Möglichkeiten der objektorientierten Klassifizierung von Waldgebieten aus CIR- Luftbildern

Transkript

1 Diplomarbeit Möglichkeiten der objektorientierten Klassifizierung von Waldgebieten aus CIR- Luftbildern bearbeitet von Stefan Stoinski vorgelegt an der Technischen Universität Berlin Fachgebiet für Geoinformationsverarbeitung in der Landschafts- und Umweltplanung Institut für Landschaftsarchitektur und Umweltplanung Betreuer: Dipl. Geoökologe M. Förster Prof. Dr. B. Kleinschmit Prof. Dr.-Ing. O. Hellwich

2 Die selbständige und eigenhändige Anfertigung versichere ich an Eides statt. Berlin, den Unterschrift

3 Inhalt 1 Einleitung und Aufgabenstellung Zielsetzung Untersuchungsgebiet und Datengrundlage Datengrundlage Theoretische Grundlagen Objektorientierte Klassifikation Objektbasierte Klassifikation mit ecognition Segmentierung Segmentierungs- und Klassenhierarchie Process Tree Klassifikation Features Texturen Nachbarschaftsbeziehungen Betrachtung unterschiedlicher Parameter Scale-Parameter Gewichtung Shape-Parameter Auswertung der CIR-Luftbilder Bewertung des Untersuchungsgebietes Verwendete Methodik Segmentierungshierarchie Klassenhierarchie Klassifikation Genauigkeit der Klassifikation Diskussion der Klassifikation Übertragung auf andere CIR-Luftbilder Übertragung ohne Änderung der Parameter Übertragung und Anpassung der Parameter Zusammenfassung und Ausblick Fazit Aussicht

4 7 Literaturverzeichnis Abbildungsverzeichnis

5 1 Einleitung und Aufgabenstellung Im Jahre 1992 beschloss die EU eine Richtlinie zum Schutz besonderer Arten. Diese Fauna- Flora-Habitat-Richtlinie 92/43/EWG (FFH-RL) beinhaltet als Kernstück die Ausweisung besonderer Schutzgebiete für bestimmte Lebensraumtypen (LRT) und Arten. Das europäische Schutzgebietssystem Natura 2000 wird zusammen mit der FFH-RL gebildet und der langfristige Erfolg dieser Richtlinie hängt maßgeblich davon ab, ob es gelingen wird, die erforderlichen Schutz- und Entwicklungsmaßnahmen für die LRT und Arten auf Dauer sicherzustellen. (BURKHARDT et al., 2004) Die Beobachtung dieser Entwicklung erfolgt über ein Monitoringverfahren, wobei laut FFH- RICHTLINIE (1992) Artikel 17 alle sechs Jahre eine Erfolgskontrolle vorgesehen. Seit Ende der 30er Jahre hat sich die visuelle Luftbildinterpretation methodisch etabliert. Sie ist Datengrundlage zahlreicher Anwendungen, Planungen und Dokumentationen geworden (LANG et al., 2003). Seit dieser Zeit gab es zahlreiche Neuerungen in der Bildinterpretation, welche mit Einführung der digitalen Photographie ein noch breiteres Forschungsspektrum aufspannten. Die zumeist pixelbasierten Ansätze der Bildinterpretation wurden durch einen objektbasierten Ansatz erweitert. Diesen objektorientierten Bildsegmentierungsansatz zur Klassifikation verfolgend, entwickelte die Firma Definiens AG (früher Delphi) das Softwarepaket ecognition, welches im Jahr 2000 veröffentlicht wurde. Mit Hilfe der Software Definiens Professional 5 (auch ecognition genannt) wird im Rahmen dieser Diplomarbeit eine objektorientierte Klassifikation von Waldgebieten auch im Hinblick einer Übertragung auf andere CIR-Luftbilder (Colored InfraRed-Luftbilder) gegeben. 1.1 Zielsetzung Ziel dieser Diplomarbeit ist es, CIR-Luftbilder, aufgenommen im Mai 2006, vom FFH- Gebiet Flyschberge bei Bad-Wiessee nach einzelnen Waldgebieten zu klassifizieren. Die CIR-Luftbilder besitzen zwar eine hohe geometrische Auflösung, weisen aber zum Teil eine hohe Korrelation zwischen den spektralen Kanälen auf. Die einzelnen Flächenobjekte 3

6 spektral voneinander zu trennen und diese zu klassifizieren, stellt das Hauptproblem dieser Arbeit dar. Für die Klassifikation soll die Software ecognition (Definiens Professional 5) der Firma Definiens AG eingesetzt werden. Im Gegensatz zu den sonst üblichen pixelbasierten Ansätzen zur Klassifikation von Bildobjekten, ist der von ecognition verwendete Ansatz objektorientiert. Im Zuge der Diplomarbeit soll vor allem auf die Möglichkeiten der objektorientierten Klassifikation mit ecognition eingegangen werden. Zu Beschreiben sind weiterhin die Vorteile einer objektorientierten Herangehensweise sowie die methodischen Ansätze der benutzten Software. Das methodische Vorgehen bei der Interpretation von Luftbildern steht dabei ebenso im Vordergrund wie deren Auswertung. Bei der Interpretation der CIR-Luftbilder soll eine Unterteilung in die einzelnen Waldgebiete nach dem Schlüssel der FFH-RL erfolgen. Die verwendete Methodik soll erläutert werden. Um den Zeit- und Geldaufwand bisheriger Luftbildauswertungen zu minimieren, soll eine Übertragung der gefundenen Methodik auf andere CIR-Luftbilder und die Möglichkeit eines Automatismus oder Halbautomatismus diskutiert werden. 4

7 2 Untersuchungsgebiet und Datengrundlage Für die Zuordnung des Untersuchungsgebietes in eine geographische Region erfolgt eine Einteilung in Lage, Relief, Geologie, Klima und Vegetation. a) Lage Bad Wiessee befindet sich im Bayerischen Wald im oberbayerischen Landkreis Miesbach in Deutschland direkt am Tegernsee. Das Untersuchungsgebiet liegt westlich von Bad Wiessee im voralpinen Gebiet und ist vorherrschend von Mischwald bedeckt. Das Testgebiet hat eine Größe von 969 m x 1005 m und ist zwischen der nördlichen Bacher-Alm und der südlichen Wachselmoos-Alm gelegen. In Abbildung 1 ist die Lage des Untersuchungsgebietes dargestellt. a b c Abb. 1: a) Lage des Landkreises Miesbach in Deutschland; b) Lage des Landkreises Miesbach in Oberbayern; c) CIR-Luftbildausschnitt des Untersuchungsgebietes; d) Lage des Untersuchungsgebietes in der Kreis- und Freizeitkarte Miesbach; a) und b) (WWW, Miesbach); d) mit freundlicher Genehmigung von (STÄDTE-VERLAG, 2007) d 5

8 b) Relief Von Norden aus gesehen, ist der Alpenrand ein von dichten Wäldern bedecktes Vorgebirge ohne markante Gipfel (EWALD, 2006). Das Untersuchungsgebiet umfasst einen Höhenbereich von 800 m über NN (Bad Wiessee) bis 1324 m über NN (Koglkopf). Meist sehr steil ausgeprägte Unter- und Mittelhänge, an den Oberhängen abgerundete und verflachte Firsten und Kuppeln sowie tiefe und netzartig eingeschnittene Bäche bestimmen das Relief. Die Bachschluchten weiten sich an den Unterläufen zu schmalen Sohlenkerbtälern (EWALD, 2006). c) Geologie Das FFH-Gebiet befindet sich in den Molassen- und Flyschvoralpen (LIEDTKE & MARCINEK, 1995). Molassen sind tertiäre Ablagerungen im Alpenvorland, die sich aus einer Wechselfolge von Konglomeraten [ ] zusammensetzt und auf das Alpenvorlandmeer zurückgeht (DIERCKE, 1995). Für Flysch (schweiz.: fließen) gibt es in der Literatur unterschiedliche Definitionen (BÄTZING, 1997, WWW, satgeo, WWW, mineralienatlas, EWALD, 2006). Gemeinsam dabei ist, dass Flysch ein weiches Gestein (Mergel- oder Tonschiefer) mit ausgeprägten Schichtungen darstellt. Durch Gleitschichten (Tonschichten) sind Flyschhänge besonders rutschungsgefährdet und neigen zu Hangfließen und Rutschungen. Bei den Gesteinsschichten handelt es sich um aus Tiefseesedimenten entstandene rhythmische Wechsellagerungen von Kalken, Mergeln, Sandsteinen und Quarziten (EWALD, 2006). Am Anfang der Alpenfaltung befand sich ein tiefes Meer nördlich der Alpen. Trübeströme lagerten dort große Sedimentfrachten ab. Aufgrund großer vertikaler Distanzen beim Absinken erfolgte eine Korngrößensortierung (Grauwracke o. Sandstein Schluffsteine - schiefrige Mergel - Tonsteine, von unten nach oben). Es tritt eine wiederholte Abfolge solcher Bänke auf. Durch die im Tertiär vielfach gefalteten und übereinander geschobenen Gesteine sind die Schichten stark schräg gestellt. Einige sind überkippt, und die Richtung des Fallens der Schichten ist ungeordnet. Dies lässt auf eine intensive Faltung schließen. (EWALD, 2006) d) Klima Großklimatisch gehört das Untersuchungsgebiet zum Klimabezirk Bayerische Alpen. Bestimmend für den Witterungscharakter sind die orographischen Gegebenheiten (Einfluss der Gebirgszüge und der Taleinschnitte auf das Wettergeschehen) (WWW, Bad Wiessee). Es herrscht ein vorwiegend subatlantisches, wolkenreiches Montanklima (EWALD, 2006). 6

9 e) Vegetation Vorherrschend im voralpinen Gebiet sind Bergmischwälder. Diese schließen submontan und montan gemischte Wälder mit wechselnden Anteilen von Tanne, Buche, Fichte und Bergahorn ein. Hinzu kommen bodensaure Buchenwälder, die im Bayerischen Wald und den Alpen in Höhenlagen zwischen 800 m und 1400 m über NN vorkommen (WWW, BSF). Potenziell natürliche Vegetation liegt in den Flysch-Voralpen nach LIEDTKE & MARCINEK (1995) oberhalb 1000 m mit Peitschenmoos-Fichtenwald und unterhalb 1000 m mit Labkraut- Buchen-Tannenwald vor. Speziell im Untersuchungsgebiet im Albvorland herrschen großflächige Schlusswälder wie tannen- und fichtenreichen Berglandformen der Waldmeisterund reicher Hainsimsen-Buchenwälder vor (LIEDTKE & MARCINEK, 1995, EWALD, 2006). Weiterhin flächenmäßig bedeutende Vegetationseinheiten sind Bergahorn-Schluchtwälder an Rutschhängen sowie buchenarme Tannen-Fichtenwälder feuchter und wechselfeuchter Böden (EWALD, 2006). Abb. 2: Blick auf den Tegernsee und Vegetationsauszug (WWW, flyschberge) 7

10 2.1 Datengrundlage Als Datengrundlage dienen gescannte, georeferenzierte und orthorektifizierte CIR-Luftbilder des Voralpengebietes. Diese haben eine Bodenauflösung von 0,4 m. Trotz der hohen geometrischen Auflösung haben diese Bilder eine eher schlechte Qualität. Ursachen hierfür sind vor allem die drei Farbkanäle, welche zum Teil stark miteinander korreliert sind. Außerdem liegt die radiometrische Auflösung bei 8 Bit (256 Grauwerte), weshalb spektral ähnliche Flächen schwerer zu trennen sind (SEILER, U., 2004). Die benachbarten CIR-Luftbilder weisen eine relativ hohe Variabilität bezüglich ihrer Helligkeits- und Kontrasteigenschaften auf, die aus den variablen Beleuchtungsintensitäten, Mitlicht-/Gegenlichteffekten oder aus nachfolgenden Digitalisierungsschritten entstanden sein können. Die orthorektifizierten CIR-Luftbilder liegen als Orthophotomosaik vor (Abb. 3) und auf Grund der beschriebenen Unterschiede in den einzelnen CIR-Luftbildern ergeben sich auch für die Auswertung ähnlicher Waldflächen relativ hohe Unterschiede in der Grauwertverteilung. (ATZBERGER & SCHLERF, 2002) Die gegebenen Höheninformationen aus einem SRTM (Shuttle Radar Topography Mission) sind nicht nutzbar, da in diesem für das Untersuchungsgebiet keine Höheninformationen vorliegen bzw. ableitbar sind. Abb. 3: Orthophotomosaik des Kartenblattes 5285N4475E erstellt aus den CIR-Luftbildern der Befliegung vom Mai

11 3 Theoretische Grundlagen In der Vergangenheit wurden zu allererst visuell bestimmte Bildobjekte Klassen zugeordnet. Mit Einführung der Digitalisierung und später der digitalen Photographie wurden Algorithmen entwickelt, welche sich grob in überwachte und unüberwachte und in neuester Zeit in segmentbasierte Klassifikation aufteilen lassen (KLEINSCHMIT & FÖRSTER, 2005). Dabei sind die ersten beiden Klassifikationsmöglichkeiten pixelbasiert, d.h. dass lediglich die spektralen Informationen der einzelnen Pixel für die Klassifikation herangezogen werden. Bei der segment- oder auch objektorientierten Klassifikation werden neben den spektralen Informationen [ ] auch Eigenschaften für die Klassifizierung herangezogen [ ], die auf den Wechselbeziehungen dieser Objekte zueinander basieren (OCHS et al., 2003.). Es wird also davon ausgegangen, dass benachbarte Pixel höchstwahrscheinlich die gleiche Klassenzugehörigkeit besitzen (KOCH et al., 2003). Die Klassifikation erfolgt nun nicht mehr anhand der einzelnen Pixel sondern mit den gebildeten Segmenten und ihren spezifischen Merkmalen. JÄHNE (2002) nimmt eine Unterteilung der Segmentierungarten in pixelbasiert, kantenbasiert, regionenorientiert und modellbasiert vor. Klassifikation ist eine abstrakte Darstellung einer Situation in einer Szene (eines Momentes) mit definierten, diagnostischen Kriterien (DI GRIGERIO & JANSEN, 2005). Sie stellt die Zuweisung oder Einteilung von Pixel oder Bildobjekten (-segmenten) zu bestimmten Klassen dar (KLEINSCHMIT & FÖRSTER, 2005, ABMAYR, 1994, CAMPBELL, 2002), wobei eine Klasse aus dem französischen classe abgeleitet ist und eine Gruppe mit besonderen, gemeinsamen Merkmalen beschreibt (WWW, galileo). Den Bildobjekten wird also eine bestimmte Bedeutung zugewiesen, welche mit den realen Objekten identisch sein soll. Bei Luft- bzw. Satellitenbildern gilt hierbei die Aufgabe, allen Pixel eines Bildes Landbedeckungsklassen zuzuordnen (LILLESLAND & KIEFER, 1994). Die Abbildung, bei welcher jedes Pixel genau einer Landbedeckungsklasse entspricht (zugeordnet wird), ist eine Klassifizierung (LOHMANN, 1991). Um die Vorteile der objektorientierten Klassifikation darlegen zu können, wird im Folgenden die pixelbasierte Klassifikation betrachtet. Die pixelbasierten Klassifikationen werden in die beiden Bereiche überwachte und unüberwachte Klassifikation eingeteilt. 9

12 Unüberwachte Klassifikation Hierbei werden mittels verschiedener Algorithmen der Clusterbildung Klassen gebildet. Dabei ist es nicht notwendig, dass diese Klassen a-priori mit den vorherrschenden Landnutzungsklassen übereinstimmen. Vielmehr erfolgt eine Zuordnung erst im Anschluss an die Klassifikation. Dabei ist ein Vergleich mit der Realität notwendig (SCHERNTHANNER, 2006). Beispiele für eine unüberwachte Klassifikation sind RGB Cluster, Migrating Means (ISODATA) (SUN, 2004), Single-Pass Clustering (FERBER, 2003), Agglomeratives Hierarchisches Clustern (AHC) (CHELCEA, 2006) oder Histogramm-Peak Suche. Überwachte Klassifikation Bei der überwachten Klassifikation werden zuerst die zu betrachtenden Klassen anhand ihrer spektralen Merkmale definiert. Es werden Areas of Interest (AoI) und Trainingsgebiete, definiert, welche man im Vorfeld unter Zuhilfenahme von Geländekenntnissen, zusätzlichem Wissen, visueller Interpretation der Bilder oder mittels Ortsbegehungen bestimmt. Bei diesen Stichproben werden die Häufigkeitsverteilungen der Objektklassen bestimmt. Die Trainingsflächen sollen dabei homogen und für die Klasse repräsentativ sein (Cho, 2002). Die spektralen Eigenschaften aus diesen Trainingsgebieten werden anschließend mit dem ganzen Bild verglichen und es erfolgt eine Zuordnung der betreffenden Pixel zu den definierten Klassen. Notwendig dafür ist aber, dass für jede zu bildende Klasse entsprechende Trainingsgebiete definiert wurden (BOCK, 1995). Die überwachte Klassifikation ist eine gute Methode, wenn man nur einige wenige (oder ganz bestimmte) Bereiche im Bild klassifizieren möchte (ERDAS, 2003). Beispiele für dieses Verfahren der Klassifizierung sind Grauwertvergleiche, das Quaderverfahren (ALBERTZ, 1991), das Minimum-Distance Verfahren (SUN, 2004), das Maximum Likelyhood (ALBERTZ, 1991) oder das Decision-Tree Verfahren (RIEDEL et al., 2006). 10

13 3.1 Objektorientierte Klassifikation Im Gegensatz zur pixelorientierten Klassifikation dienen bei objektorientierten Klassifikationen Bildobjekte oder -segmente als grundlegende Verarbeitungselemente. Dies hat den Vorteil, dass man dadurch einerseits eine Datenreduktion erreicht, andererseits kann man nachbarschaftliche Beziehungen der Bildobjekte mit in die Klassifikation einbeziehen. Ebenfalls wird die Topologie der Objekte mit berücksichtigt und es können verschiedene Maßstabsbereiche (Objektebenen) kombiniert werden. Dabei ist zu beachten, dass einzelne Pixel, hier als Sonderfall, den kleinsten Maßstabsbereich der Bildobjekte bilden. Man will also erreichen, dass die gebildeten Bildobjekte mit den realen Objekten identisch sind. Warum nutzt man nun die objektorientierte Klassifikation? HESE (2007) und BAATZ et al. (1999) beschreiben sinnvolle Gründe, warum man das objektorientierte Verfahren nutzen sollte bzw. welche Vorteile sie gegenüber dem pixelorientierten Verfahren bieten: es erfolgt eine Verarbeitung unterschiedlicher Datenbestände (z. B. aus einem GIS oder anderer Fernerkundungsdaten unterschiedlicher Auflösung) durch maßstabsunabhängige Informationen es sollen Erdbeobachtungsdaten mit sehr hoher geometrischer Auflösung (besser 5 m) und entsprechend sehr hoher spektraler Varianz einzelner thematischer Klassen klassifiziert werden auf Grund der unterschiedlichen geometrischen Eigenschaften der Klassenobjekte soll die Klassifikation in unterschiedlichen Skalen durchgeführt werden eine Analyse vielfältiger klassenbasierter Abhängigkeiten sowie die Erfassung komplexer Kontextinformationsgefüge (Postklassifikation) wird realisiert die Berücksichtigung von Kontextinformationen wie Formmerkmale, Ausrichtung von Objekten oder Nachbarschaftsverhältnisse zu benachbarten Klassen erfolgt es kann eine einfachere Analyse von texturierten Bilddaten durchgeführt werden 11

14 eine Verschneidung mit Methoden der Strukturanalyse der resultierenden Objekte wird angestrebt durch die Identifikationswahrscheinlichkeit hat der Benutzer die Möglichkeit, die Flächen differenziert zu betrachten und nur die Flächen mit hoher bzw. sicherer Identifikationswahrscheinlichkeit auszuweisen das Verfahren ist transparent (das Regelwerk) und die Klassifikation eines Bildobjektes kann an jedem Bildort nachvollzogen werden ein direkter Vektordatenexport in ein GIS ist gewährleistet Das eigentliche Ziel der Datenanalyse ist nach HESE (2007) die Ableitung von Bild- Segmenten für weiterführende Auswertungen in Strukturanalysesoftware. 3.2 Objektbasierte Klassifikation mit ecognition Die unten stehende Abbildung 4 veranschaulicht schematisch die Vorgehensweise der objektorientierten Bildinterpretation mit Definiens Professional 5 und wird im Folgenden beschrieben. Abb. 4: Arbeitsablaufschema der Bildinterpretation mit ecognition 12

15 Nachdem das oder die zu bearbeitenden Bilder geladen wurden, erfolgt eine erste Segmentierung. Diese Segmentierung erzeugt homogene Bildbereiche (Bildobjekte oder - segmente) und ist Grundlage für die weiterführende Arbeit als auch für die zu erreichende Genauigkeit. Nach der Definition geeigneter Objektklassen erfolgt eine erste Klassifikation der bestehenden Bildobjekte. Für diesen Teil stehen in ecognition unterschiedliche Werkzeuge zur Verfügung. Ebenso können zusätzliche Informationen wie thematische oder Vektorlayer (z. B. aus einer Vorverarbeitung der Bilder), zusätzliche Daten aus einem geographischen Informationssystem (GIS) (als Rasterlayer oder thematischer Layer), Höhenmodelle (als Rasterlayer) oder aber auch Fernerkundungsdaten anderer Sensoren mit in die Bearbeitung eingebracht werden. Gewisse Erfahrung und Vorwissen des Bearbeiters in der Bildinterpretation sind von großem Vorteil, da dadurch der Zeitaufwand erheblich minimiert werden kann. Anschließend erfolgt eine erste (meist visuelle) Interpretation der Ergebnisse. Da die klassifizierten Bildobjekte meist nicht oder nicht genügend den Objekten in der Realität entsprechen, ist eine zweite Segmentierung ratsam. Man hat also die Möglichkeit, eine Segmentierungshierarchie festzulegen. Anschließend erfolgt erneut eine Klassifikation und Interpretation der Bildobjekte des aktuellen Segmentierungslevels usw.. Man kann das iterativ bis zur erforderlichen Genauigkeit durchführen. Das Endergebnis der Bildinterpretation kann in verschiedenen Formaten zur Weiterverarbeitung (z. B. Genauigkeitsanalyseprogramme) oder zur visuellen Aufbereitung (z. B. als digitale Karte) exportiert werden. Besonders hilfreich ist, dass die einzelnen Arbeitsschritte gesondert abgespeichert werden können. Dies lässt eine schnelle Übertragbarkeit der Bildinterpretation auf andere Bilder zu. Im Folgenden werden die wichtigen Funktionen zur Interpretation von Bildern mit ecognition näher beschrieben Segmentierung Wichtigste Grundlage der Arbeit mit Definiens Professional 5 ist die Segmentierung des Bildes. Definiens verwendet dabei die Fractal Net Evolution Approach (FNEA) (BAATZ & SCHÄPE, 2000). Unter Segmentierung versteht man die vollständige Zusammenfassung von Pixel eines Bildes oder Bildausschnittes in sich abgrenzende, homogene Regionen (Segmente), welche sich nicht überlappen (GAUG, 2005), homogen und sinnvoll sind, wobei sinnvoll von der Fragestellung abhängig ist (CHO, 2002). Eine Segmentierung erfolgt unter dem Gesichtspunkt, dass durch die geschickte Wahl von Homogenitäts- bzw. Heterogenitätskriterien eine Aufteilung des Bildes derart erfolgt, dass sie dem Empfinden der 13

16 menschlichen Wahrnehmung (Gliederung des Bildes in verschiedene Objekte unterschiedlicher Farbe, Form, Textur ect.) sehr nahe kommt. Das Bildverständnis des Menschen geht dabei weit über das Sehen weit hinaus. Zwischen den visuell betrachteten Eingangsdaten, der menschlichen Mustererkennung und den Erinnerungen erfolgt ein hochaktiver kognitiver Prozess mit zahlreichen Schritten. Bei der Betrachtung eines Bildes folgt das Gehirn einem festgelegten Schema: es konzentriert sich zuerst auf Details (Objektprimitive), um sich im Anschluss daran ein Gesamtbild von der Szene zu konstruieren. (SCHMIDT, 2000) Ein Problem bei der Segmentierung mit Definiens Professional 5 besteht darin, dass für jedes einzelne Bild die Parameter entsprechend des Datentyps, der Szene und des gewünschten Ergebnisses gewählt werden müssen. Dies ist meist eine empirische aber zugleich auch die wichtigste Aufgabe des Bearbeiters, da hiervon die Genauigkeit der gesamten anschließenden Bildinterpretation abhängt. NIEMEIER (2001), HARALICK und SHAPIRO (1992), SCHNÖRR (1997), SAGERER & NIEMANN (1997), SONKA et al. (1998), Pal & Pal (1993) oder Freixenet et al. (2002) geben einen guten Überblick zum Thema Segmentierung. Für eine Segmentierung gibt es in ecognition verschiedene Möglichkeiten: a) Chessboard Segmentation b) Quad Tree Based Segmentation c) Spectral Difference Segmentation d) Multiresolution Segmentation a) Chessboard segmentation Diese Art der Segmentierung teilt eine Pixel- oder eine Bildobjekt-Domäne in Quadratische Bildobjekte. Der Parameter object size definiert hierbei die Größe der zu bildenden quadratischen Objekte in Pixel (DEFINIENS, 2006). Veranschaulicht wird diese Segmentierung in Abbildung 5. 14

17 Abb. 5: Ergebnis einer chessboard segmentation mit object size 20 (DEFINIENS, 2006/1) b) Quad tree based segmentation Hierbei wird eine Pixel- oder Bildobjekt-Domäne innerhalb einer Baumstruktur in vier quadratische Bildobjekte geteilt. Der scale -Parameter definiert den maximalen Farbunterschied innerhalb der gebildeten Segmentierungsquadrate. Es stehen zwei verschiedene Modi zur Verfügung: color und Super Object Form. Color definiert den maximalen Farbunterschied zwischen den quadratischen Bildobjekten (kleiner als der des scale-parameters). Bei dem Parameter Super Object Form gilt, dass jedes neu gebildete Bildquadrat komplett in das des Super-Objekts (übergeordnetes Objekt) passen muss. Natürlich muss dazu eine höhere Bildebene (image level) existieren (DEFINIENS, 2006/1). Die Abbildung 6 zeigt das Ergebnis einer quad tree based segmentation. Abb. 6: Ergebnis einer quad tree based segmentation im color-mode mit einem scale-parameter von 40 (DEFINIENS, 2006/1) c) Spectral difference segmentation Diese Art der Segmentierung wird verwendet, wenn Nachbarobjekte auf Grund ihrer mittleren Ebenenintensitäten, unterhalb eines definierten Schwellwertes, miteinander verschmolzen werden sollen. Dies kann also nicht zur Erzeugung eines neuen Levels ausgehend vom Pixel- 15

18 Level benutzt werden, da Objekte definitionsgemäß bereits vorhanden sein müssen. Möglichkeiten zur Spezifizierung liegen in der Wahl des Parameters der maximalen spektralen Differenz (maximum spectral difference) zwischen den Nachbarobjekten, der Gewichtung der einzelnen Layer und der Einbeziehung von thematischen Layern (sofern vorhanden) (DEFINIENS, 2006). Das Ergebnis dieser Segmentierung kann entweder im gleichen Level (use current) oder in einem neuen Level (create above) dargestellt werden. Weiterhin ist es möglich, alle oder nur bestimmte Klassen zu segmentieren. d) Multiresolution segmentation Bei diesem Verfahren zur Segmentierung werden die Kriterien der Homogenität und dadurch indirekt auch die der Heterogenität berücksichtigt. Die multiresolution segmentation basiert auf einem Region-Growing-Verfahren, bei welchem vor der Fusion die Homogenität benachbarter Objekte und die potentielle Heterogenität des zukünftigen fusionierten Objektes berücksichtigt werden (BAATZ & SCHÄPE, 2000). Parameter der Homogenität ist der scale - Parameter, welcher auch als Synonym für minimierte Heterogenität verstanden wird (DEFINIENS, 2006). Der scale-parameter bestimmt die minimale Heterogenität, die in den resultierenden Segmenten auftritt. Je homogener das Bild ist, desto größer werden die Segmente bei einem vorgegebenen scale-parameter. Dieser bestimmt indirekt, wie viele Segmente/Objekte gebildet werden. Dabei werden die anfänglich einzelnen Pixel (gleich kleinstes Segment oder Objekt) durch einen Region-Growing-Algorithmus innerhalb der Heterogenitätskriterien in größere Segmente überführt. Die Größe des scale-parameters bestimmt die Anzahl der Wiederholungen des region-growing-verfahrens und ist gleichzeitig ein minimaler Grenzwert bis zu welchem die Fusionierung der einzelnen Segmente durchgeführt wird (CHO, 2002). Ein kleiner Wert dieses Parameters ergibt demzufolge eine hohe Anzahl an Objekten, wohingegen ein großer Wert die Anzahl der Objekte verkleinert. Durch die Fusion der Einzelpixel in Cluster (Objekte/Segmente) werden diese bei der darauf folgenden Klassifikation anhand ihrer objektinternen spektralen Eigenschaften thematisiert. Auf eine Betrachtung der Einzelpixel kann also verzichtet werden (LESER, 2003). Für die Objekt-Homogenität werden intern die drei Kriterien Farbe (color), Glattheit (smoothness) und Kompaktheit (compactness) berechnet (DEFINIENS, 2006). Die Zusammensetzung dieser Homogenität kann somit über die vier Parameter Farbe, Form, Glattheit und Kompaktheit beschrieben werden, wobei sich die Form in die Formparameter Glattheit und Kompaktheit unterteilt (siehe Abb. 7). 16

19 Abb. 7: Übersicht der Homogenitätskriterien in ecognition (aus dem Fenster Scale Parameter Analysis) Farbe und Form als Eingabeparameter liegen im Intervall zwischen null und eins und ergänzen einander zu eins. Sie drücken die Prozentanteile des jeweils verwendeten Parameters bei der Segmentierung aus. Ändert man den Form-Parameter, so wird auch indirekt der Farb- Parameter geändert. Allerdings darf der Form-Parameter nicht größer als 0,9 sein (DEFINIENS, 2006/1), da sonst kein Bezug mehr auf die spektralen Eigenschaften des Bildes genommen werden kann. Beim shape-parameter kann man das Gewicht der Segmentierung entweder auf glatte Form (smoothness) oder auf kompakte Form (compactness) der Segmente legen. Auch die beiden Form-Parameter Glattheit und Kompaktheit liegen im Intervall zwischen null und eins und ergänzen einander zu eins. Das Ergebnis einer multiresolution segmentation ist in Abbildung 8 dargestellt. Abb. 8: Ergebnis einer multiresolution segmentation mit scale-parameter 10, shape 0,1 und compactness 0,5, (DEFINIENS, 2006/1) Das Luftbild mit seinen Farbinformationen ist in die drei Farbebenen rot, grün und blau aufgeteilt. Bei der Segmentierung können diese Ebenen unterschiedlich gewichtet werden (siehe Abb. 9), was einen gewünschten Einfluss auf das Segmentierungsergebnis liefern kann. Vegetation zum Beispiel, im CIR-Luftbild überwiegend rot dargestellt, kann besser detektiert werden, wenn man die Ebene rot hoch und die anderen beiden Ebenen (grün und blau) geringer gewichtet. 17

20 Abb. 9: Eingabefenster für die Parameter der Gewichtung der einzelnen Layer bei der multiresolution segmentation Segmentierungs- und Klassenhierarchie Die Notwendigkeit, eine Segmentierungshierarchie mit mehreren Ebenen anzulegen, besteht darin, dass es meist nicht möglich ist, Bildobjekte in einem einzigen Schritt zu klassifizieren. Ein weiterer Vorteil, der sich daraus ergibt, ist, dass man die Bildobjekte in verschiedenen Skalen vorliegen hat. Dies hat zur Folge, dass eine feinere Abstufung der Objekte und Zuordnung zu den Objektklassen vorgenommen werden kann, woraus eine Genauigkeitssteigerung resultiert. Die Einteilung der Klassen in ein hierarchisches Schema vereinfacht einerseits die Zuordnung der Klassen der einzelnen Segmentierungsebenen, andererseits besteht die Möglichkeit in ecognition, bestimmte Merkmale der Elternklassen auf die Kindklassen zu vererben. Somit kann die Klassifikation in den einzelnen Segmentierungsebenen wesentlich vereinfacht und überschaubarer werden. Segmentierungshierarchie Die Segmentierungshierarchie kann in mehreren Ebenen erzeugt werden (siehe Abb. 10). Dabei entstehen neue Bildobjekte durch Zusammenfassen kleinerer oder durch Zerlegen größerer Bildsegmente. Die Grenzen der Segmente bleiben dabei stets erhalten (STEINNOCHER & KRESSLER, 2007). 18

21 Abb. 10: Darstellung einer Bildobjekt-Hierarchie mit 3 Leveln (DEFINIENS, 2006) Das bei der Segmentierung aufgebaute hierarchische Netz von Bildobjekten beinhaltet auf dem untersten Level die einzelnen Pixel (pixel level) mit ihren spektralen Informationen. Im nächst höheren Level befinden sich die Objekte, welche die größtmögliche Detailgenauigkeit zur Klassifikation der Einzelobjekte besitzen. Diese werden in den nächsten Levels weiter zusammengefasst. Abb.11: Darstellung der Bildobjekthierarchie (DEFINIENS, 2006) Wenn man mit großen Bildern arbeitet, ist es sinnvoll, die Hierarchie der Segmentierung umzukehren. Um Speicherplatz und Rechenzeit zu sparen, segmentiert man zuerst mit einem großen scale-parameter, wodurch sich die Anzahl der zu erwartenden Bild-Segmente verringert. Nach einer groben Klassifikation kann man mit den benötigten Klassen weiter arbeiten und mit diesen neue Segmentierungslevels erarbeiten. Dies ist sinnvoll, wenn man am Anfang z. B. große Wasser- oder Nicht-Wald-Flächen aussegmentieren möchte. Klassenhierarchie Arbeitet man mit mehreren Segmentierungsebenen, ist es sinnvoll, Stammklassen für jedes Segmentierungslevel zu definieren und einen Klassenbaum für jeden Level zu entwickeln (HESE, 2007). Durch die Möglichkeit der Vererbung von Merkmalen auf Kindklassen kann eine so genannte Klassenhierarchie erzeugt werden. Dabei beinhalten die Klassen der nächst höheren Klassenebene immer auch die Eigenschaften der Klassen, die sich innerhalb ihrer Klassenhierarchie auf einem unteren Level befinden. 19

22 a b Abb. 12: a) Beispiel einer Klassenhierarchie in ecognition; b) Beispiel der Klassenbeschreibung der Klasse Fichte Ein weiterer Vorteil bei der Arbeit mit Klassenhierarchien besteht darin, dass vorgenommene Änderungen in den Elternklassen, automatisch auch auf die Kindklassen vererbt werden. Überträgt man zum Beispiel die Klassenhierarchie auf ein weiteres Bild mit anderen spektralen Eigenschaften und ändert in den Elternklassen die Werte der Klassenbeschreibung, so werden die vererbten Merkmale auch auf die Kindklassen übertragen. Eine weitere Möglichkeit der Vererbung von Merkmalen besteht im Zirkelbezug. Ein schematisches Beispiel dazu könnte lauten: A vererbt nach B, B nach C und C vererbt wieder nach A (DEFINIENS, 2004) Process Tree Der Prozessbaum ist ein wichtiges Hilfsmittel bei der Arbeit mit ecognition. In diesem kann man die einzelnen Arbeitsschritte (Prozesse) in der Reihenfolge ihrer Ausführung überschauen und bearbeiten. Werden z. B. einzelne oder mehrere Arbeitsschritte gelöscht, so kann ohne aufwendige Interaktion, der komplette Arbeitsablauf neu durchlaufen werden. Ein separates Abspeichern von Teilen oder des ganzen Prozessbaumes erleichtert die Übertragung der Klassifikation auf andere Fernerkundungsdaten (Bilder anderer Sensoren, anderen Datums etc.). Ebenfalls besteht die Möglichkeit, einen bereits gespeicherten Prozessbaum in das aktuelle Projekt einzubinden (Abb. 13). 20

23 Abb. 13: a) Teil eines Prozessbaumes in ecognition; b) Kommandofenster im Prozessbaum a b Mit der Version Definiens Professional 5 wurde eine neue Organisationsstruktur eingeführt. Nun ist es möglich, auf Prozessen basierende Strukturierungen von Arbeitsschritten parallel zum Arbeiten mit Klassenhierarchien zu definieren. Damit können einfache Schwellwert- Verfahren unkompliziert in den Prozessbaum integriert werden. Einzelne oder ganze Gruppen von Arbeitschritten können direkt aus dem process tree gestartet werden und auch komplette Klassenhierarchien können mit seiner Hilfe definiert werden. Der process tree gleicht einer graphischen Programmierumgebung und mit seiner Strukturierbarkeit von Prozessen erleichtert er das zielgerichtete Konzipieren von Verarbeitungsstrategien. (Hese, 2007) Klassifikation Die Klassifikation in ecognition basiert auf Fuzzy-Logic und erlaubt die Analyse von Attributen von Bildobjekten und deren gegenseitigen Beziehungen (DEFINIENS, 2006/1). In Definiens Professional 5 gibt es zwei grundlegende Möglichkeiten, eine Klassifikation durchzuführen. Man kann für jede Klassenbeschreibung Zugehörigkeitsfunktionen (membership functions) durch Vorwissen definieren oder man definiert Samples, die bei einer nearest-neighbor-klassifikation (NNK) verwendet werden. Des Weiteren kann man auch über eine Kombination beider genannter Möglichkeiten eine Klassifikation durchführen (DEFINIENS, 2006/1, HESE, 2007). 21

24 Bei der NNK unterscheidet ecognition in Nearest Neighbor und Standard Nearest Neighbor (Standard NN). Während der Standard NN für alle Klassen gleich festgelegt wird und somit einen einheitlichen Merkmalsraum (feature space) bildet, kann der Nearest Neighbor für jede Klasse separat, durch Definition klassentypischer Samples, verwendet werden. Die Beschreibung der Klassen bei der Verwendung von membership functions erfolgt auf der Grundlage von mathematischen Funktionen. Es werden mittels dieser Funktionen interaktiv Wertebereiche für Merkmale definiert, die einzelne Klassen von anderen unterscheiden. Automatisch werden diese Wertebereiche in eine Skala von null bis eins transformiert. Dadurch werden die zum Teil unterschiedlich großen Wertedimensionen standardisiert. Während bei der NNK ein bottom-up -Ansatz verfolgt wird, bei welchem aus den spektralen Eigenschaften der Pixel auf die Objekte geschlossen und denen im Nachhinein eine Bedeutung zugeordnet wird, ist bei den durch Zugehörigkeitsfunktionen definierten Klassenbeschreibungen ein top-down -Ansatz verwendet worden. Hierbei wird versucht, ausgehend vom Objektmodell und dem vorhandenen Wissen darüber, im Bild passende Objekte zu finden (LEUKERT, 2005). Diese wissensbasierte detaillierte Klassifikation ist regelbasiert, automatisiert und objektiviert, wobei objektiviert bedeutet, dass zwar subjektive Auswahlkriterien getroffen wurden, diese aber nachvollziehbar und bei gleichen Rahmenbedingungen auch übertragbar sind (LANG et al., 2003). Für die Klassifikation der Bildobjekte steht eine Vielzahl von Funktionen zur Verfügung. Die Bildobjekte verfügen aber schon im unklassifizierten Zustand über Kenntnisse zu ihren Nachbarn und besitzen Zusatzinformationen über z. B. Form, Textur oder den Beziehungen zu Unter- oder Überobjekten (ANDRESEN et al., 2002), welche in einer Datenbank abgelegt sind. Über Fuzzy-Funktionen erfolgt anschließend eine Zuweisung der Objekte zu den Klassen (Pilz & Strobl, 2002). Fuzzy Logic ist eine mathematische Methode zur Quantifizierung unsicherer Aussagen. Die Fuzzy-Klassifikation ersetzt die strengen Klassendefinitionen von ja und nein durch einen Wertebereich zwischen 0 und 1. In diesem kann ein bestimmter Grad an Klassenzugehörigkeit erreicht werden (DEFINIENS, 2006/2), wobei 0 exakt nein" und 1 exakt ja bedeutet. Dabei werden, wie in Abbildung 14 dargestellt, eine Zugehörigkeitsfunktion für die Werteverteilung innerhalb einer Eigenschaft, sowie oberer und unterer Schrankenwert im Wertebereich definiert (ANDRESEN et al., 2002). 22

25 Abb. 14: Eingabefenster für Fuzzy-Klassifikationen; hier am Beispiel der Klasse kein_wald: Merkmal ist die Standardabweichung für blau, Wertebereich liegt zwischen 33 und 40 Für die Verknüpfung der einzelnen Zugehörigkeitswerte kann zwischen verschiedenen Fuzzy- Operatoren gewählt werden (DEFINIENS, 2004): and (min) logischer and -Operator, welcher den niedrigsten Zugehörigkeitswert benutzt and (*) Operator, welcher die einzelnen Zugehörigkeitswerte multipliziert or (max) logischer or -Operator, welcher den maximalen Zugehörigkeilswert benutzt mean (arithm.) benutzt das arithmetische Mittel der Zugehörigkeitswerte mean (geo) benutzt das geometrische Mittel der Zugehörigkeitswerte In multidimensionalen Merkmalsräumen ist die Verwendung des Nearest Neighbor Klassifikators vorteilhaft, da dieser ein schnelles Trainieren eines Regelsatzes (ohne classrelated fealures) erlaubt. Mit membership funclions erfolgt die Formulierung von Wissen und Konzepten und sie sind sehr gut adaptierbar. Sie sind vor allem dann von Vorteil, wenn sich eine Klasse durch ein oder wenige Merkmale unterscheiden lässt. 23

26 In Definiens ist die Klassifikation in zwei große allgemeine Bereiche aufgeteilt. a) in Basic Classification Algorithms (BCA) und b) in Advanced Classification Algorithms (ACA). In den BCA können classification, assign class und hierarchical classification und in den ACA find enclosed by image object, find enclosed by class, find local extrema, find domain extrema und connector für die Bearbeitung ausgewählt warden (Abb. 15). Abb. 15: Auswahl der Klassifikationsalgorithmen im Edit Process Fenster Wichtig für die Klassifikation segmentierter Bildobjekte sind vor allem die basic classification algorithms, assign class, classification und hierarchical classification. Die ACA werden in der Regel dazu benutzt, das Klassifikationsergebnis zu verbessern. Im Folgenden werden die Basic Classification Algorithms näher erläutert. Assign class ist ein sehr hilfreiches Werkzeug zur Klassifikation, wenn man z. B. einzelne oder mehrere Klassen oder nur Teile einer Klasse einer oder mehreren anderen Klassen zuordnen möchte. Gewählt werden können der Level, in welchem sich die Klassen befinden, mögliche features, wenn nur einige merkmalsbestimmte Teile einer Klasse einer oder mehreren anderen Klassen zugeordnet werden sollen und die Klasse oder Klassen, in welche die Klassen oder Klassenteile zu integrieren sind. Im classification-modus stehen ebenfalls alle Objektmerkmale zur Klassifikation der bestehenden Bildobjekte zur Verfügung. Auch hier können der Segmentierungslevel, die zu 24

27 klassifizierende Klassen, die für die Klassifikation ausgewählten Merkmalsbereiche sowie die Ergebnisklasse definiert werden. Eine hierarchische Klassifikation kommt dann in Betracht, wenn man anhand von Fuzzy- Algebra innerhalb der Klassenhierarchie die Klassen voneinander getrennt hat. In diesem Fall können der Segmentierungslevel und die zu verwendenden Klassen ausgewählt werden Features Features sind abgeleitete radiometrische Werte den Pixels, die das Objekt bilden, oder Kenngrößen, welche auf die Objektgeometrie bezogen sind. Weiterhin zählen aber auch Größen dazu, die sich aus der Objektumgebung des aktiven Levels herleiten lassen oder die sich aus der Beziehung zu anderen Objekten in der Objekthierarchie ableiten (PILZ & STROBL, 2002). Alle Features sind in der Feature View übersichtlich dargestellt. Neben den vielfach gegebenen Merkmalen (features) zur Klassifikation ist es auch möglich, arithmetische sowie relationale Merkmale selbst zu definieren (customized features). Dies sind arithmetische Merkmale (customized arithmetic features) oder relationale Merkmale (customized relational features). Weiterhin kann man auch auf Klassen basierende Merkmale (class-related-features) nutzen. Customized Arithmetic Features Bei den arithmetic features können alle Merkmale miteinander durch mathematische Operationen miteinander verknüpft und separat abgespeichert werden. Die so entstandenen features können wie jedes andere benutzt werden und sind ebenfalls in der Objektdatenbank gespeichert. Es ist also möglich, auch mit diesen wieder arithmetische Merkmale zu definieren. Beispiel dafür ist die Berechnung des NDVI (Normalized Difference Vegetation Index), der sich aus dem Kanal des Nahen Infrarots (NIR) und des Rotkanals (R) berechnet, aber auch komplizierte Algorithmen können so fest als Merkmal abgelegt werden. Customized Relational Features Bei den relationalen features werden einzelne Merkmale mit den gewünschten Klassen verknüpft. Dies kann bezüglich der Nachbarn (neighbors), den sub-objects (Objekte in einem unteren Segmentierungslevel), den super-objects (Objekte in einem höheren Segmentierungslevel), den sub-objects der super-objects sowie den Levels geschehen. 25

28 Gewählt werden kann ebenfalls die zu verwendende Einheit der Distanz (Pixel, Kilometer ect.) und die Distanz selbst. Class-Related-Features Die class-related-features werden auf die Gruppenhierarchie übertragen. Wenn also eine Relation für eine Klasse definiert wird, so ist diese auch für alle Unterklassen (subclasses) in der Gruppenhierarchie gültig (DEFINIENS, 2006/1). Hat man z. B. einen Baum anhand spezifischer Merkmale (class-related) als Fichte definiert, so sind diese Merkmale auch für Nadelwald, Wald und Vegetation gültig (wenn die Klassenhierarchie dementsprechend festgelegt wurde). Als alternative Gliederung der Klassen in Bedeutungsgruppierungen kann man Gruppen (Groups) definieren. Diese sind nicht an die merkmalsbasierende Verwandtschaft der Klassenhierarchie gebunden (HESE, 2007). Möglich ist hier, dass in der Gruppenhierarchie eine Übergruppe definiert wird, die andere Klassen als Kindklassen (ohne Merkmalsvererbung) beinhaltet. Die class-related-features kann man, als Inverse verwendet, auch benutzen, um diese z. B. auf einem anderen Segmentierungslevel als Maske bei der Klassifikation einzusetzen (HESE, 2007) Texturen Für die Klassifikation können in ecognition auch Texturen verwendet werden. Texturen sind Muster oder Strukturen einer Oberfläche, die in einem Bild wiederholt auftreten (LUHMANN, 2003, KRABBE, 2000). Sie geben somit also die räumliche Rückstreu-Eigenschaft von Oberflächen an. Innerhalb einer begrenzten Nachbarschaft ergibt sich die Textur aus der Varianz kleiner Oberflächenelemente. Für die Beschreibung von Texturen gibt es die folgenden Ansätze (LEUKERT, 2005): frequenzbasierte; z. B. Wavelet Filter (MALLAT, 1989 oder PLÖTZ, o.d) modellbasierte; z. B. Marcov Random Fields MRF (LI, 2001 oder CHELLAPPA & CHATTERJEE, 1985) statistische; Grey Level Co-Occurance Matrix GLCM (HARALICK et al, 1973). 26

29 Ecognition bietet die Möglichkeit mit GLC-Matrizen nach HARALICK (1973) texturbasiert zu klassifizieren. Eine detaillierte Beschreibung dieses statistischen Ansatzes zur Texturerkennung bieten z. B. (LEUKERT, 2005), (CLAUSI, 2000) und (OTTO, 2006) Nachbarschaftsbeziehungen Wie im obigen Text schon angedeutet, besteht in ecognition die Möglichkeit, nachbarschaftliche Beziehungen, also den räumlichen Kontext oder auch Abhängigkeiten zwischen benachbarten Objekten, mit in die Klassifikation einzubeziehen. Für die Klassifikation bedeutet dies, dass unter Zuhilfenahme dieser Relationen zur Beschreibung der Klassen, das Klassifikationsergebnis verfeinert werden kann. Class related features werden diese Merkmale in ecognition genannt. Eingeteilt werden die Nachbarschaftsbeziehungen nach den Relationen zu den Nachbarn (relations to neighbor objects), zu den Objekten eines unteren Levels (Relations to sub objects), zu den Objekten eines höheren Levels (Relations to super objects) und zu Klassifikationen (Relations to Classification) (Abb. 16). a Abb. 16: Fenster zur Auswahl einzelner Merkmale für die Klassifikation; a) Übersicht der Nachbarschaftsrelationen von Klassen; b) Übersicht der Merkmale der Beziehungen zu Nachbarobjekten b Relations to Neighbor Objects beschreiben die Beziehungen, welche direkten Kontakt zu benachbarten Bildobjekten eines Segmentierungslevels beinhalten. In Abbildung 16b der obigen Abbildung sind die Merkmale der Beziehungen zu Nachbarobjekten, wie sie in ecognition ausgewählt werden können, dargestellt. Verwendet werden kann das Feature Existence of, um beispielsweise benachbarte Bildobjekte einer übergeordneten Klasse zuzuweisen. Hat man z. B. Haus und Grünfläche klassifiziert, die 27

30 sich unmittelbar nebeneinander befinden (Abstand gleich 0), so können diese zu einer Klasse Grundstück zusammengefasst werden. Relations to sub bzw. to super objects verbinden die Bildobjekte mit Merkmalen der Bildobjekte niedrigerer oder höherer Segmentierungslevel. Relations to classification erlaubt die Verknüpfung mit bereits klassifizierten Bildobjekten anderer Klassen. 3.3 Betrachtung unterschiedlicher Parameter Um die Klassifikation durchführen zu können, müssen in ecognition erst Bildsegmente/- objekte generiert werden. Dies erfolgt mit der multiresolution segmentation. Um die Schwierigkeit bei der Wahl der richtigen Parameter aufzeigen zu können, werden im Folgenden die Unterschiede in den Segmentierungsergebnissen aufgezeigt, die sich aus der variablen Wahl der Parameter ergeben Scale-Parameter Wie schon beschrieben, ist der scale-parameter indirekt ein Maß dafür, wie viele Bildobjekte aus der Segmentierung hervorgehen. a b c Abb. 17: Unterschiedliche Auswirkung des scale-parameters auf die Anzahl entstehender Bildobjekte. Gewichtung (ohne) sowie die shape-parameter (shape: 0.1, compactness: 0.5) bleiben unverändert; verwendete scale_parameter: Bild a) 500; Bild b) 250; Bild c) 100 Das gesuchte, beste Ergebnis der Segmentierung des Bildes ist aber nicht allein von der geschickten Wahl des scale-parameters abhängig. Eine eventuell vorzunehmende Gewichtung der Farbkanäle und die Wahl des Formparameters sind ebenso bedeutend für das Segmentierungsergebnis. 28

31 3.3.2 Gewichtung Als ein iterativer Prozess erweist sich die Bestimmung der Parameter der multiresolution segmentation, da jedes Bild unterschiedliche Farbcharakteristika aufweist. CIR-Luftbilder stellen die grün lebende Pflanzenoberfläche in Rottönen dar, da die Filmempfindlichkeit das Reflektionsverhalten der Vegetation durch die Chlorophyllabsorbtion (0,3-0,7 mm) und die Zellstruktur (0,8-1,3 µm) (AHRENS, 2004) abdeckt. Es ist daher von Vorteil, eine Gewichtung der Farbkanäle vorzunehmen. Die Form der Objekte ist im ersten Schritt irrelevant, da es sich bei der Betrachtung der verschiedenen Baumgruppen um unregelmäßige Formen handelt. Der shape-parameter kann somit auf Null gesetzt werden. Als Beispiele der Auswirkungen unterschiedlicher Gewichtungen auf die Segmentierung sind folgende Abbildungen zu sehen (scale:300, shape:0, compactness:0,1). Es ist deutlich zu erkennen (Abb. 18), wie sich die verschiedenen Gewichtungen auf die Anzahl, die Größe und die Form der Objekte auswirken. a b c d e f Abb. 18: Die Abbildungen zeigen die Ergebnisse unterschiedlicher Gewichtungen. Die Parameter der Skalierung (500) und der Form (shape:0, compactness:0,1) bleiben unverändert. Die einzelnen Bilder zeigen die Werte der Gewichtung in folgender Reihenfolge: rot, grün, blau. Bild a) 0.6, 0.2, 0.2; Bild b) 0.2, 0.6, 0.2; Bild c) 0.2, 0.2, 0.6; Bild d) 0.8, 0.1, 0.1; Bild e) 1, 1, 1; Bild f) original 29

32 3.3.3 Shape-Parameter Behält man nun die Gewichtung bei, so wird deutlich, dass bei gleich bleibendem scale- Parameter verschiedene Formparameter ebenfalls unterschiedliche Segmentierungsergebnisse liefern (scale:500, Gewichtungen: rot: 0,6, grün/blau: 0,2). a b c d e f Abb. 19: Die einzelnen Bilder zeigen die unterschiedlichen Segmentierungsergebnisse bei Variation der Größe der Formparameter. Die Werte der Formparameter sind dargestellt in der Reihenfolge: shape, compactness Bild a) shape = 0.0; Bild b) 0.5, 0.1; Bild c) 0.9, 0.1; Bild d) 0.5, 0.3; Bild e) 0.5, 0.7; Bild f): Original 30

33 4 Auswertung der CIR-Luftbilder 4.1 Bewertung des Untersuchungsgebietes Als Arbeitsgrundlage diente ein Teilbild mit der Größe 969 m x 1005 m aus dem Orthophotomosaik der Karte 5285N4475E des Landkreises Miesbach in Oberbayern, Deutschland. Das Beispielbild beinhaltet rein visuell verschiedene Baumarten (Nadel- und Laubbäume), Straßen, ein Gebäude, vereinzelt stehendes Totholz sowie baumfreie Vegetationsflächen und baumfreie Flächen. Abb. 20: Untersuchungsgebiet (Darstellung nach einem Histogrammausgleich) Die unterschiedlichen Baumarten sind deutlich an der Textur unterscheidbar. Die Kronen der Laubbäume (Buchen) sind auffallend rot und weisen ein dichtes Blätterdach auf. Sie sind deshalb auch schwer als Einzelindividuen identifizierbar. Die Nadelbäume lassen sich anhand ihrer Textur und ihrer unterschiedlichen spektralen Darstellung in zwei verschiedene Nadelbaumarten (Fichte und Tanne) differenzieren. Die Nadelbäume weisen, ganz im Gegensatz zu den Laubbäumen, weit weniger Rottöne auf. Dies ist bei den Nadelbäumen auf die Schattenbildung innerhalb der Baumkrone, verursacht durch ein fehlendes, lückenloses Blätterdach und der damit verbundenen niedrigeren Rückstreueigenschaft des roten bzw. nahen Infraroten Lichtes zurückzuführen. Die Straßen weisen ein hohes Maß an Reflektion der Sonnenstrahlung auf und erscheinen weiß. Die baumfreien Flächen sind an der fehlenden typischen Baumstruktur erkennbar. Totholz wird auf CIR-Luftbildern grau grünlich dargestellt (AHRENS, 2004), auf Grund des 31

34 fehlenden oder sehr niedrigen Reflektionsverhaltens der Vegetation (Blätter) durch die Chlorophyllabsorption. Einen vergrößerten Ausschnitt aus dem Untersuchungsgebiet stellt Abbildung 21 dar. Abb. 21: Ausschnitt aus dem Untersuchungsgebiet. Deutlich zu erkennen sind die weiße Straße und die einzelnen Bäume. Laubbäume, hier Buchen, sind rötlich, die beiden Nadelbaumarten, Fichte und Tanne, bräunlich und grünlich dargestellt. Totholz ist eindeutig an der auffallend grünlich-bläulichen Färbung identifizierbar. Auch die baumfreie Fläche an der Straße im oberen Bereich des Bildes ist rein visuell gut von den angrenzenden Landnutzungsarten zu unterscheiden. Die eigentliche Schwierigkeit bei der Klassifizierung ist im Ausgangsmaterial zu sehen. Das Untersuchungsgebiet ist nicht homogen ausgeleuchtet. Die unterschiedliche Helligkeitsverteilung im Bild kann durch die Messkamera selbst, durch das Scannen der analogen CIR-Luftbilder, durch Mitlicht-/Gegenlicht-Effekte (ATZBERGER & SCHLERF, 2002) oder durch wetterbedingte Gegebenheiten (Bodennebel, Dunst etc.) verursacht worden sein. Dadurch weisen Objekte gleicher Klassen unterschiedliche spektrale Eigenschaften und somit eine höhere Bandbreite auf. Es steigt die Zahl der sich überlappenden spektralen Eigenschaften verschiedener Klassen. 32