Vergleich von Segmentierungsprogrammen für Fernerkundungsdaten

Transkript

1 NUR ZUM INTERNEN GEBRAUCH! Neubert, M. & Meinel, G. (2003): Vergleich von Segmentierungsprogrammen für Fernerkundungsdaten. In: Strobl, J., Blaschke T. & Griesebner, G. (Hrsg.): Angewandte Geographische Informationsverarbeitung XV. Beiträge zum AGITSymposium Salzburg 2003, H. Wichmann Verlag, Heidelberg, S (ISBN ). Vergleich von Segmentierungsprogrammen für Fernerkundungsdaten Marco NEUBERT und Gotthard MEINEL Zusammenfassung Dieser Beitrag dokumentiert die ersten Ergebnisse eines Vergleichs derzeit verfügbarer Segmentierungssoftware für Fernerkundungsdaten. Diese werden zunächst allgemein gegenübergestellt (Grundlagen, Implementierung usw.). Anschließend wird die Qualität der auf Basis panchromatisch geschärfter IKONOSMultispektraldaten erzielten Segmentierungsergebnisse dargestellt, wobei ein Vergleich mit visuell kartierten Referenzflächen erfolgt. 1 Einleitung Jüngere Untersuchungen haben gezeigt, dass eine allein pixelbasierte Klassifikation hochauflösender Fernerkundungsdaten nicht zu befriedigenden Ergebnissen führt (z. B. MEINEL, NEUBERT & REDER 2001). Die Gründe hierfür liegen insbesondere im abgebildeten Detailreichtum sowie in der starken spektralen Varianz innerhalb quasihomogener Areale. Daher hat sich die Vorverarbeitung hochauflösender Bilddaten durch Segmentierung als zweckmäßig erwiesen, indem homogene Bildareale im besten Falle reale Objekte abgegrenzt werden. Hierfür existieren unterschiedliche Segmentierungsprogramme, deren Eignung für Fernerkundungsanwendungen hier untersucht wird. 2 Segmentierung von Fernerkundungsdaten Unter Segmentierung versteht man die Gruppierung benachbarter Bildelemente (Pixel) zu Pixelgruppen (Regionen, Segmenten) aufgrund von Ähnlichkeitskriterien (z. B. Grauwert, Textur). Durch diesen Verarbeitungsschritt sollen Objektgrenzen im Bild extrahiert werden. Dabei kommen vorwiegend regionen bzw. kantenbasierte Verfahren zum Einsatz. Die Bildsegmentierung ist bereits in vielen Anwendungsbereichen der digitalen Bildverarbeitung, wie der Medizin, der Musterkennung oder der Werkstoffkontrolle erfolgreich etabliert. In der Fernerkundung hat sich dieser Ansatz lange Zeit nicht durchsetzen können, obwohl bereits frühzeitig Forschungen zu dieser Thematik vorlagen (z. B. KETTIG & LAND GREBE 1976). Die Gründe dafür liegen sicher in der hohen Komplexität fernerkundlichen Bildmaterials. Erst seit etwa fünf Jahren und mit der Markteinführung erster kommerzieller Softwareprodukte sowie der Verfügbarkeit sehr hochauflösender Fernerkundungsdaten werden Segmentierungsverfahren verstärkt entwickelt und eingesetzt. Von den implementierten Segmentierungsansätzen für Fernerkundungsdaten, mit zum Teil sehr unterschiedlichem Charakter, sind derzeit wenige kommerziell verfügbar, oft handelt es sich um Hochschulentwicklungen.

2 Marco Neubert und Gotthard Meinel Neben Segmentierungsprogrammen existiert eine wachsende Anzahl von Objekterkennungsprogrammen, die im Gegensatz dazu das Bild nicht vollständig in Segmente aufgliedern, sondern gezielt nur bestimmte Objekte aus dem Bild selektieren (Feature Extraction). Dazu gehören u.a. APEX (PCI Geomatics), FeatureXTR (Hitachi Software Global Technology) oder Feature Analyst (Visual Learning Systems). Derartige Programme werden hier nicht betrachtet. Die Segmentierung bildet häufig die Grundlage für eine anschließende Bildklassifikation, wobei im Vergleich zu pixelorientierten Verfahren neben der Spektralsignatur auch Textur, Geometrie und Kontexteigenschaften genutzt werden können. Die Segmentierungsgüte wirkt sich unmittelbar auf die Klassifikationsgüte aus. Erstere ist bei allen derzeit verfügbaren Programmen stark von den gewählten spezifischen Programmparametern abhängig. 3 Verglichene Segmentierungsansätze Folgende Programme wurden für den Vergleich ausgewählt: 1) ecognition 2.1 bzw. 3.0 (Definiens Imaging); 2) Data Dissection Tools (INCITE, Stirling University); 3) CAESAR 3.1 (N.A.Software); 4) InfoPACK 1.0 (InfoSAR); 5) Image segmentation für Erdas Imagine (Remote Sensing Applications Center); 6) Minimum Entropy Approach to Adaptive Image Polygonization (Universität Bonn, Institut für Informatik). In Tabelle 1 werden die Ansätze anhand verschiedener Vergleichskriterien gegenübergestellt. Nicht aufgeführt ist das inzwischen nicht mehr verfügbare CAESAR, jedoch dessen Weitentwicklung InfoPACK. Die Entwickler der Programme sollten einen Testdatensatz gemäß den Zielvorgaben (u.a. Referenzsegmentierung) mit Hilfe ihres Expertenwissens segmentieren und einen umfangreichen Fragebogen beantworten. Da nicht alle Anbieter zu einer Zusammenarbeit bereit waren, erhebt dieser Vergleich nicht den Anspruch auf Vollständigkeit. Die Bearbeitung der Ansätze 1 und 5 erfolgte durch die Autoren. 4 Methodik Anhand zweier Testgebiete abgebildet durch panchromatisch geschärfte IKONOSMultispektraldaten (1 m Bodenauflösung, jeweils ca x 2000 Pixel, urban bzw. rural geprägt) wurden Segmentierungen erstellt. Zielstellung war die Extraktion relevanter Objektgrenzen der Landbedeckung bzw. nutzung. Alle Segmentierungsergebnisse wurden zum Vergleich vektorisiert. Die unterschiedlichen Resultate wurden zunächst einer überblicksartigen, visuellen Bewertung der Gesamtsegmentierungsgüte unterzogen. Dabei standen allgemeine Aspekte, wie die Güte der Trennung unterschiedlicher Landbedeckungen (z. B. Wiese/Wald, Feld/ Wiese), die Abbildung linearer Objekte oder das Auftreten von Fehlsegmentierungen im Mittelpunkt.

3 Vergleich von Segmentierungsprogrammen für Fernerkundungsdaten Tab. 1: Übersicht der getesteten Segmentierungsansätze. Segmentierungsansatz Grundlagen Implementierung Ein und Ausgabe Vertrieb Algorithmus Grundlegende Referenz Stand der Software Betriebssystem ecognition 2.1 bzw. 3.0 Region growing BAATZ & SCHÄPE /2002 bzw. 11/2002 WinNT, Win2000 FERBER & WÖRGÖTTER 2000 InfoPACK 1.0 Simulated annealing Image Segmentation (für Erdas) Region growing Data Dissection Tools Superparamagnetic clustering Bildanalyse, statistische Physik Anwendungsbereich Fernerkundung Fernerkundung, insb. Radar COOK et al RUEFENACHT et al Minimum Entropy Approach Triangulation Fernerkundung Polygonalisierung verrauschter Bilddaten HERMES & BUHMANN / / / /2002 WinXX, Unix, SGI, Linux u.a. Linux, Win 2000, (Unix u.a. geplant) WinXX Linux SystemSchale Standalone Evtl. MatLab Standalone Erdas Standalone Parameterzahl Laufzeit** Akzeptabel Akzeptabel Akzeptabel Hoch Hoch Reproduzierbarkeit bei verändertem Ausschnitt Unterstützung einer Klassifikation Max. Bildgröße [Pixel]** Nein/ Ja (ab 3.0) Ja (Fuzzy logic, Nearest Neighbour) Ca x Nein Nein Nein Nein Nein Ja (Maximum Likelihood) Ca x 4000 Keine Beschränkung Ca x 2000 Ca x 1500 Max. Farbtiefe 32 Bit 16 Bit 64 Bit 8 Bit 8 Bit Bildformate Raster, Shape Raster (TIFF) NetCDF* IMG Raster Vektorausgabe/ Format Shape Nein (extern) Nein (extern) ArcCoverage Proprietäres Vektorformat Zusatzdaten Ja Nein Ja Nein Nein nutzbar Verfügbarkeit Kommerziell Kommerziell Kommerziell Freeware Auf Anfrage Ca. Preis*** / K.A./Kostenlos 8300 / (Kommerziell/ 9000 (nonprofit)/2900 (non 5800 Forschung), profit) *Konvertierbar aus diversen Rasterformaten, z.b. GeoTIFF, IMG; **Angabe stark speicherabhängig; ***Stand 04/2003 Nein Nein Anschließend erfolgte ein detaillierter Vergleich anhand ausgewählter, visuell kartierter Referenzflächen. Bei deren Auswahl wurde insbesondere die visuell relativ einfache Abgrenzbarkeit berücksichtigt. Zunächst wurden die ausgewählten 20 Einzelflächen die sich in Lage, Form, Größe, Bedeckung/Nutzung, Kontrast, Textur etc. unterscheiden sowie deren segmentierte Pendants visuell verglichen und beschrieben.

4 Marco Neubert und Gotthard Meinel Anschließend wurden die Ergebnisse quantitativ verglichen, wobei die Kriterien Anzahl von Teilsegmenten, die Segmentgröße, der Umfang, der ShapeIndex (UmfangFlächenVerhältnis) sowie der Abweichung dieser im Vergleich zur Referenzfläche bestimmt wurden. Tabelle 2 zeigt die Ergebnisse beispielhaft für eine Referenzfläche. Eine gute Segmentierungsqualität wird erreicht, wenn möglichst alle verschiedenartigen Flächen (Landbedeckung/nutzung) korrekt abgegrenzt werden und andererseits homogene Flächen nicht übermäßig in Teilsegmente (Übersegmentierung) zerlegt werden. Zudem sollten die ermittelten Formkriterien möglichst gut mit den Maßen der Referenzfläche übereinstimmen. 5 Erste Ergebnisse Die Verschiedenartigkeit der Ansätze sowie der Stand der Implementierungen hatten sehr unterschiedliche Segmentierungsergebnisse zur Folge (vgl. Tab. 2). ecognition bietet durch seine multiskalige Segmentierung sowie die fuzzylogicbasierte Möglichkeiten der Bildklassifikation viele Potenziale. Durch die Reproduzierbarkeit der Segmentierung bei verändertem Bildausschnitt (ab Ver. 3.0) und die vielfältigen Schnittstellen zu anderen GIS und Fernerkundungssystemen werden wichtige Anwenderanforderungen erfüllt. Allerdings enthalten die guten Ergebnisse bisweilen unsinnige, irregulär abgegrenzte Segmente. InfoPACK erbringt gute wenngleich der Ansatz zur Übersegmentierung und zur Bildung schlauchförmiger Segmente an Übergängen neigt. Hervorzuheben ist der verwendete TilingAlgorithmus (Bildkachelung), um Bildszenen jeglicher Größe verarbeiten zu können, wobei dies zu zusätzlichen Segmentgrenzen führt. Die Ergebnisse der weiteren Ansätze bleiben dahinter zurück, sie scheitern vermutlich an der hohen Komplexität der hochauflösenden Satellitenbilddaten. Performanceprobleme, eine starke Übersegmentierung oder Fehlsegmentierungen sind häufig die Folge. Begründbar ist dies durch die Herkunft der Ansätze, die teilweise nicht primär für die Fernerkundung entwickelt wurden. So neigen die aus der statistischen Physik stammenden Data Dissection Tools zur starken Übersegmentierung kleinteiliger Nutzungen sowie zu Fehlsegmentierungen bei kontrastärmeren Übergängen. Der Minimum Entropy Approach to Adaptive Image Polygonization bildet geradlinig verlaufende Grenzen (von sog. manmade features) gut ab. Natürliche Grenzverläufe werden durch das verwendete Triangulationsverfahren häufig ungenau abgeleitet. Die performanceschwache ImageSegmentationErweiterung für Erdas Imagine führt häufig zu Fehlsegmentierungen. Der für die Segmentierung von RadarDaten entwickelte InfoPACKVorgänger CEASAR erbringt wenig nützliche Resultate. Für den Anwender sind derzeit die kommerziell verfügbaren Programme vorzuziehen, da sie neben vergleichsweise guten Ergebnissen und einer guten Performance hilfreiche Werkzeuge zur Klassifikation bieten. 6 Schlussfolgerungen und Ausblick Die Segmentierungsansätze reagieren häufig sehr sensibel gegenüber geringfügigen Veränderungen (leichte Parameterveränderungen, Reihenfolge bei hierarchischer Segmentierung, Bilddaten (Bildgröße, Farbtiefe), etc.), wodurch der Anwender mit einer großen Zahl von

5 Vergleich von Segmentierungsprogrammen für Fernerkundungsdaten Tab. 2: Vergleich der Segmentierungsergebnisse anhand einer Beispielreferenzfläche sowie allgemeine Bewertung der Gesamtsegmentierungen. Segmentierungsansatz Graphische Darstellung Referenzobjekt** ecognition 2.1 ecognition 3.0 Data Dissection Tools CAESAR 3.1 InfoPACK 1.0 Image Segmentation (für Erdas) Beschreibung/ Bemerkungen Teilsegmente Größe [m²]* Differenz [%] Umfang [m]* Differenz [%] ShapeIndex* Differenz [%] Visuelle Bewertung der Gesamtsegmentierung Grünland umgeben von Wald und Straße, visuell segmentiert ,87 Visuelle Abgrenzung als Vergleichsmaßstab der Segmentierungsqualität Leichte Fehlsegmentierungen erkennbar ,65 41 Zumeist gute z. T. irregulär abgegrenzte Segmente, deutliche Abweichung zu Ver. 3.0 Leichte Fehlsegmentierungen erkennbar ,19 17 Zumeist gute z. T. irregulär abgegrenzte Segmente, deutliche Abweichung zu Ver. 2.1 Randbereich sehr stark übersegmentiert, sehr viele Kleinstsegmente ,96 4 Z. T. gute starke Übersegmentie rung heller Objekte, Entstehung vieler Kleinstsegmente Stark übersegmentiert, Fehlsegmentierung (insb. Waldrand) ,69 44 Neigt zu kompakten Segmenten, Über und Fehlsegmentierung (insb. linearer Objekte) Stark übersegmentiert, schlauchförmige Randsegmente ,99 6 Zumeist gute neigt zur Übersegmentierung und zur Bildung schlauchförmiger Randsegmente *Werte ermittelt anhand entsprechend zusammengefasster Teilsegmente; **Referenzobjekt zum Vergleich aufgerastert Sehr starke Fehlsegmentierung , Bildung sehr großer sowie Kleinstsegmenten, nicht nachvollziehbare horizontale und vertikale Linien Minimum Entropy Approach Übersegmentiert, Geradlinigkeit durch Triangulation deutlich ,25 20 Geradlinige Grenzen werden gut abgebildet, natürliche z. T. fehlerhaft, Übersegmentierung

6 Marco Neubert und Gotthard Meinel Freiheitsgraden konfrontiert wird. Durch die zumeist nach dem trialanderrorprinzip erfolgende Parameterwahl entstehen subjektiv beeinflusste Resultate. Eine Minimierung dieser Einflussmöglichkeiten sollte daher angestrebt werden. Das Forschungsfeld der fernerkundlichen Bildverarbeitung ist gekennzeichnet durch eine hohe Entwicklungsdynamik getragen von der Entwicklung technischer Möglichkeiten. Die Segmentierung von Bilddaten ist für hochauflösende Bilddaten unverzichtbar geworden. Die weitere Entwicklung erster, erfolgversprechender Segmentierungsansätze bietet viele Potenziale, um die Anwendung im Bereich der Fernerkundung genauer und effizienter zu gestalten. So könnte z. B. die Nutzung der Texturinformation die Segmentierungsergebnisse weiter verbessern, derzeit bietet lediglich InfoPACK diese Option an. Um die unterschiedlichen Segmentierungen räumlich vergleichen und deren Güte bewerten zu können, wird im weiteren Projektverlauf das JAVATool SEQ (DELPHI IMM) genutzt. Durch SEQ wird ein Index berechnet, welcher die Güte der Segmentgrenzen im Vergleich zur Referenzfläche beschreibt, womit die Lageübereinstimmung bewertet wird. 7 Danksagung Diese Forschungsarbeit wurde durch die Deutsche Forschungsgemeinschaft im Rahmen des Projektes Nutzungsmöglichkeiten neuester, hochauflösender Satellitenbilddaten für die Raumplanung (Me 1592/12) gefördert. Für die Bearbeitung der Segmentierungen danken wir Frau Dr. Prietzsch (Infoterra), Herrn Prof. Oliver (InfoSAR), Herrn Dr. von Ferber (Universität Freiburg) sowie Herrn Hermes (Universität Bonn). Für die Bereitstellung der Software SEQ sei Herrn Dr. Lessing (DELPHI IMM) gedankt. 8 Literatur Baatz, M. & A. Schäpe (2000): Multiresolution Segmentation an optimization approach for high quality multiscale image segmentation. In: Strobl, J. et al. (Hrsg.): Angewandte Geographische Informationsverarbeitung XII. Wichmann, S Cook, R.; I. McConnell; D. Stewart & C. Oliver (1996): Segmentation and simulated annealing. In: Franceschetti, G. et al. (Eds.): Microwave Sensing and Synthetic Aperture Radar. Proc. SPIE 2958, pp Ferber, C. von & F. Wörgötter (2000): Cluster update algorithm and recognition. Phys. Rev. E 62, Nr. 2, Part A, pp Hermes, L. & J. M. Buhmann (2001): A New Adaptive Algorithm for the Polygonization of Noisy Imagery. Technical Report IAITR20013, Dept. of Computer Science III, University of Bonn. Kettig, R. L. & D. A. Landgrebe (1976): Classification of Multispectral Image Data by Extraction and Classification of Homogeneous Objects. IEEE Transactions on Geoscience Electronics, Vol. GE14, No. 1, pp Meinel, G.; M. Neubert & J. Reder (2001): Pixelorientierte versus segmentorientierte Klassifikation von IKONOSSatellitenbilddaten ein Methodenvergleich. PFG 3/2001, Schweizerbart, Stuttgart, S Ruefenacht, B.; D. Vanderzanden; M. Morrison & M. Golden (2002): New Technique for Segmenting Images. Programmdokumentation.