Überwachte & Unüberwachte Klassifizierung

Transkript

1 Lehrveranstaltung Fernerkundung Vorlesungs- und Übungsplan Einführung, Strahlung, Sensoren Digitale Bilder, Bildstatistik& Kontraststreckung Bild Verbesserung & Indexe Geometrische Korrekturen & Georeferenzierung Multitemporale Veränderungen Überwachte - Unüberwachte Klassifizierung Genauigkeitsanalyse Lehrveranstaltung Fernerkundung Überwachte & Unüberwachte Klassifizierung Bild-Interpretation und Klassifizierung Ziel ist es, den interessierenden thematischen Bildinhalt sichtbar zu machen. Es gibt viele verschiedene Ansätze, basierend auf folgenden Elementen: Auswertung der Information für jedes Pixel (Helligkeitswerte jedes spektralen Kanals); Auswertung des Kontextes in welchem die Pixel sind (Ähnlichkeiten mit Nachbarpixeln); Suche nach Mustern (spektral oder räumlich) von bestimmten interessdierenden Objekten. Grundidee: Gruppen benachbarter Pixel mit ähnlichen Charakteristika zusammenfassen und eine Eigenschaft zuweisen (class membership). Eine solche Gruppe kann dann zu einem Polygon in der folgenden GIS Auswertung werden. Mod. 1 p. 1

2 Beispiel visuelle Klassizierung PFM PFM PFM PFM BAN PFM ONI PFM PFM ONI ONI Ergebnis einer visuellen Klassifizierung von Wald-Typen. Bildverarbeitung: Klassifizierung Von den Rohdaten zu thematischer Information (hier: Farbkomposite) bezogen auf eine Kartenprojektion Klassifizierung Zuteilen einer thematischen Klasse zu Pixeln, die durch einen multivariaten Satz an Spektralwerten charakterisiert sind. Das Klassifizierungs-System sollte für den jeweiligen Auswertungs-Zweck erschöpfend sein. Das jeweils gewählte Vorgehen hängt von der spezifischen Projektsituation ab (Ziele, Bildmaterial, Software,...). Wie in allen Studien, die mit Statistik und der Verarbeitung großer Datenmengen zu tun haben: Unsere Ergebnisse werden nicht fehlerfrei sein. Wir möchten nicht nur eine thematische Klassifizierung machen, sondern möglichst auch beurteilen können, wie genau unser Endprodukt (die thematische Karte) ist. Mod. 1 p. 2

3 Unüberwachte / überwachte Klassifizierung Zwei grundlegende Ansätze: 1. Man verwendet ausschließlich die im digitalen Bildmaterial enthaltene Information (unüberwachte Klassifizierung): Identifizieren von Gruppen ähnlicher Pixel. Diese Ähnlichkeit muss klar definiert sein aus der multivariaten Pixel- Information (Helligkeitswerte der einzelnen Kanäle). = rein statistischer Ansatz. 2. Man verwendet zusätzliche Information = Trainingsdaten wie Feld- Daten, Karten, (überwachte Klassifizierung): Man sucht für jede Klasse einige typische Trainingsgebiete. Aus dem spektralen Muster der Pixel in diesen Bereichen lernen wir die typischen spektralen Eigenschaften dieser Klasse. Definition eines Klassifizierungsalgorithmus = eine Regel, wie die Pixel, ausgehend von ihren spektralen Werten, den verschiedenen Klassen zuzuordnen sind. Unüberwachte Klassifizierung Prinzip der unüberwachten Klassifizierung Wir verwenden ausschließlich Information, die aus dem Bild kommt ( automatischer Ansatz). Identifizierung von Pixeln mit ähnlichen Helligkeitswerten Zuteilen einer Klasseneigenschaft. Es muss definiert werden: Wie soll die Ähnlichkeit (bzw. der Abstand) der Helligkeitswert-Kombinationen der Pixel ermittelt werden? Wie viele Klassen sollen ausgeschieden werden? Die Extreme sind - EINE Klasse, die alle Pixel umfasst, - JEDES Pixel ist für sich eine Klasse; (diese Extreme sind natürlich für praktische Anwendungen wenig hilfreich). Mod. 1 p. 3

4 ... wie können Klassen ähnlicher spektraler Eigenschaften definiert werden Wert Variable 2?? Wert Variable 1 Muss auf mehr als 2 Dimensionen ausgedehnt werden. Den Gruppen müssen dann Namen (Klassen) zugeteilt werden. Wie viele Klassen? Es gibt keine allgemeingültige Antwort: Die Anzahl Klassen hängt von den spezifischen Projektzielen ab. Vergleich: Definition von Größenklassen bei Kleidung (S,L,XL). Source: Wilkie & Finn Iterative Verfahren Source: Wilkie & Finn Mod. 1 p. 4

5 Das Zuteilen sinnvoller und eindeutiger Klassen zu den automatisch ermittelten Klassen ist manchmal schwierig. Source: Wilkie & Finn Automatische Klassifizierung und Mustererkennung haben große Fortschritte gemacht. Nach wie vor gibt es aber viele Situationen/ Aufgaben, in denen das menschliche Hirn überlegen ist. (2002) Überwachte Klassifizierung Mod. 1 p. 5

6 Unüberwachte / überwachte Klassifizierung Zwei grundlegende Ansätze: 1. Man verwendet ausschließlich die im digitalen Bildmaterial enthaltene Information (unüberwachte Klassifizierung): Identifizieren von Gruppen ähnlicher Pixel. Diese Ähnlichkeit muss klar definiert sein aus der multivariaten Pixel- Information (Helligkeitswerte der einzelnen Kanäle). = rein statistischer Ansatz. 2. Man verwendet zusätzliche Information = Trainingsdaten wie Feld- Daten, Karten, (überwachte Klassifizierung): Man sucht für jede Klasse einige typische Trainingsgebiete. Aus dem spektralen Muster der Pixel in diesen Bereichen lernen wir die typischen spektralen Eigenschaften dieser Klasse. Definition eines Klassifizierungsalgorithmus = eine Regel, wie die Pixel, ausgehend von ihren spektralen Werten, den verschiedenen Klassen zuzuordnen sind.. Grundlegende Schritte einer überwachten Klassifizierung Wiederum: Die Kriterien der Ähnlichkeit müssen definiert sein. Pixelbasierte Transformation von Zahlen zu Klassen Trainingsgebiete - Ein Klassifizierungs-Algorithmus ist nicht allgemeingültig,sondern muss spezifisch trainiert, werden; d.h. für das Untersuchungsgebiet muss dem classifier die typische spektrale Signatur der zu unterscheidenden Klassen beigebracht werden. - Deshalb werden sog. Trainingsgebiete benötigt für welche der Landbedeckungs-Typ bekannt ist.. - Die Pixel dieser Trainingsgebiete werden ausgewertet und ihre spektrale Signatur wird als typisch für die entsprechende Klasse angenommen. - Die Information aus den Trainingsgebieten ist ein zentrales Element der die überwachten Klassifizierung. - Die Auswahl dieser Trainingsgebiete muss methodisch sauber sein: Im Grunde ist es ein typisches Stichproben- Problem. Die Auswahl soll möglichst objektiv sein um Fehlertendenzen so weit wie möglich sind zu vermeiden. Mod. 1 p. 6

7 Kriterien für die Auswahl von Trainingsgebieten - Trainingsgebiete können aus verschiedenen Datenquellen verwendet werden, wie z.b. Karten, Luftbilder, Feld. - Ist man nicht direkt im Feld, muss sichergestellt sein, dass das ausgewählte Trainingsgebiet tatsächlich zur Ziel-Klasse gehört. - Die Fläche eines Trainingsgebietes sollte ausreichend groß sein, damit man eine Vorstellung der Variabilität der spektralen Signaturen pro Pixel innerhalb einer thematischen Klasse erhält. - Üblicherweise werden mehrere (nicht zusammenhängende) Trainingsgebiete ausgewählt, um unterschiedliche Bedingungen innerhalb eines Bildes abzubilden. - Man vermeidet Mischpixel, indem man sich bei der Auswahl von Trainingsgebieten auf die inneren Bereiche der Flächen konzentriert. - Ein Klassifizierungsalgorithmus ist für ein spezifisches Bild kalibriert. - Er sollte nicht direkt für andere Bilder verwendet werden. Die Bilder müssen vorher kompatibel gemacht werden: atmosphärische Bedingungen und Aufnahme-Geometrie bewirken, dass es für dieselbe Klasse erhebliche Unterschiede in der spektralen Signatur geben kann. - Techniken des image matching Auswahl geeigneter Kanäle Welche der 7 Kanäle sollte man hier verwenden (bzw. welche nicht, um die folgenden vier Landbedeckungsklassen in einer überwachten Klassifizierung zu unterscheiden? Quelle: Wilkie & Finn Mod. 1 p. 7

8 Klassifizierung - Wichtig ist die Herleitung eines Algorithmus, der es erlaubt, die Klassen auf Grund der spektralen Information zu unterscheiden. - Nicht immer sind verschiedene Klassen eindeutig zu trennen! Unterschiedliche Ansätze die drei Klassen zu trennen (Klassifizierungs i algorithmen) Quelle: Schowengerdt Definieren eines Klassifizierungsalgorithmus - Eine Entscheidungs-Regel muss definiert werden, unter welchen Bedingungen ein Pixel mit einer bestimmten spektralen Signatur einer bestimmtem Klasse zugeteilt wird. Diese Entscheidungsregel ist der Klassifizierungsalgorithmus (classifier). - Wir illustrieren unterschiedliche Ansätze am Beispiel von nur zwei Spektralkanälen. Dieselben Techniken können auch verwendet werden für mehr als zwei Kanäle. Box classifier / Parallelepiped Quelle: Wilkie & Finn Mod. 1 p. 8

9 Box classifier / Parallelepiped Wenn die boxes sich überlappen (links), können auch Kästen unregelmäßiger Form gebildet werden (rechts) Brightness va alue Band 2 Brightness va alue Band 2 Brightness value Band 1 Brightness value Band 1 Source: Albertz Box classifier Wenn der box classifier keine klare Entscheidungen erlaubt, kann ein anderer classifier zum Einsatz kommen: nearestmean-classifier Quelle: Schowengerdt Nearest-mean-classifier ightness value Band 2 Bri Der Wertebereich ist in sich nichtüberlappende Bereiche eingeteilt. Brightness value Band 1 Source: Albertz Mod. 1 p. 9

10 Der maximum likelihood classifier Die Klassen weisen eine natürliche Variabilität in ihren Reflektionseigenschaften auf Durch Bewölkung, Bildgeometrie, Topographie etc. wird diese Variabilität zusätzlich erhöht Der maximum likelihood classifier selektiert daher die Klasse mit der höchsten Wahrscheinlichkeit. Es wird eine normal Verteilung unterstellt und mit Hilfe der Trainingsdaten angepasst Source: Campbell, Der maximum likelihood classifier Die Pixel Werte von zwei Bändern zeigen für jede Klasse eine bivariate Verteilung. Der Einfachheit halber wird üblicherweise eine bivariate Normalverteilung unterstellt. Ein bestimmtes Pixel ist der Klasse zugeteilt, für die es die höchste Zugehörigkeits- Wahrscheinlichkeit besitzt. Hier: Pixel 1 (rot) würde der Klasse c zugeteilt. Fehlerquellen bei der Klassen-Zuordnung - Variabilität der spektralen Signatur innerhalb einzelner Klassen. (Vergleiche z.b. die erwartete Homogenität der Klassen Naturwald oder Siedlungsgebiet mit den Klassen Wasser oder Sandwüste!). - Nicht alle Pixel sind reine Pixel nur einer Klasse. Am Waldrand z.b. gibt es viele Pixel, die einen Teil Wald und einen Teil landwirtschaftliche Fläche abdecken. Es entstehen sog. Mischpixel. Je fragmentierter ein Gebiet und je größer die Pixel, desto mehr Mischpixel entstehen. Je kleiner die Pixel, desto weniger Mischpixel, aber desto größer die Variabilität innerhalb einer Klasse! Mod. 1 p. 10

11 Fehlerquellen bei der Klassen-Zuordnung - Mischpixel erschweren die Klassifizierung. - In Mischpixeln sind die spektralen Signaturen von verschiedenen benachbarten Klassen; - die registrierte Strahlungsintensität ist dann eine Mischung. Mischpixel (Rand) Innere Pixel Hintergrund (background) Pixel Worst case : Alle Pixel sind Mischpixel: Quelle: Wilkie & Finn Fehlerquellen bei der Klassen-Zuordnung Mischpixel verzerren die Klassifizierungsergebnisse. Je nach Klassifizierungsalgorithmus werden sie der Klasse zugeordnet, der sie spektral am ähnlichsten sind. Quelle: Wilkie & Finn Beispiel einer Fehlklassifizierung Quelle: Pedroni 2003 Pixel am Rand von Wolken über dem Meer wurden vom automatischen Klassifizierungsalgorithmus als Siedlungsgebiet klassifiziert die Reflexion der Mischung aus Wolke/Dunst mit Wasser im Hintergrund ähnelt wahrscheinlich den Wellblechdächern, die viele Häuser in Mittelamerika haben, wo auch die Trainingsbegiete für Siedlung lagen. Mod. 1 p. 11

12 Variabilität der spektralen Signatur Quelle: Pedroni Es gibt oft auch fehlklassifizierte Pixel innerhalb einer homogenen Fläche (gelb: Bananen-Plantage): salt-and-pepper effect. - Ein weiterer Bearbeitungs-Schritt ist dann notwendig, um sinnvoll interpretierbare Ergebnisse zu erhalten Waldbedeckung Costa Rica Mod. 1 p. 12