DE19939732C2 - Verfahren zur automatischen Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten - Google Patents

Abstract

Dei Erfindung betrifft ein Verfahren zur automatischen Detektion und Identifiktion von Objekten in multispektralen Fernerkundungsdaten, umfassend folgende Verfahrensschritte: DOLLAR A a) Durchführung eines Trainingsgebietsallokationstests (TAT), DOLLAR A b) Durchführung eines Strukturanalysetests (SAT), DOLLAR A c) Durchführung eines Umgebungsanalysetests (UAT), DOLLAR A d) Durchführung eines Multispektralanalysetests (MST) unter zur Hilfenahme von a-priori-Informationen von charakteristischen spektralen Signaturen der zu identifizierenden Objekte, DOLLAR A e) Gewichtetes Zusammenfassen der Verfahrensergebnisse nach dem Verfahrensansprüchen a)-d) einschließlich der a-priori Informationen und DOLLAR A f) Klassifizierung der detektierten Objekte mittels der gemäß Verfahrensschritt e) ermittelten Datenbasis.

Description

Die Erfindung betrifft ein Verfahren zur automatischen Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten.

Multispektrale Fernerkundungsdaten werden beispielsweise von satellitengestützten Kameras oder von Luftbildkameras in Flugzeugen gewonnen. Die multispektralen Fernerkundungsdaten liegen dabei bei Verwendung digitaler Kameras bereits in digitaler Form vor oder werden durch A/D-Wandlung der Filme digitalisiert und weiterverarbeitet.

Es existieren bereits eine Reihe grundlegender Verfahren zur Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten wie beispielsweise Clusteranalysen. Diese Verfahren beruhen darauf, daß von optischen Sensoren unterschiedliche Merkmale der verschiedenen Objekte erfaßt werden. Das sind beispielsweise der Grauton, die Farbe, die multispektrale Signatur, die Oberflächenstruktur (Textur), die Form oder das zeitliche Verhalten eines solchen Objektes. In all diesen Verfahren sind bestimmte Kriterien im Merkmalsraum festzulegen, nach denen die Unterscheidung vorgenommen werden kann, ob ein Bildpunkt einem Objekt zugeordnet wird oder nicht. In der Regel werden bildpunktbezogene oder umgebungsabhängige Informationen zur Segmentierung herangezogen. Die oben geschilderten Verfahren werden überwacht oder unüberwacht betrieben. Daraus folgt im Fall der überwachten Verfahren, daß ein erheblicher Teil der Identifikationsarbeit durch den Interpreter (zum Teil im interaktiven Modus) durch umfangreiches Parameter-Tuning zu leisten ist. Im Fall der unüberwachten Verfahren resultieren demgegenüber zum Teil erhebliche Fehlzuordnungen. Eine der Ursachen ist, daß die Bestimmung von Zurückweisungsradien oder die Auswahl von Testgebieten in der Regel subjektiv stark beeinflußt und zusätzlich durch Wolkenschatten, verschiedene Beleuchtungsverhältnisse und ähnliches erschwert ist.

Aus E. Dennert-Möller "die Verwendung von Zusatzinformationen zur Verbesserung der digitalen multispektralen Klassifizierung von Fermerkundungsaufnahmen" in: Mustererkennung 1984, DAGM-Symposium, Graz, Springer-Verlag, 1984, Seiten 42-48 ist es bekannt, Zusatzinformationen einzubeziehen, die Aussagen über das konkrete Klassifizierungsproblem liefern, um die Trennbarkeit der Klassen zu verbessern. Diese Zusatzinformationen werden entweder in den Klassifizierungsprozess einbezogen oder dienen zur Erweiterung des Merkmalraums und des Einsatzes von verallgemeinerten a-priori-Wahrscheinlichkeiten.

Aus M. Köhler, S. Kinzel "Automatische Klassifikation multispektraler Bilddaten aus der Fernerkundung" in: Mustererkennung 1988, 10. DAGM-Symposium, Zürich, Springer-Verlag, Seiten 172-178 ist es bekannt, dass die überwachte Klassifikation dadurch gekennzeichnet ist, dass die Nutzung bestimmter Gebiete genau bekannt ist. Die spektralen Werte dieser Gebiete werden als Stichproben für die jeweils zu untersuchenden Klassen benutzt. Vom Anwender, der entsprechende Kenntnisse über das Untersuchungsgebiet besitzen muss, wird über Art und Anzahl der Cluster (Klassen) entschieden. Im ersten Schritt wird in einem interaktiven Eingriff die Anzahl der Objektklassen bestimmt. Im zweiten Schritt wählt der Anwender Szenenausschnitte als sogenannte Trainingsgebiete aus, bei denen davon ausgegangen wird, dass sie Abbildungen für die Objektklassen sind. Die Klassifizierung erfolgt nun derart, dass sämtliche Bildpunkte der Szene nach vorgegebenen Kriterien einer der Musterklassen zugeordnet werden. Bei der automatischen Klassifikation werden ähnliche Objekte zu sogenannten Klassen zusammengefasst, wobei diese intern möglichst homogen und extern möglichst separiert sein sollen. Die Ähnlichkeit zwischen Objekten wird durch ein numerisches Maß bestimmt, die Ähnlichkeits- bzw. Distanzfunktion. Für die Durchführung einer Clusteranalyse wird entweder eine Ähnlichkeits- oder eine Distanzmatrix erstellt. Bei dem dargestellten Verfahren sind jedoch an verschiedenen Stellen interaktive Eingriffe eines Operators notwendig.

Die US-5,640,468 betrifft ein Verfahren zur Detektion von 3D-Objekten in 3D-Bildern, insbesondere von erdgebundenen Fahrzeugen. In diesen Bildern wird die Entfernung der Messeinrichtung (z. B. Radar) zu allen Punkten im Blickfeld als dritte Dimension dargestellt. Die eigentlichen Segmentierungskriterien sind danach die Distanz von benachbarten Bildpunkten zum Sensor und deren Entfernung zueinander. Diese Objekte, wobei von einem realen Objekt nur Bruchstücke erfasst zu sein brauchen, werden mit Daten von Objektcharakteristika in einer Datenbank verglichen und nach einer Zuordnungswahrscheinlichkeit klassifiziert oder identifiziert. Bei multispektralen Fernerkundungsdaten stehen derartige Abstandsinformationen im allgemeinen nicht zur Verfügung.

Der Erfindung liegt daher das technische Problem zugrunde, ein Verfahren zur vollautomatischen Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten zu schaffen, das zur Implementierung in automatischen Prozeßketten geeignet ist.

Die Lösung des technischen Problems ergibt sich durch den Gegenstand mit den Merkmalen des Patentanspruches 1. Weitere vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen.

Hierzu umfasst das Verfahren zur vollautomatischen Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten die Schritte:

• - Durchführung eines Trainingsgebietsallokationstests (TAT), der einen Homogenitätstest (HT) und einen Trainingsgebietstest (TT) umfasst, wobei mittels ersterem Schwellwerte zur Definition von Zuweisungswahrscheinlichkeiten innerhalb eines Datensatzes ermittelt werden, die zur Lokalisierung homogener Bildbereiche dienen und mittels letzterem die lokalisierten Bildbereiche einer Frequenzanalyse unterzogen werden und die über den gesamten Spektralbereich als homogen erfassten Gebiete als Trainingsgebiete eingestuft werden,
• - Durchführung eines Strukturanalysetests (SAT), der einen Kantendetektionsalgorithmus (KD) und einen Wachstumsalgorithmus (WA) umfasst,
• - Durchführung eines Umgebungsanalysetests (UAT),
• - Durchführung eines Multispektralanalysetests (MST) unter zur Hilfenahme von a-priori-Informationen von charakteristischen spektralen Signaturen der zu identifizierenden Objekte,
• - Gewichtetes Zusammenfassen der Verfahrensergebnisse nach den vorangegangenen Verfahrensschritten einschließlich der a-priori Informationen und
• - Klassifizierung der detektierten Objekte mittels der so ermittelten Datenbasis.

Durch den modularen Aufbau des Verfahrens kann dieses weitgehend parallelisiert werden, sodass das Verfahren sehr gut in einem neuronalem Netz implementierbar ist und zudem fuzzybasiert betrieben werden kann. Ein weiterer Vorteil ist die leichte Ergänzbarkeit des Gesamtverfahrens mit zusätzlichen Auswerteverfahren, die dann nur in einem Fusionsalgorithmus entsprechend berücksichtigt werden müssen.

Die Erfindung wird nachfolgend anhand eines bevorzugten Ausführungsbeispiels näher erläutert. Die einzige Figur zeigt ein schematisches Ablaufdiagramm eines Verfahrens zur automatischen Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten.

Die automatische Detektion und Identifikation von Bildinhalten in mehrkanaligen Fernerkundungsdaten FD besteht aus vier verschiedenen Teilprozessen, die als Module zusammengefügt werden. Diese sind der Trainingsgebietsallokationstest TAT, der Strukturanalysetest SAT, der Umgebungsanalysetest UAT und der Muktispektralanalysetest MST, in die die Fernerkundungsdaten FD parallel eingelesen und verarbeitet werden. Die Verarbeitungskette ist so angelegt, daß sie durch neue Algorithmen erweiterbar bzw. modifizierbar ist. In verschiedenen Teilprozessen wird in paralleler Abarbeitung aus dem Datensatz ein Informationsgehalt mit hohem Sicherheitsgrad gewonnen. Die Verkopplung der verschiedenen Informationsgehalte gewährleistet im Ergebnis die Qualität des automatischen Verfahrens zur Detektion und Interpretation von Objekten in multispektralen Fernerkundungsdaten FD.

Der Trainigsgebeitsallokationstest TAT gliedert sich in einen Homogenitätstest HT und einen Trainigsgebietstest TT. Mit Hilfe des Homogenitätstests HT werden Schwellwerte zur Definition der Zuweisungswahrscheinlichkeit innerhalb des Datensatzes ermittelt, so daß auf der Grundlage dieser Schwellwerte homogene Bildbereiche lokalisiert werden können. Mit einer Filtermatrix (m × m) werden diese Bildbereiche auf ihre lokale Homogenität untersucht und mit den Schwellwerten verglichen. Dem sich anschließenden Trainingsgebietstest TT werden diese detektierten Bildbereiche übermittelt und mittels Frequenzanalyse auf ihren Bildinhalt hin untersucht. Definierte Bildbereiche werden dann akzeptiert, wenn sie über alte Spektralbereiche das Kriterium der Homogenität erfüllen, ansonsten werden sie abgelehnt. Diese gewonnenen Bereiche werden im folgenden als Trainingsgebiete behandelt. Der Strukturanalysetest SAT besteht aus den Modulen Kantendetektion KD zum Auffinden von "scharfen" Kanten innerhalb des Datensatzes und einem Wachstumsalgorithmus WA zum Abgrenzen von Objekten nach einem strukturanalytischen und texturellen Ansatz. Der Wachstumsalgorithmus beruht auf einem Grenzdistanzverfahren. Ausgehend von einer detektierten Kantenstruktur werden Pixel beidseitig mit zunehmender Entfernung von dieser Kante kodiert. Bei einer geschlossenen Struktur hat dieses Vorgehen zur Folge, daß ein Punkt oder Bereich größter Distanz als strukturelles Zentrum ermittelt wird, dem eine hohe Objektzugehörigkeit beigemessen werden kann. Bei nichtgeschlossenen Kantenstrukturen endet das Wachstum bei Auffüllung des angrenzenden Gebietes.

Der Umgebungsanalysetest UAT zielt auf eine Analyse der Umgebung des Einzelpixels. Dieser Test beinhaltet die Module Adaptive Filterdefinition AFD und die Flächenzerlegung FZ. Die Adaptive Filterdefinition AFD ermittelt für den gesamten Datensatz eine maximal zulässige Filtergröße über alle Pixel und für jedes Pixel die Umgebungseigenschaften. Die Flächenzerlegung FZ zielt auf die Segmentierung des Bildes in Pixel gleicher Umgebungscharakteristik (z. B. Textur). Die Zuordnung von Pixeln erfolgt hinsichtlich der Gleichartigkeit ihrer Umgebung. Dabei wird über die Größe der Umgebung auf sogenannte Misch- und Störpixel geschlossen, die gesondert hinsichtlich ihrer Zugehörigkeit zu den angrenzenden Objekten behandelt werden.

Der Multispektralanalysetest MST delektiert Gebiete, die entsprechend ihres spektralen Signatur einem definierten Objekt (Wasser, Wald u. dgl.) zugeordnet werden können. Dazu greift dieser Algorithmus auf die a priori-Datenbank DB zu und entnimmt dieser generalisierte, charakteristische spektrale Signaturen für die zu identifizierenden Objekte. Der MST besteht aus den Modulen Spektrale Analyse SA zur Erfassung der spektralen Signaturen für jedes Pixel, und der Inhaltszuweisung IZ, in dem die Detektion von definierten Objektpixeln (Wasser, Wald u. dgl.) erfolgt. Der Test realisiert die Identifikation und Zuordnung von Mischpixeln.

Darüberhinaus beinhaltet das Gesamtverfahren einen Fusionsalgorithmus FA, der die Einzelergebnisse der oben vorgenannten Tests für eine Detektion, Identifikation und Inhaltszuweisung von Bildobjekten zusammenführt, um sie einem Klassifikationsalgorithmus KA zuzuliefern.

Claims (6)

1. Verfahren zur vollautomatischen Detektion und Identifikation von Objekten in multispektralen Fernerkundungsdaten, umfassend folgende Verfahrensschritte:

• a) Durchführung eines Trainingsgebietsallokationstests (TAT), der einen Homogenitätstest (HT) und einen Trainingsgebietstest (TT) umfaßt, wobei mittels ersterem Schwellwerte zur Definition von Zuweisungswahrscheinlichkeiten innerhalb eines Datensatzes ermittelt werden, die zur Lokalisierung homogener Bildbereiche dienen und mittels letzterem die lokalisierten Bildbereiche einer Frequenzanalyse unterzogen werden und die über den gesamten Spektralbereich als homogen erfaßten Gebiete als Trainingsgebiete eingestuft werden,
• b) Durchführung eines Strukturanalysetests (SAT), der einen Kantendetektionsalgorithmus (KD) und einen Wachstumsalgorithmus (WA) umfaßt,
• c) Durchführung eines Umgebungsanalysetests (UAT),
• d) Durchführung eines Multispektralanalysetests (MST) unter zur Hilfenahme von a-priori-Informationen von charakteristischen spektralen Signaturen der zu identifizierenden Objekte,
• e) Gewichtetes Zusammenfassen der Verfahrensergebnisse nach dem Verfahrensansprüchen a)-d) einschließlich der a-priori Informationen und
• f) Klassifizierung der detektierten Objekte mittels der gemäß Verfahrensschritt e) ermittelten Datenbasis.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Wachstumsalgorithmus (WA) als Grenzdistanzverfahren ausgebildet ist.

3. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, daß der Umgebungsanalysetest (UAT) einen Modul Adaptive Filterdefinition (AFD) umfaßt, der für den gesamten Datensatz über alle Pixel eine maximale zulässige Filtergröße und für jedes Pixel die Umgebungseigenschaften ermittelt.

4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß der Umgebungsanalysetest (UAT) eine Flächenzerlegungsfunktion (FZ) umfaßt, um Bilder in Pixel gleicher Umgebungscharakteristik zu segmentieren.

5. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, daß der Multispektralanalysetest (MST) eine Spektrale Analyse (SA) umfaßt, mittels derer die spektralen Signaturen jedes Bildpixels bestimmt werden.

6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß der Multispektralanalyse (MST) eine Inhaltszuweisung (IZ) umfaßt, in der die Detektion von definierten Objektpixeln erfolgt.