elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Imprint | Contact | Deutsch
Fontsize: [-] Text [+]

Objektbasierte Klassifizierung hochauflösender Daten in urbanen Räumen unter besonderer Berücksichtigung von Oberflächenmodellen/Object based classification of high resolution data in urban areas considering digital surface models

Oczipka, Martin (2007) Objektbasierte Klassifizierung hochauflösender Daten in urbanen Räumen unter besonderer Berücksichtigung von Oberflächenmodellen/Object based classification of high resolution data in urban areas considering digital surface models. Dissertation, FU Berlin.

Full text not available from this repository.

Abstract

Im Laufe der letzten Jahre wurden analoge Luftbildkameras mehr und mehr durch digitale Kameras ersetzt. Digital aufgezeichnete Daten haben große Vorteile gegenüber Daten, die auf einem Film aufgezeichnet wurden. So können auch in verschatteten Bereichen Bilddaten erhoben werden. Diese Bildinformationen sind für eine stabile und kontinuierliche Klassifizierung unverzichtbar, da nicht klassifizierbare Bereiche so klein wie möglich gehalten werden sollen. Vor dem Hintergrund dieses technologischen Fortschritts stellt sich die Frage, wie solche radiometrisch und geometrisch hochauflösenden Daten in urbanen Räumen zur automatischen Bildanalyse genutzt werden können. In dieser Arbeit wurde ein objektbasierter Klassifizierungsalgorithmus eingesetzt, um sein Potenzial zur Aktualisierung von Karten zu überprüfen. Pixelbasierte Verfahren sind zur Auswertung von sehr hochauflösenden Daten eher ungeeignet, da kontinuierliche Objekte wegen ihrer spektralen Heterogenität in einzelne Teile zerlegt werden. Objektbasierte Klassifizierung ist hier eine gute Alternative, da Segmente erzeugt werden können, die semantische Objekte wiedergeben. Für diese Untersuchung wurden Bilddaten der HRSC-AX verwendet, einer Weiterentwicklung der HRSC-A. Die HRSC-AX ist ein pushbroom scanner. Durch die photogrammetrische Prozessierung entstehen vier multispektrale Kanäle - rot, grün, blau und nahes infrarot. Die fünf panchromatischen Kanäle werden zur Generierung eines Oberflächenmodells verwendet. Dieses kann zur Erzeugung von Orthobildern eingesetzt werden. Üblicherweise beträgt die geometrische Auflösung 20 cm in X und Y sowie einen Dezimeter in Z. Die hier verwendeten Bilddaten wurden nicht von 12bit auf 8bit reduziert, um einen Informationsverlust zu vermeiden. HRSC-AX-Bilddaten und Oberflächenmodelle von Berlin wurden dazu verwendet, eine automatische Bildanalyse mit der Software Definiens Developer zu testen. Alternativ zum HRSC-Oberflächenmodell wurde ein LIDAR-Oberflächenmodell zur Segmentierung der Daten eingesetzt. Beide Datensätze wurden verglichen und auf ihre Genauigkeit untersucht, um ihre Eignung zur Segmentierung beurteilen zu können. Der Vergleich der Standardabweichungen der Oberflächenmodelle zu den Kontrollpunkten zeigt, dass der LIDAR-Datensatz zuverlässiger ist. Beide Oberflächenmodelle wurden in der Bildanalyse getestet. Digitale Oberflächenmodelle (DOM) sind unverzichtbar, um Vegetationsklassen und verschiedene Gebäudetypen trennen zu können und tragen entscheidend zur Stabilisierung der Klassifizierung bei. Definiens Developer erlaubt es, einen Bildanalysealgorithmus auf andere Datensätze desselben Sensors oder an andere Sensoren und Aufnahmebedingungen anzupassen. Der Vergleich der Ergebnisse der Bildanalysen zeigt erstaunlich geringe Unterschiede. Dies ist auch durch den objektbasierten Klassifizierungsansatz zu erklären, da dieser Pixel zu Objekten gruppiert und damit Fehler glättet. Der Wert der Kappa-Statistik für alle Klassen betrug in der Klassifizierung, für die HRSC-Bilddaten und DOM verwendet wurden, 0,8709 und 0,8646 bei der Verwendung von multispektralen Daten und LIDAR-DOM. Ohne den Einsatz eines DOM bei der Segmentierung wurde ein Kappa-Wert von 0,8708 ermittelt. Trotz dieser kleinen statistischen Unterschiede ergeben sich bei der visuellen Evaluierung die besten Segmentierungsergebnisse durch die Kombination von HRSC-Bilddaten und LIDAR-DOM. Unter Verwendung der Automatisierten Liegenschaftskarte (ALK) wurden weitere qualitative Analysen durchgeführt. Die Verschneidung von Klassifizierungsergebnissen und ALK legt Probleme und Fehler, die bei der Aktualisierung der ALK entstehen können, offen. Eine direkte Fortführung der ALK ist im Allgemeinen auf dieser Basis kaum möglich, da die ALK auf Grundrissen basiert. Diese sind im Luftbild schwierig zu identifizieren. Trotzdem sind Verschneidungen aus Klassifizierungen und ALK sehr nützlich, da Veränderungen bei Bebauung und Vegetation schnell erkannt werden können. Zur Beurteilung des Versiegelungsgrades innerhalb von Blöcken können aussagekräftige Ergebnisse durch die Überführung der Klassifizierungen in ein GIS und die Verschneidung mit der ALK erzielt werden. Obwohl eine direkte Aktualisierung von Karten kaum möglich ist, wird der Prozess des Monitoring durch die automatisierte Bildanalyse entscheidend erleichtert.

Document Type:Thesis (Dissertation)
Title:Objektbasierte Klassifizierung hochauflösender Daten in urbanen Räumen unter besonderer Berücksichtigung von Oberflächenmodellen/Object based classification of high resolution data in urban areas considering digital surface models
Authors:
AuthorsInstitution or Email of Authors
Oczipka, Martinmartin.oczipka@dlr.de
Date:2007
Status:Published
Keywords:HRSC, obejct based classification, LIDAR, DSM
Institution:FU Berlin
Department:FB Geowissenschaften
HGF - Research field:Aeronautics, Space and Transport (old)
HGF - Program:Space (old)
HGF - Program Themes:W - no assignement
DLR - Research area:Space
DLR - Program:W - no assignement
DLR - Research theme (Project):W -- no assignement (old)
Location: Berlin-Adlershof
Institutes and Institutions:Optical Information Systems
Deposited By: Ute Dombrowski
Deposited On:01 Dec 2008
Last Modified:14 Jun 2011 06:57

Repository Staff Only: item control page

Browse
Search
Help & Contact
Informationen
electronic library is running on EPrints 3.3.12
Copyright © 2008-2012 German Aerospace Center (DLR). All rights reserved.