Eine häufige Aufgabe bei der Bildanalyse von Fernerkundungsdaten besteht darin, auf der Grundlage von multispektralen und multimodalen Bilddaten Landnutzungsinformationen in einem weitestge- hend automatischen Prozess abzuleiten. Schlüsselkomponenten einer derartigen Prozessierungskette sind die korrekte Segmentierung der Bilddaten und die anschließendende Klassifikation dieser Segmente. Diese segmentbasierte Vorgehensweise führt im Allgemeinen zu erheblich robusteren Ergebnissen, da zum einen eine größere Vielfalt beschreibender Merkmale generierbar ist und zum anderen Messunsicherheiten der Einzelpixel durch ihren integralen Beitrag auf die Merkmale nur geringe Auswirkungen haben. Durch die Einbeziehung sämtlicher Informationen aus allen zur Verfügung stehenden Datenkanälen in diesen Verarbeitungsschritten sind hohe Ergebnisgüten zu erwarten.
|
Zur Realisierung der Klassifikationsaufgabe werden in diesem Zusammenhang neben klassischen statistischen Klassifikatoren erfolgreich sogenannte verteilungsfreie Klassifikatoren
(k-NearestNeighbour, Support-Vector-Machine) eingesetzt. Dies erfolgt auch aus dem Grund, da die zur Belehrung zur Verfügung stehenden klassenbezogenen Lernstichproben oft
begrenzt sind und im Merkmalraum komplexe Gestalt annehmen können. Um darüber hinaus einen Klassifikator mit ausreichend generalisierendem Verhalten zu realisieren, erfolgt
der Aufbau des Klassifikationsschrittes häufig mehrstufig. Dabei werden spezifisch gewichtete Untermengen der zur Verfügung stehenden Lernstichprobe zur parallele Belehrung und
Anwendung gleichartiger Klassifikatoren verwendet (vertikale Mehrstufigkeit) und/oder modenspezifische Vor- und Endklassifikationsstufen aufgebaut (horizontale Mehrstufigkeit).
Diese Konzepte können auch kombiniert eingesetzt werden.
|
Im Rahmen dieser Arbeit, die als Studien- und/oder Diplomarbeit konzipiert ist, soll ein weiterer geeigneter Klassifikator, der Decision-Tree-Klassifikator, für dieses
Applikationsfeld untersucht und ein Vorschlag zum Einsatz in einem mehrstufigen Klassifikationskonzept entwickelt werden.
Für den ersten Test und Vergleich erfolgt eine Implementierung im Rahmen des ZBS-Rapid-Prototyping-Tools VIP-Toolkit nach
Möglichkeit auf Grundlage frei verwendbarer Bibliotkeken. Bei dieser Implementierung ist zu berücksichtigen, dass eine einfache Überführbarkeit in das spätere Software-Zielsystem
für die automatische Satellitenbildverarbeitung möglich ist.
|
|
Folgende Teilaufgaben zu bearbeiten:
- Themenbezogene Recherche in Internet und Literatur
- Erarbeitung eines Überblicks und Bewertung frei verfügbarer Bibliotheken des Decision-Tree-Klassifikators
- Implementierung eines Decision-Tree-Basis-Klassifiktators im gegebenen Softwareumfeld, applikationsspezifische Modifikation und Adaption
- Erarbeitung eines Überblicks über eingesetzte und einsetzbare Verfahren zum Aufbau mehrstufiger Klassifikatoren (Ensemble-Learning-Strategien (Boosting, Bagging), Decision-Tree-Gruppen (sogenannte. Random-Forests), Fusion von Klassifikatorentscheidungen usw.)
- Konzeptentwicklung eines mehrstufigen Klassifikators unter Berücksichtigung des Decision-Tree-Basisklassifikators und weiterer verfügbarer Klassifikatoren
- Tests an repräsentativem Bildmaterial
- Dokumentation der Ergebnisse
Bei der Vergabe als Studienarbeit können zunächst Teilaspekte herausgelöst und getrennt bearbeitet werden.
Für die Bearbeitung sind ein fundiertes Grundwissen in Mathematik und sehr gute Programmierkenntnisse in C, C++ von Vorteil.
|
Die Ergebnisse dieser Themenstellung werden u.a. im Rahmen des Projektes ENVILAND verwertet.
|
|