Expansion of Image Change Detection Algorithms by Clustering Methods

Abstract

Die Arbeit untersucht die Erweiterung von Change-Detection Methoden auf SAR-Daten durch den Einsatz von Clustering als Vorverarbeitungsschritt. Dies wurde im Rahmen des Projekts RESIKOAST am Deutschen Zentrum für Luft- und Raumfahrt durchgeführt, in dem Veränderungen an Küsten infolge extremer Wetterereignisse erforscht werden. Dabei wird ein Autoencoder zur Extraktion wichtiger Merkmale und so zur Erkennung von Anomalien und langfristigen Änderungen, sogenannten Hotspots, verwendet. Aufgrund bisheriger Untersuchungen wurde ermittelt, dass die Heterogenität der Küstenoberflächen die Performanz des Autoencoders beeinflussen kann. Um dies näher zu untersuchen, wurden im Rahmen der vorliegenden Arbeit Clustering-Algorithmen verwendet, um ähnliche Oberflächen auf den Bilddaten zu gruppieren und so eine gezieltere Anwendung des Autoencoders zu ermöglichen. Untersucht wurden dabei verschiedene Clustering-Verfahren, wie K-Means, Fuzzy C-Means, DBSCAN und HDBSCAN. Diese Algorithmen wurden aufgrund von mit Vergleichen mit ähnlichen Untersuchungen ausgewählt. Die Anwendung der Clustering-Methoden wurde dann evaluiert. Dabei zeigten vor allem K-Means und Fuzzy C-Means gute Ergebnisse, die die verschiedenen Oberflächen gut in Cluster trennen konnten. Durch verschiedene Anpassungen konnten die Ergebnisse noch weiter verbessert werden. Eingebettet in die Change-Detection-Pipeline führte die Vorverarbeitung mit Clustering zu klarer abgegrenzten und besser strukturierten erkannten Veränderungen und deutet so auf eine Verbesserung hin. Damit lässt sich der Vorverarbeitungsschritt als vielversprechende Möglichkeit weiter nutzen.