UnivIS
Informationssystem der Friedrich-Alexander-Universität Erlangen-Nürnberg © Config eG 
FAU Logo
  Sammlung/Stundenplan    Modulbelegung Home  |  Rechtliches  |  Kontakt  |  Hilfe    
Suche:      Semester:   
 
 Darstellung
 
Druckansicht

 
 
 Außerdem im UnivIS
 
Vorlesungs- und Modulverzeichnis nach Studiengängen

Vorlesungsverzeichnis

 
 
Veranstaltungskalender

Stellenangebote

Möbel-/Rechnerbörse

 
 
Entwicklung einer vektorbasierten, mathematischen Morphologie für die Beschreibung und Klassifikation von Hyperspektralbildern in der Fernerkundung

Fernerkundung 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