|
Entwicklung einer vektorbasierten, mathematischen Morphologie für die Beschreibung und Klassifikation von Hyperspektralbildern in der FernerkundungFernerkundung ist heute von großer Bedeutung für
verschiedene Anwendungsgebiete, z.B. die
Umweltüberwachung, Stadtplanung, ökosystem-basiertes,
natürliches Ressourcen-Management, Erfassung von urbanen
Anpassungsprozessen und die Überwachung
landwirtschaftlicher Flächen. Die Mehrheit der genannten
Überwachungs- und Erfassungsanwendungen erfordert eine
"gelabelte" Karte der Fernerkundungsbilder, in der
einzelne
Pixel bestimmten Klassen zugeordnet sind, z.B. Wasser,
Asphalt, Gras etc. In anderen Worten: Klassifikation ist
ein notwendiger Schritt für diverse
Fernerkundungsanwendungen. Es ist weitgehend anerkannt,
dass die Auswertung sowohl der spektralen als auch der
räumlichen Eigenschaften der Bildpunkte die
Klassifikationsrate im Vergleich zur Verwendung rein
spektralbasierter Merkmale verbessert. In dieser Hinsicht sind morphologische Profile (MP) eine
beliebte und mächtige Bildanalysetechnik, die die
Berechnung solcher spektral-räumlichen
Bildpunktbeschreibungen erlauben. Sie wurden im
vergangenen Jahrzehnt ausführlich untersucht und ihre
Effektivität mehrfach bestätigt. Die Charakterisierung der räumlichen Information, die
durch ein MP gewonnen wurde, ist insbesondere zur
Repräsentation der Multiskalen-Variationen von
Bildstrukturen geeignet. Diese sind jedoch durch die Form
der strukturierenden Elemente beschränkt. Um diese
Beschränkung zu umgehen, wurden morphologische
Attributprofile (AP) entwickelt. Durch das direkte
Arbeiten auf verbundenen Komponenten statt auf Pixeln ist
nicht nur die Anwendung beliebiger Regionendeskriptoren
(z.B. Form, Farbe, Textur etc.) möglich, sondern es wird
auch der Weg für eine objektbasierte Bildanalyse
bereitet. Zusätzlich können APs effizient durch
hierarchische Bildrepräsentation implementiert werden,
z.B. durch Max-/Min-Bäume und Alpha-Bäume. Die o.g. Techniken für die Analyse von hyperspektralen
Fernerkundungsbildern basieren grundlegend auf einer
Einzelverarbeitung (Marginal-Verfahren) der Bilder, d.h.
die Analyse jedes einzelnen Kanals für sich und nicht
gleichzeitig. Deshalb wird die Korrelation der Kanäle in
den konventionellen Marginal-Verfahren vernachlässigt. Aus diesem Grund liegt der Schwerpunkt unseres Projekts
auf der Erweiterung der mathematischen Morphologie auf
das Gebiet der Analyse von Hyperspektralbildern und der
Anwendung von Operatoren, die auf dem morphologischen
Inhalt basieren, wie z.B. MP und AP, auf allen
Spektralbändern gleichzeitig, um die Korrelation der
Spektralkanäle zu berücksichtigen. | Projektleitung: PD Dr.-Ing. Christian Riess
Beteiligte: AmirAbbas Davari, M. Sc.
Stichwörter: Fernerkundung; Hyperspektralbilder; Mathematische Morphologie; morphologische inhaltbasierte Operatoren; Attribut-Profile
Laufzeit: 1.3.2016 - 30.9.2019
Förderer: Erlangen Graduate School of Heterogeneous Image Systems (Research Training Group 1773)
Kontakt: Davari, AmirAbbas Telefon +49 9131 85 27882, Fax +49 9131 85 27270, E-Mail: amir.davari@fau.de
| Publikationen |
---|
Davari, AmirAbbas ; Aptoula, Erchan ; Yanikoglu, Berrin ; ; Riess, Christian: GMM-Based Synthetic Samples for Classification of Hyperspectral Images With Limited Training Data. In: IEEE Geoscience and Remote Sensing Letters 15 (2018), Nr. 6, S. 942-946 [doi>10.1109/LGRS.2018.2817361] | Davari, AmirAbbas ; Christlein, Vincent ; Vesal, Sulaiman ; ; Riess, Christian: GMM Supervectors for Limited Training Data in Hyperspectral Remote Sensing Image Classification. In: Felsberg, Michael (Hrsg.) : Computer Analysis of Images and Patterns (17th international Conference on Computer Analysis of Images and Patterns (CAIP) Ystad, Sweden 22-24.8.2017). Bd. 2. 2017, S. 296-306. | Davari, AmirAbbas ; Aptoula, Erchan ; Yanikoglu, Berrin: On the effect of synthetic morphological feature vectors on hyperspectral image classification performance. In: IEEE (Hrsg.) : Signal Processing and Communications Applications Conference (SIU), 2015 23th (23th Signal Processing and Communications Applications Conference (SIU) Malatya, Turkey 2015). 2015, S. 653-656. | Davari, AmirAbbas ; Oezkan, Hasan Can ; ; Riess, Christian: Fast Sample Generation with Variational Bayesian for Limited Data Hyperspectral Image Classification. In: IEEE (Hrsg.) : International Geoscience and Remote Sensing Symposium (IGARSS) (International Geoscience and Remote Sensing Symposium (IGARSS) Valencia, Spain 22-27.07). 2018, S. tbd. |
Institution: Lehrstuhl für Informatik 5 (Mustererkennung)
|
|
|
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|