Bildklassifizierungstechniken in der Fernerkundung [Infografik]

Was ist Bildklassifizierung in der Fernerkundung?

Die 3 Haupttypen von Bildklassifizierungstechniken in der Fernerkundung sind:

• Unüberwachte Bildklassifizierung
• Überwachte Bildklassifizierung
• Objektbasierte Bildanalyse

Unüberwachte und überwachte Bildklassifizierung sind die beiden häufigsten Ansätze.

Die objektbasierte Klassifizierung hat jedoch an Popularität gewonnen, da sie für hochauflösende Daten nützlich ist.

WEITERLESEN: 15 kostenlose Satellitenbilddatenquellen

1. Unbeaufsichtigte Klassifizierung

Insgesamt ist die unbeaufsichtigte Klassifizierung die grundlegendste Technik. Da Sie keine Muster für die unbeaufsichtigte Klassifizierung benötigen, ist dies eine einfache Möglichkeit, ein Bild zu segmentieren und zu verstehen.

Die beiden grundlegenden Schritte für die unbeaufsichtigte Klassifizierung sind:

• Cluster generieren
• Klassen zuweisen

Mit Fernerkundungssoftware erstellen wir zunächst “Cluster”. Einige der gängigen Bildclusteralgorithmen sind:

• K-means
• ISODATA

Nachdem Sie einen Clustering-Algorithmus ausgewählt haben, identifizieren Sie die Anzahl der Gruppen, die Sie generieren möchten. Sie können beispielsweise 8, 20 oder 42 Cluster erstellen. Weniger Cluster haben mehr ähnliche Pixel innerhalb von Gruppen. Aber mehr Cluster erhöht die Variabilität innerhalb von Gruppen.

Um klar zu sein, sind dies nicht klassifizierte Cluster. Der nächste Schritt besteht darin, jedem Cluster manuell Landbedeckungsklassen zuzuweisen. Wenn Sie beispielsweise Vegetation und Nichtvegetation klassifizieren möchten, können Sie die Cluster auswählen, die sie am besten darstellen.

WEITERLESEN: Überwachte und unbeaufsichtigte Klassifizierung in ArcGIS

2. Überwachte Klassifizierung

Die drei grundlegenden Schritte für die überwachte Klassifizierung sind:

• Trainingsbereiche auswählen
• Signaturdatei generieren
• Klassifizieren

Für die überwachte Bildklassifizierung erstellen Sie zunächst Trainingsbeispiele. Sie markieren beispielsweise städtische Gebiete, indem Sie sie im Bild markieren. Dann würden Sie weiterhin Schulungsstandorte hinzufügen, die im gesamten Bild repräsentativ sind.

Für jede Landbedeckungsklasse erstellen Sie weiterhin Trainingsproben, bis Sie repräsentative Proben für jede Klasse haben. Dies wiederum würde eine Signaturdatei erzeugen, in der alle spektralen Trainingsprobeninformationen gespeichert sind.

Schließlich besteht der letzte Schritt darin, die Signaturdatei zum Ausführen einer Klassifizierung zu verwenden. Von hier aus müssten Sie einen Klassifizierungsalgorithmus auswählen wie:

• Maximum Likelihood
• Minimum-distance
• Principal components
• Support Vector machine (SVM)
• Iso Cluster

Wie mehrere Studien gezeigt haben, ist SVM einer der besten Klassifikationsalgorithmen in der Fernerkundung. Aber jede Option hat ihre eigenen Vorteile, die Sie selbst testen können.

3. Objektbasierte Bildanalyse (OBIA)

Hier sind die Schritte zur objektbasierten Bildanalyse::

• Multiresolution-Segmentierung durchführen
• Trainingsbereiche auswählen
• Statistiken definieren
• Klassifizieren

Objektbasierte Bildanalyse (OBIA) segmentiert ein Bild durch Gruppieren von Pixeln. Es werden keine einzelnen Pixel erstellt. Stattdessen werden Objekte mit unterschiedlichen Geometrien generiert. Wenn Sie das richtige Bild haben, können Objekte so aussagekräftig sein, dass sie digitalisiert werden. In den folgenden Segmentierungsergebnissen werden beispielsweise Gebäude hervorgehoben.

Die 2 häufigsten Segmentierungsalgorithmen sind:

• Segmentierung mit mehreren Auflösungen in eCognition
• Segmentmittelwertverschiebung in ArcGIS

Bei der objektbasierten Bildanalyse (OBIA) können Sie Objekte mit verschiedenen Methoden klassifizieren. Sie können beispielsweise Folgendes verwenden:

FORM: Wenn Sie Gebäude klassifizieren möchten, können Sie eine Formstatistik wie “rechteckige Anpassung” verwenden. Dies testet die Geometrie eines Objekts auf die Form eines Rechtecks.

TEXTUR: Textur ist die Homogenität eines Objekts. Zum Beispiel ist Wasser meist homogen, weil es meist dunkelblau ist. Aber Wälder haben Schatten und sind eine Mischung aus Grün und Schwarz.

SPEKTRAL: Sie können den Mittelwert spektraler Eigenschaften wie nahes Infrarot, kurzwelliges Infrarot, Rot, Grün oder Blau verwenden.

GEOGRAPHISCHER KONTEXT: Objekte haben Nähe- und Entfernungsbeziehungen zwischen Nachbarn.

KLASSIFIZIERUNG DES NÄCHSTEN NACHBARN: Die Klassifizierung des nächsten Nachbarn (NN) ähnelt der überwachten Klassifizierung. Nach der Segmentierung mit mehreren Auflösungen identifiziert der Benutzer Beispielstandorte für jede Landbedeckungsklasse. Als nächstes definieren sie Statistiken, um Bildobjekte zu klassifizieren. Schließlich klassifiziert der nächste Nachbar Objekte anhand ihrer Ähnlichkeit mit den Trainingsorten und den definierten Statistiken.

LESEN SIE MEHR: Leitfaden zur Klassifizierung des nächsten Nachbarn in eCognition

Welche Bildklassifizierungstechnik sollten Sie verwenden?

Angenommen, Sie möchten Wasser in einem Bild mit hoher räumlicher Auflösung klassifizieren.

Sie entscheiden, alle Pixel mit niedrigem NDVI in diesem Bild auszuwählen. Dies könnte jedoch auch andere Pixel im Bild falsch klassifizieren, die kein Wasser sind. Aus diesem Grund verleiht eine pixelbasierte Klassifizierung wie die unbeaufsichtigte und überwachte Klassifizierung ein Salz- und Pfeffer-Aussehen.

Menschen aggregieren räumliche Informationen auf natürliche Weise zu Gruppen. Die Multiresolution-Segmentierung erledigt diese Aufgabe, indem homogene Pixel zu Objekten gruppiert werden. Wassereigenschaften sind nach multiresolution Segmentierung leicht erkennbar. So visualisieren Menschen räumliche Merkmale.

• Wann sollten Sie eine pixelbasierte (unbeaufsichtigte und überwachte Klassifizierung) verwenden?
• Wann sollten Sie die objektbasierte Klassifizierung verwenden?

Wie in diesem Artikel dargestellt, ist die räumliche Auflösung ein wichtiger Faktor bei der Auswahl von Bildklassifizierungstechniken.

Wenn Sie eine niedrige räumliche Auflösung haben, sind sowohl herkömmliche pixelbasierte als auch objektbasierte Bildklassifizierungstechniken gut geeignet.

Wenn Sie jedoch eine hohe räumliche Auflösung haben, ist OBIA der herkömmlichen pixelbasierten Klassifizierung überlegen.

Trends bei Fernerkundungsdaten

1972 erfasste Landsat-1 als erster Satellit die Erdreflexion mit einer Auflösung von 60 Metern. Zu diesem Zeitpunkt waren unbeaufsichtigte und überwachte Klassifizierung die beiden verfügbaren Bildklassifizierungstechniken. Für diese räumliche Auflösung war dies ausreichend.

OBIA ist jedoch als digitale Bildverarbeitungstechnik deutlich gewachsen.

Im Laufe der Jahre gab es eine wachsende Nachfrage nach Fernerkundungsdaten. Es gibt Hunderte von Fernerkundungsanwendungen. Zum Beispiel sind Ernährungssicherheit, Umwelt und öffentliche Sicherheit sehr gefragt. Um der Nachfrage gerecht zu werden, streben Satellitenbilder eine höhere räumliche Auflösung bei einem breiteren Frequenzbereich an.

Fernerkundungsdaten Trends:

• Allgegenwärtiger
• Höhere räumliche Auflösung
• Breiterer Frequenzbereich

Aber Bilder mit höherer Auflösung garantieren keine bessere Landbedeckung. Die verwendeten Bildklassifizierungstechniken sind ein sehr wichtiger Faktor für eine bessere Genauigkeit.

Unsupervised vs Supervised vs Object-Based Classification

Eine Fallstudie der University of Arkansas verglich die objektbasierte mit der pixelbasierten Klassifizierung. Ziel war es, Bilder mit hoher und mittlerer räumlicher Auflösung zu vergleichen.

Insgesamt übertraf die objektbasierte Klassifizierung sowohl unbeaufsichtigte als auch überwachte pixelbasierte Klassifizierungsmethoden. Da OBIA sowohl spektrale als auch kontextuelle Informationen verwendete, hatte es eine höhere Genauigkeit. Diese Studie ist ein gutes Beispiel für einige der Einschränkungen pixelbasierter Bildklassifizierungstechniken.

WEITERLESEN: 9 kostenlose globale Landbedeckungs- / Landnutzungsdatensätze

Wachstum der objektbasierten Klassifizierung

Pixel sind die kleinste Einheit, die in einem Bild dargestellt wird. Die Bildklassifizierung verwendet Reflexionsstatistiken für einzelne Pixel.

Die Fortschritte in der Technologie und die Verfügbarkeit von Bildern mit hoher räumlicher Auflösung haben stark zugenommen. Aber auch Bildklassifizierungstechniken sollten berücksichtigt werden. Der Fokus liegt auf der objektbasierten Bildanalyse, um qualitativ hochwertige Produkte zu liefern.

Laut den Suchergebnissen von Google Scholar haben alle Bildklassifizierungstechniken ein stetiges Wachstum der Anzahl der Veröffentlichungen gezeigt. In letzter Zeit hat die objektbasierte Klassifizierung ein starkes Wachstum gezeigt.

Dieses Diagramm zeigt die jährlichen Suchergebnisse von Google Scholar mit dem Suchbegriff “AllinTitle:” an.

Wenn Ihnen dieser Leitfaden zu Bildklassifizierungstechniken gefallen hat, empfehle ich Ihnen, die Infografik zur Klassifizierung von Fernerkundungsbildern herunterzuladen.

1. Blaschke T, 2010. Objektbasierte Bildanalyse für die Fernerkundung. ISPRS Zeitschrift für Photogrammetrie und Fernerkundung 65 (2010) 2-16
2. Objektbasierte Klassifizierung vs. pixelbasierte Klassifizierung: Vergleichende Bedeutung von Bildern mit mehreren Auflösungen (Robert C. Weih, Jr. und Norman D. Riggan, Jr.)
3. Multiresolution Segmentation: ein Optimierungsansatz für qualitativ hochwertige Multi-Scale-Bildsegmentierung (Martin Baatz & Arno Schape)
4. Trimble eCognition Entwickler: http://www.ecognition.com