Objektkategorisierung für polarimetrisch-interferometrische SAR-Daten
Zusammenfassung der Projektergebnisse
Die wichtigste Innovation dieses Projektes ist die Entwicklung einer generellen Verarbeitungskette zur automatischen, kontext-basierten Objektkategorisierung in PolSAR-Daten. Einzige Voraussetzung für deren Anwendbarkeit ist die Bereitstellung von Bilddaten beliebigen Formats und von entsprechenden Referenzdaten. Das entwickelte Verfahren kann sowohl vollpolarimetrische, dual-polarimetrische als auch einkanalige SAR-Daten verarbeiten. Die Erweiterung auf andere Datenarten, wie zum Beispiel optische Bilder, ist ohne weiteres möglich. Ausgehend von den bereitgestellten Daten wird eine große Menge an grundlegenden Merkmalen extrahiert, die neben SAR- und PolSAR-spezifischen Merkmalen auch Standardoperatoren der Analyse von optischen Daten enthält. Das im Projekt entwickelte Verfahren selektiert aus dieser Menge automatisch und problemabhängig aussagekräftige Merkmale während andere ignoriert werden. Dies ermöglicht nicht nur eine große Generalität, sondern erlaubt dem Benutzer auch eine Interpretation der gefundenen Lösung des Klassifikationsproblems. Ausgehend von einer neuartigen semantischen Segmentierung werden anschließend höherwertige Merkmale extrahiert, die neben radiometrischer und Texturinformation auch Formeigenschaften und Semantik beschreiben. Diese Merkmale ermöglichen eine signifikante Verbesserung der ursprünglichen Schätzung. Somit findet eine Klassifikation zweimal statt. Erstere greift nur auf Merkmale eines niedrigen Informationslevels zu. Ihre Ausgabe wird genutzt um höherwertige Merkmale zu generieren, welche als Eingabe der zweiten Klassifikation genutzt werden. In beiden Klassifikationsstufen wurden Random Forests eingesetzt, da diese in einzigartiger Weise die Ansprüche der generischen Objektkategorisierung erfüllen. Dabei wurden Teilaspekte des "Random Forests"-Klassifizierers entscheidend verbessert.
Projektbezogene Publikationen (Auswahl)
- "Building Detection From One Orthophoto and High-Resolution InSAR Data Using Conditional Random Fields". IEEE Journal of selected topics in applied Earth Observations and Remote Sensing
J.D. Wegner, R. Hänsch, A. Thiele and U. Soergel
- "Semi-Supervised Learning For Classification of Polarimetric SAR- Data". Proceedings of IGARSS 2009, Capetown, South Africa, July 2009
R. Hänsch and O. Hellwich
- "Complex-Valued Multi-Layer Perceptrons - An Application to Polarimetric SAR data". PE&RS, Photogrammetric Engineering & Remote Sensing Journal, 2010
R. Hänsch
- "Fusion of high-resolution InSAR data and optical imagery for building detection using Conditional Random Fields". 8th European Conference on Synthetic Aperture Radar, Aachen, 2010, S.1090-1093
J.D. Wegner, R. Hänsch, A. Thiele and U. Soergel
- "Radar Remote Sensing of Urban Areas (Remote Sensing and Digital Image Processing) - Chapter 5: Object Recognition from Polarimetric SAR Images". Uwe Soergel (Ed.), Springer Verlag, March 2010
R. Hänsch, O. Hellwich
- "Random Forests for Building Detection in Polarimetric SAR data". Proceedings of IGARRS 2010, Hawaii, USA, July 2010
R. Hänsch and O. Hellwich
