Simultane Klassifikation der Bodenbedeckung und Landnutzung unter Verwendung von Conditional Random Fields

摘要

Im Rahmen dieser Arbeit wird ein neuer Ansatz zur simultanen, kontextbasierten Klassifikation der Bodenbedeckung und Landnutzung anhand von aktuellen Sensordaten vorgestellt. Zur Klassifikation werden Conditional Random Fields (CRF) [Kumar & Hebert, 2006] verwendet, die einen flexiblen, leistungsfähigen Rahmen für die kontextbasierte Klassifikation auf Basis von graphischen Modellen bilden. CRF sind ein überwachtes Verfahren, d.h. die zugrunde liegenden Klassifikatoren werden anhand von repräsentativen Trainingsdaten gelernt. Im Rahmen der Klassifikation wird den GIS-Objekten eines gegebenen räumlichen Landnutzungsdatenbestandes eine Nutzungsart und kleinräu-migen Bildsegmenten (Superpixeln) eine Bodenbedeckungsart zugewiesen. Der Ansatz ist konzipiert für monotemporale, multispektrale, hochauflösende Luftbilddaten sowie Höheninformation. Im Gegensatz zu vielen bestehenden Arbeiten ist dieser Ansatz nicht auf einen geographischen Anwendungsbereich, bestimmte Sensordaten oder eine spezifische Klassenstruktur beschränkt, sondern lässt sich flexibel an neue Gegebenheiten anpassen. Die Klassifikation der Landnutzung bildet die Grundlage für einen semi-automatischen Verifikations- und Aktualisierungsprozess von Landnutzungsdatenbeständen. Den ersten wissenschaftlichen Beitrag dieser Arbeit bildet die Integration von Bodenbedeckung und Landnutzung in ein gemeinsames graphisches Modell, bestehend aus zwei Ebenen. Auf diese Weise entsteht eine einheitliche, konsistente Modellierung, die es erlaubt, Unsicherheiten im Rahmen der Klassifikation zu berücksichtigen. Die gemeinsame Modellierung bietet außerdem den Vorteil, Abhängigkeiten zwischen beliebigen Bildprimitiven, semantischen Klassenstrukturen und den Daten explizit zu modellieren. Dies ermöglicht die Berücksichtigung von lokalem als auch regionalem Kontext im Klassifikationsprozess. Den lokalen Kontext bilden die räumlichen Interaktionen zwischen benachbarten Bildprimitiven, die als paarweises Interaktionspotential modelliert sind. Im Gegensatz zu bereits bestehenden kontextbasierten Verfahren zur Klassifikation der Bodenbedeckung und Landnutzung, in denen die Modellierung der Nachbarschaftsbeziehungen auf a priori Wissen basiert, werden die Abhängigkeiten in dem integrierten Ansatz aus realen Daten gelernt. Bei dem regionalen Kontext handelt es sich um die bidirektionalen statistischen Abhängigkeiten zwischen der Landnutzung und der Bodenbedeckung. Diese Kontextinformation beschreibt die komplexen Abhängigkeiten zwischen mehreren Bildprimitiven einer Region, wodurch sie sich explizit nur als Potential höherer Ordnung modellieren lässt. Die Berücksichtigung dieser Kontextinformation in beide Richtungen stellt eine Neuerung dar. Um eine effiziente Inferenz in dem CRF höherer Ordnung zu ermöglichen, wird Kontextinformation zwischen den Bildprimitiven in dem graphischen Modell mit Hilfe eines iterativen Inferenzalgorithmus ausgetauscht, der den zweiten wissenschaftlichen Beitrag dieser Arbeit darstellt. Die statistischen Abhängigkeiten zwischen der Bodenbedeckung und der Landnutzung werden mit Hilfe von Kontextmerkmalen in den Klassifikationsprozess integriert, welche die komplexen Abhängigkeiten zwischen der Bodenbedeckung und der Landnutzung beschreiben. Diese Kontextmerkmale bilden die Grundlage für einen diskriminativen Klassifikator, der das Potential höherer Ordnung im Rahmen des iterativen Inferenzalgorithmus approximiert. Die Kontextmerkmale bilden den dritten Beitrag dieser Arbeit. Die Experimente werden anhand von zwei repräsentativen Testgebieten durchgeführt. Mit der Berücksichtigung von Kontext reduziert sich die Anzahl der Fehlklassifikationen in beiden Klassifikationsergebnissen im Vergleich zu einer unabhängigen, nicht-kontextbasierten Klassifikation. Für die Bodenbedeckungsklassifikation wird ein homogeneres Ergebnis und eine verbesserte geometrische Abgrenzung erzielt im Vergleich zu einer unabhängigen Klassifikation. Bei der Landnutzungsklassifikation werden speziell für GIS-Objekte mit untypischen Eigenschaften oder Ähnlichkeiten zu anderen Landnutzungsklassen Verbesserungen erzielt. Die Größe der Bodenbedeckungssegmente hat einen Einfluss auf den Detailgrad, den Glättungseffekt und die Rechenzeit.%In this thesis, a new approach is proposed for the simultaneous classification of land cover and land use based on current sensor data considering contextual information. For this purpose, Conditional Random Fields (CRF) [Kumar & Hebert, 2006] are applied, which provide a flexible, powerful statistical framework for contextual classification based on graphical models. The presented method is supervised, i.e. it requires representative training data to learn the classifier. Land cover classification is carried out at the level of small image segments (super-pixels), whereas land use is determined at the level of objects from a geospatial database, represented by polygons. This approach is designed for monotemporal, high-resolution, multispectral aerial image data and height information. In contrast to many existing techniques, the approach is not limited to a certain application area, class structure or specific type of sensor data. Due to its flexibility, the approach can be adapted easily to different circumstances. Classification is the first step of a semi-automatic scheme for the verification and update of geospatial land use databases. In order to realize a simultaneous classification of land cover and land use, both classification tasks are combined in a graphical model consisting of two layers. The design of the graphical model forms the first scientific contribution of this thesis. A main benefit of this approach is that it represents a unified model, where uncertainties of class predictions are considered. By jointly modelling land cover and land use in a two-layer CRF, dependencies between arbitrary image sites, semantic class structures and data can be modelled explicitly. This is done for spatial relationships between adjacent image sites, i.e. local context information, as well as for complex dependencies between several image sites in a larger neighbourhood. Spatial dependencies between neighbouring image sites are modelled by pairwise interaction potentials. In contrast to existing approaches, where prior knowledge is used to model this relationship, the spatial dependencies in the two-layer CRF are learned from real-world occurrences in representative training data. The complex statistical dependencies between land cover and land use require the formulation of a high-order potential. By using a high-order potential, both tasks interact in the classification procedure, i.e. contextual information is considered in both directions. In order to enable efficient inference in the two-layer higher order CRF, an iterative inference procedure is presented in which the two classification tasks mutually influence each other. The iterative inference procedure forms the second scientific contribution of this thesis. Contextual relations between land cover and land use are integrated in the classification process by using contextual features describing the complex dependencies of all nodes in a high-order clique. These contextual features represent the third contribution of this thesis. These features are incorporated in a discriminative classifier which approximates the high-order potentials during the inference procedure. Experiments are carried out on two test sites to evaluate the performance of the proposed method. The experiments show that by considering context the classification results are improved compared to the results of a non-contextual classifier. For land cover classification, the result is much more homogeneous and the delineation of land cover segments is improved. For land use classification, an improvement is mainly achieved for land use objects showing non-typical characteristics or similarities to other land use classes. Furthermore, the size of the super-pixels has an influence on the level of detail of the classification result, but also on the degree of smoothing induced by the segmentation method as well as on the computation time. The smoothing effect is especially beneficial for land cover classes covering large, homogeneous areas, whereas land cover classes mainly representing small structures benefit from a high level of detail.