsgebieten) ermittelt werden. Die daraus resultieren Werte, die in einem Merkmalsraum beschrieben sind, werden dann mithilfe von bestimmten Klassfifizierungsverfahren auf andere Pixel mit ähnlichen Eigenschaften übertragen und der jeweiligen Klasse hinzugefügt. Für die Zuordnung der Referenzfläche und der ermittelten Pixel zu einer Klasse, ist die Kenntnis über die Referenzfläche erforderlich. Die vorher erwähnten Klassifizierungsverfahren sollen im folgenden Kapitel erläutert werden Klassifizierungsverfahren der pixelbasierten Klassifizierung Es wird in vier Haupttypen von Klassifikationsmethoden in Erdas unterschieden: - Quader-Verfahren (Parallelepiped Classification oder Box Klassifikaton) - Minimum-Distance-Verfahren (Verfahren der nächsten Nachbarschaft) - Maximum-Likelihood-Verfahren (Verfahren der größten Wahrscheinlichkeit) - Hierarchische Klassifizierung (nach Albertz; S. 161;De Lange, S. 417)

38 24 Theoretische Grundlagen Quader-Vefahren Das Quaderverfahren (Abb. 7) ist die rechentechnisch einfachste Methode. Bei dieser Methode werden in jedem Spektralkanal Klassenober- und untergrenzen bestimmt. Dies hat zur Folge, dass z. B. bei einer zweikanaligen Klassifizierung ein einfaches Rechteck entsteht. Es wird im Idealfall dadurch auf simple Weise entschieden, ob sich Pixelwerte in oder außerhalb der Box, also einer Klasse, befinden. (nach Albertz; De Lange) Abb.7: Quader-Verfahren

39 7 Klassifizierung Minimum-Distance-Verfahren Beim Verfahren der nächsten Nachbarschaft, wie die Minimum-Distance Klassifizierung (Abb. 8) auch bezeichnet wird, werden Abstände der Pixel zu Klassenmitten ermittelt. Auf diese Weise werden dann Pixel, die am nächsten an einem Klassenzentrum sind, dieser Klasse zugeordnet. (nach Albertz; De Lange) Abb.8: Minimum-Distance-Verfahren Maximum-Likelihood-Verfahren In diesem mit statistischen Methoden aufgebauten Verfahren gilt die Zuordnung der Pixel zu einer Klasse nach der größten Wahrscheinlichkeit (Abb. 9 ). Hierbei wird eine Normalverteilung der Werte um einen Klassenmittelpunkt angenommen. Hergeleitet werden die Wahrscheinlichkeitsfunktion aus den Daten der vorgegebenen Trainingsflächen. (Albertz, S. 159) Dieses Verfahren ist das rechenaufwändigste und führt meist zu guten Klassifizierungsergebnissen (nach Albertz; De Lange) Abb.9: Maximum-Likelihood-Verfahren

40 26 Theoretische Grundlagen Hierarchische Klassifizierung Diesem Verfahren liegt ein grundsätzlich anderer Ansatz als bei den zuvor genannten zu Grunde. Herbei wird eine Klassenzugehörigkeit mithilfe von Einzelunterscheidungen (Abb.10) bestimmt. Diese hierarchischen Strukturen sind so aufgebaut, dass immer die Frage Ja oder Nein gestellt wird. Als Beispiel wird die Oberklasse Vegetation gewählt. (nach Albertz) Abb.10: Hierarchisches-Verfahren Trainingsgebiete Bei der Wahl von Trainingsgebieten (Abb.11) sollte möglichst auf Eindeutigkeit zur Zugehörigkeit eine Klasse geachtet werden. Dies bedeutet, dass ein Trainingsgebiet repräsentativ für die ihm zugeordnete Klasse stehen soll. Es nützt nichts, Trainingsgebiete zu wählen die, sehr heterogen sind, da dies die Zugehörigkeitsgrenzen enorm ausweitet. Des Weiteren sollte darauf geachtet werden, dass Höheninformationen in einem Trainingsgebiet nicht zu sehr schwanken. Wie zuvor erwähnt, kann es bei der Erstellung des Höhenmodells zu Datenlücken oder zur Ausweitung der Höhen kommen. Sollte zum Beispiel eine solche Lücke getroffen werden, erweitert sich der Wertebereich enorm. Somit sind graue Dachflächen ab einer Höhe von 50 m genauso wahrscheinlich wie graue Dachflächen auf einer Höhe von 0,30 cm. Das ist genau gegenläufig zu dem, was erreicht werden soll. Der Übersicht halber wird empfohlen, sich hierarchisch zuvor eine Aufstellung

41 7 Klassifizierung 27 der zu detektierenden Klassen zu machen und diese, begonnen mit der höchsten Einheit, abzuarbeiten. Die höchste Einheit soll hier diejenige sein, die flächenmäßig am meisten vertreten und am homogensten ist. Im Untersuchungsgebiet von Paris wäre es die Klasse Wasser, gefolgt von Bäumen und Grünflächen, Straßen, versiegelten Flächen, Gebäuden und Schatten. Abb.11: Trainingsgebiete Anpassen von Trainingsgebieten mittels Parallelepiped Limits Mithilfe der Parallelepiped Limits können ermittelte Werte der Trainingsgebiete angepasst und optimiert werden. Hierbei werden Klassengrenzen vom Bearbeiter manipuliert und auf beliebige Werte festgesetzt. So können Streuwerte eliminiert werden. Dies ist besonders bei der Verwendung von Höhen sinnvoll. Zu bedenken ist aber, dass dadurch in die Trainingsgebietsvergabe eingegriffen wird und es somit kein Automatismus mehr ist. Die Möglichkeit, in andere Kanäle einzugreifen, besteht ebenfalls, sollte aber weitestgehend unterlassen werden, um die Werte nicht zu manipulieren und den dann doch erheblich steigenden Zeitaufwand zu vermeiden.

42 28 Theoretische Grundlagen Digitale Filter (Räumliche Filter) Filter dienen in erster Regel der Veränderung eines Bildes. Durch Einsetzen von Filteroperationen werden bestimmte Eigenschaften entweder betont oder in den Hintergrund gedrängt. Es wird dementsprechend in grundsätzlich zwei Filteroperationen unterschieden. Zum Ersten die Hochpassfilter, die Bilddetails durch die Betonung der hohen [Orts]frequenzen ( Variation der Grauwerte in einer Pixelumgebung) hervorheben (De Lange S. 410 Z. 1-2), um lokale Extrema aufzuspüren. Zum Zweiten die so genannten Tiefpassfilter, die lokale Extrema unterdrücken und niedrige Ortsfrequenzen hervorheben sollen. (nach De Lange S ) Filter können dementsprechend eingesetzt werden, um Klassifikationsergebnisse zu beeinflussen. In der Regel werden Filter in einer Klassifikation dazu genutzt, um Streupixelwerte zu eliminieren. Dadurch soll eine homogenere Fläche erzeugt werden. Dabei sollte aber stets beachtet werden, dass es sich hierbei immer um eine Manipulation von Ergebnissen handelt. Außerdem werden Filteroperationen immer auf alle Pixel eines Bildes angewendet, sodass auch Pixel manipuliert werden, die gar nicht manipuliert werden sollen. Eine Möglichkeit wäre es, gezielt Klassen mit einer Maskenfunktion zu extrahieren und diese dann mit einer Filterfunktion zu versehen. Als besonders effektiv hat sich bei der Glättung von Klassifikationsergebnissen der Median Filter erwiesen. Dieser statistische Filter wirkt nur als Mittel der Pixel einer Suchmatrix und ist im Gegenzug zu einem arithmetischen Mittel weniger anfällig gegenüber Extremwerten. Dies soll bedeuten, dass Klassengrenzgebiete nicht so stark verändert werden. Die Stärke oder Auswirkung eines Filters wird durch die Größe der Suchmatrix bestimmt. Es wird für geringfügige Veränderungen die 3 mal 3 Matrix empfohlen Problem der pixelbasierten Klassifizierung Bei einer Klassifizierung von hochaufgelösten Daten, insbesondere bei radiometrisch und geometrisch hochaufgelösten Daten, stößt die pixelbasierte Klassifizierung mittlerweile an ihre Grenzen. Dadurch, dass die Bodenauflösung mancher Kameras deutlich die Objektgröße unterschreitet, kann für ein Objekt oftmals schon eine Vielzahl an Charakteristika festgestellt werden(okzipka S. 58), sodass sich die Wahrscheinlichkeit enorm erhöht, dass diese Eigenschaften

43 7 Klassifizierung 29 an Objekten auftreten, die nicht in dieser Klasse vertreten sein sollen. Ein weiterer Grund ist die explodierende Anzahl an Trainingsgebieten, die benötigt wird, um Flächen eindeutig (z. B. Dachflächen) zu beschreiben. Im Ergebnis liefern solche Klassifikationen einen so genannten Salz und Pfeffer Effekt in der grafischen Präsentation. (De Lange S 420 Z. 10) Dies bedeutet, dass eigentlich homogene Flächen, wie Felder, eine auffällige Anzahl an fehlklassifizierten Pixel beherbergten. Dies kann die spätere Interpretation der Ergebnisse erschweren. Zur Glättung dieser Effekte können Filter effektiv eingesetzt werden (De Lange S. 420 Z ) 7.3 Objektbasierte Klassifizierung Objektbasierte Klassifizierung im Allgemeinen Die objektbasierte Klassifizierung beruht auf dem Prinzip der Segmentierung von Pixel in Bildern. Grundlegend ist die Annahme, dass ein Pixel umgeben von Pixeln mit meist ähnlichen Eigenschaften ist, die zusammen ein Objekt beschreiben. Objekte zeichnen sich durch ähnliche Parameter, wie Farbe, Form und Textur, aus und werden erfasst und zusammengefasst. (De Lange S. 422) Diese Pixelhaufen werden zusammengeführt und bilden ein Segment. Diese Segmente entsprechen einfachen Objekten, die durch Klassifizierungsalgorithmen zusammengefasst werden zu homogenen, klassifizierten Flächen. (nach Koch, Jochum Ivits, Dees S. 195). Nach Koch et Al. ist aber gerade das Zusammenfassen zu Objekten zum Beispiel in Waldgebieten ein Problem, da diese Schritte oftmals eine Art der Generalisierung bedeuten, die Informationen verschlingen können. Es können wichtige spektrale Informationen verloren gehen da die Segmentierung durch die einstellbaren und nicht unmittelbar beeinflussbaren Parameter immer ein subjektiver, auf Kenntnis und Fähigkeiten des Bearbeiters beruhender Vorgang ist. Diese Generalisierung beruht somit zum großen Teil auf dem subjektiven Empfinden des jeweiligen Bearbeiters, was wiederum ein Problem der Einheitlichkeit und Fortführung durch andere Bearbeiter zur Folge hat. In Gebieten, in denen es hauptsächlich auf visuelle Interpretation ankommt, zum Beispiel in Stadtgebieten, kann es nach weitläufiger Meinung gerade ein enormer Vorteil bei hochaufgelösten Daten sein, Objekte zusammenzufassen da es, wie oben erwähnt, weniger zu dem so genannten Salz-und-Pfeffer-Effekt kommt.

44 30 Theoretische Grundlagen Eine spätere Auswertung wird somit wesentlich vereinfacht. Daher ist sicherlich die objektbasierte Klassifizierung ein Mittel, welches je nach Aufgabengebiet und geometrischer Auflösung gut eingesetzt werden kann, aber die pixelbasierte Klassifizierung noch nicht so schnell ablösen wird Process Tree Der Prozess Tree (Abb. 12) ist eine der Hauptkomponenten der Definiens Software. Im Prozess Tree werden alle Arbeitsabläufe erstellt und verwaltet. Wie der Name schon sagt, gibt können die hier erstellten Prozesse baumartig gegliedert werden. Die hauptsächlichen Komponenten sind die Segmentierungs-, Klassifikations- und Export-Abläufe die mittels Drop-Down-Menü ausgewählt werden können. Es können Abläufe auch gruppiert werden. Dadurch können Prozesse gezielter eingesetzt werden. Bei geschickter Anordnung der Prozesse können der gesamte vorher definierte Arbeitsablauf oder Teile davon, ohne Unterbrechung durchgespielt werden. Abb.12: Process Tree Klasseneinordnung Die Klassenzuordnung erfolgt in Definiens Developer durch mehrere Methoden. Zum einen werden Klassen nach ihrer Semantik in Gruppen (Groups) geordnet und zum anderen nach ihrer Vererbung (Inheritance). Diese beiden Ordnungs-

45 7 Klassifizierung 31 ansätze können unabhängig voneinander angeordnet werden. Klassen werden aber in beiden Hierarchien abgebildet. Besonders bei der Zuordnung nach der Vererbung sollte von vornherein klar sein, wie die jeweilige Klasse aufgebaut ist und welches ihre Besonderheiten sind. Hierbei geht es primär um das Vererben von Eigenschaften von Elternklassen auf Kinderklassen. Wie zuvor beschrieben, können Klassen ähnliche Eigenschaften haben, die sich nur durch geringe Merkmalsunterschiede unterscheiden lassen. Unter anderem bauen Klassen aufeinander auf. Wie das beschriebene Beispiel Vegetation (Kapitel ) zeigt, ist es hilfreich, bestimmte Eigenschaften weiterzuvererben. Dies verschafft den Vorteil, dass Klasseneigenschaften nicht für jede Klasse neu bestimmt und editiert werden müssen und gröber erfasste Klassen können leichter untereilt werden (zum Beispiel Wald in Misch- und Nadelwald) Segmentierung Die Segmentierung ist die grundlegende Funktion in Definies, die die Arbeitsabläufe entscheidend prägt. Aus diesem Grund sollte hierauf besondere Rücksicht genommen werden. Die Segmentierung entscheidet später über eine gelungene oder nicht gelungene Klassifikation. Werden die Segmente zu groß, werden Bereiche des Bildes generalisiert, die vielleicht gar nicht zusammengehören. Werden die Segmente zu klein, ist dies auch von Nachteil, da der Sinn der Segmentierung, das Zusammenfassen ähnlicher Pixel verfehlt wird und somit eine Klassifikation unnötig verkompliziert. Eine ideale Lösung gibt es nicht, da die Angabe der Parameter je nach Aufgabe und des Bildinhaltes variieren können. Für ein klareres Verständnis sollen die entscheidenden Parameter kurz erläutert werden. Levelname Hier kann der Name für das jeweilige Detail-Level bestimmt werden. Segmentierungs Einstellung Image Layer wheigts Unter diesem Menüpunkt werden die Layer und ihre Gewichtung bestimmt, die bei der Segmentierung eine Rolle spielen sollen. So kann zum Beispiel die Höhe Einfluss auf die Segmentierung haben oder nicht.