1. Überschrift1
Yüklə 79,66 Kb.
|
- Bu səhifədəki naviqasiya:
- 1.2 Prinzip der waveletbasierten Kompression von Rasterdaten
- 2 Bewertung der waveletbasierten Bildkompression durch Klassifikation städtischer Bebauungsstrukturen
- 2.2 Klassifizierung
- Literatur
| Reduktionsverfahren in der Bildverarbeitung Klaus Braun und Bernd Triebfürst 1 Kompressionsverfahren1.1 GrundlagenFernerkundungsdaten sind aufgrund ihrer Flächendeckung, ihrer hohen räumlichen Auflösung und ihrer exakten zeitlichen Zuordnung wichtige Basisdaten für Kartierung und Modellierung im Rahmen von GIS-Anwendungen. Zukünftige Satellitensysteme mit größerer räumlicher, vor allem aber auch spektraler Auflösung (Stichwort: imaging spectroscopy) führen zu einem ständig wachsenden Datenvolumen und lassen sich damit nur noch eingeschränkt in Geoinformationssystemen bearbeiten. Gerade im Hinblick auf die schnelle Übertragung von Fernerkundungsdaten oder von digitalen Karten, die mit Fernerkundungsdaten hinterlegt sind, wird der Einsatz von Kompressionsmethoden in naher Zukunft unumgänglich sein. Um dabei Kompressionsraten größer als 4:1 zu erhalten, müssen Kompressionsverfahren verwendet werden, die einen gewissen Informationsverlust mit sich bringen. Ein Problem hierbei besteht darin, dass verlustbehaftete Kompressionsmethoden in GIS bislang kaum zum Einsatz kommen, da unklar ist, wie der Informationsverlust aus geowissenschaftlicher Sicht zu bewerten ist (Triebfürst, Saupe & Saurer 1997). Im vorliegenden Beitrag wird diesem Problem nachgegangen, indem eine Fernerkundungsaufnahme von Freiburg im Breisgau mit einem waveletbasierten Transformationscodierer unterschiedlich stark komprimiert wird und die daraus resultierenden Datensätze hinsichtlich der Bebauungsstrukturen klassifiziert werden. Eine Bewertung des Informationsverlusts erfolgt durch den Vergleich der Klassifikationsergebnisse mit Referenzdaten. Dabei zeigt sich, dass durch den mit der Kompression einhergehenden Verlust an Detailinformationen durchaus auch eine Verbesserung der Klassifikation erreicht werden kann, da die einzelnen Klassen in sich homogener werden. 1.2 Prinzip der waveletbasierten Kompression von RasterdatenDerzeit gängige Verfahren der Bildkompression basieren auf einer Frequenzzerlegung der Bildinformation. Dabei wird mittels einer diskreten Cosinus-Transformation (DCT) oder einer diskreten Fourier-Transformation (DFT) eine Transformation der Daten in den Frequenzraum durchgeführt, so dass eine Trennung zwischen nieder- und hochfrequenten Bildinhalten möglich wird. Die eigentliche Kompression erfolgt dadurch, dass beim Abspeichern der Transformationskoeffizienten auf die hochfrequenten Anteile teilweise verzichtet wird und die übrigen Koeffizienten quantisiert und codiert werden (Transformationscodierung). Eine Erweiterung und Verbesserung dieses Verfahrens lässt sich dadurch erreichen, dass die Frequenzzerlegung nicht auf der Basis von Sinus- und Cosinus-Funktionen mit unendlicher Ausdehnung erfolgt, sondern mit Hilfe von Waveletfunktionen durchgeführt wird, die auf einem kompakten Träger definiert sind. Aufgrund der unterschiedlichen Ausprägung der zur Verfügung stehenden Waveletfunktionen – von sehr glatten, lang ausgedehnten Gabor-Wavelets bis hin zu sehr kurzen Daubechies-Wavelets – erlaubt es dieses Verfahren, sowohl relativ homogene Bilder als auch solche mit starken Diskontinuitäten mithilfe einer vergleichsweise geringen Anzahl von Waveletfunktionen zu repräsentieren. Eine weitere Anwendung der Wavelettransformation besteht in der Homogenisierung und Generalisierung von Bildern mit einem hohen Anteil an Detailstrukturen. So können in der Waveletdomain einzelne Details mit geringer räumlicher Ausdehnung von stark ausgeprägten Kantenstrukturen wie z. B. Grenzen zwischen verschiedenen Landnutzungsarealen anhand der unterschiedlich hohen Koeffizienten in den hochfrequenten Levels getrennt werden. Durch eine Elimination der von den Details verursachten kleineren Koeffizienten lassen sich somit einzelne Bildbereiche homogenisieren. Angewendet werden solche Verfahren z. B. auf Fernerkundungsaufnahmen, die klassifiziert werden sollen, da ansonsten häufig der Effekt auftritt, dass die einzelnen Klassen keine zusammenhängenden Areale bilden, sondern eher einem Flickenteppich gleichen, dessen „Farbe” sich von Pixel zu Pixel ändert. 2 Bewertung der waveletbasierten Bildkompression durch Klassifikation städtischer Bebauungsstrukturen2.1 ProblemstellungEin Problem beim Einsatz verlustbehafteter Kompressionsverfahren in GIS besteht darin, dass es in den Geowissenschaften kaum Untersuchungen darüber gibt, welche Chancen oder Nachteile sich aus der Verwendung der durch die Kompression modifizierten Daten ergeben. In der vorliegenden Studie wurde ein Fernerkundungsdatensatz für das Stadtgebiet von Freiburg/Breisgau hinsichtlich der Auswirkungen der Kompression auf die Klassifikation dieser Aufnahme analysiert. Bei dem Datensatz handelt es sich um eine LANDSAT TM-Aufnahme vom 07.07.84, 10:30 MEZ mit den Kanälen 2, 5 und 4 (vgl. Abb. 1). 2.2 KlassifizierungBei der überwachten Klassifikation (Maximum Likelihood) wurde versucht, das Freiburger Stadtgebiet in Areale mit ähnlichen Siedlungsstrukturen einzuteilen. Hierzu wurden aus einem Stadtplan einzelne Trainingsgebiete ausgewiesen und folgende zehn Klassen gebildet:
Die Güte der Klassifikation wurde durch eine Kreuztabellierung zwischen den Trainingsgebieten und den entsprechenden Arealen in dem klassifizierten Bild bewertet. Bezogen auf die gesamten Trainingsgebiete wurde die Aufnahme zu 84.36 % richtig klassifiziert (Overall Accuracy), bezogen auf die einzelnen Trainingsgebiete liegt der Anteil richtig klassifizierter Flächen zwischen 78.19 % (WF) und 85.99 % (HBD); im Mittel der Klassen ergibt sich hieraus ein Wert von 83.66 % (vgl. Tabelle 1, Kompressionsrate 1:1 und Tabelle 2). Tabelle 1: Klassifikationsgüte in Abhängigkeit von der Kompressionsrate
Anschließend wurde die LANDSAT TM-Aufnahme mittels einer Waveletkompression (biorthogonales Wavelet „17/3-tap”) mit Kompressionsraten zwischen 1.4:1 und 40:1 komprimiert und anhand derselben Trainingsgebiete überwacht klassifiziert. Tabelle 1 zeigt für die einzelnen Kompressionsraten die prozentualen Anteile der richtig klassifizierten Pixel. Auffällig hierbei ist, dass die Klassifikation bis zu einer Kompression von 20:1 zu besseren Ergebnissen führt als bei dem Originaldatensatz. 
Abb. 1: LANDSAT TM-Aufnahme vom 07.07.84, 10:30 MEZ für das Stadtgebiet von Freiburg/Breisgau. Für die Klassifikation werden die Kanäle 2, 5 und 4 verwendet. Die Abbildung zeigt wegen der besseren Übersichtlichkeit lediglich Kanal 4.
In den Abbildungen 1 und 2 werden die Unterschiede dargestellt, die sich zwischen der Originalaufnahme und der auf 10:1 komprimierten Szene ergeben. Insgesamt fällt auf, dass mit der Kompression der Daten eine größere Homogenität der einzelnen Areale einhergeht und einzelne Detailstrukturen und Artefakte verschwinden. Eine detailliertere Bewertung der Auswirkungen der Waveletkompression kann anhand einer Differenzierung der richtig klassifizierten Anteile nach den zehn unterschiedenen Nutzungsklassen erfolgen. Tabelle 2 zeigt diese Werte für die Klassifikation der Originalszene. In Tabelle 3 werden die Ergebnisse für die Klassifikation der auf 10:1 komprimierten Szene dargestellt. Tabelle 2: Prozentuale Anteile der auf der Basis der LANDSAT TM-Aufnahme (Abb. 1) richtig klassifizierten Flächen für 10 Nutzungsklassen
Tabelle 3: Prozentuale Anteile der auf der Basis der auf 10:1 komprimierten LANDSAT TM-Aufnahme (Abb. 2) richtig klassifizierten Flächen für 10 Nutzungsklassen
Die Klassifikation verschlechtert sich in erster Linie bei Klassen mit geringer räumlicher Ausdehnung wie Gleisanlagen und Ackerflächen. Alle anderen Klassen konnten besser klassifiziert werden. Ein Vergleich von Abbildung 1 und Abbildung 2 macht deutlich, dass dies daran liegt, dass bei der Kompression Areale mit größerer Ausdehnung auf Kosten von kleineren Areale oder von Arealen mit linearer Ausdehnung wachsen. LiteraturCoenen, R. (2000): Konzeptionelle Aspekte der Entwicklung von Nachhaltigkeitsindikatoren. In: TA-Datenbank-Nachrichten, 14 (2), S. 47-53. ESA (2016), ESA Sentinel Online. https://sentinel.esa.int/web/sentinel/user-guides/sentinel-1-sar/resolutions/level-1-ground-range-detected (04.07.2016). Faby, H. & Koch, W. G (2006): Medienrevolution, Kommunikation und Kartographie: Interdependenzen zwischen dem Wandel gesellschaftlicher Systeme der Kartenherstellung und der Kartennutzung. In: Wiener Schriften zur Geographie und Kartographie, 17. Wien. Hanika, A. (2010): Kleinräumige Bevölkerungsprognose für Österreich 2010–2030 mit Ausblick bis 2050. Wien. Klooz, D. (2000): Kernindikatoren-Set und Nachhaltigkeits-Barometer. In: Umweltpraxis, 25 (4), S. 21-25. Lang, S. & Blaschke, T. (2007): Landschaftsanalyse mit GIS. UTB, Stuttgart. Mandlburger, G., Höfle, B., Briese, C., Ressl, C., Otepka, J., Hollaus, M. & Pfeifer, N. (2009): Topographische Daten aus Laserscanning als Grundlage für Hydrologie und Wasserwirtschaft. In: Österreichische Wasser- und Abfallwirtschaft, 61 (7-8), S. 89-97. Petrini-Monteferri, F., Drexel, P., Georges, C. & Wichmann, V. (2008): Aufbau eines Laserscanningdaten Informationssystems für das Landesvermessungsamt Feldkirch (Land Vorarlberg). In: Strobl, J., Blaschke, T. & Griesebner, G. (Hrsg.): Angewandte Geoinformatik 2008. Wichmann Verlag, Heidelberg, S. 47-52. Raos, J. & Faschinger, N. (2008): Bevölkerung – Land Salzburg & Regionen, 2007– 2032. Salzburg. Sagis (2010): Salzburger Geographisches Informationssystem. www.salzburg.gv.at/sagis/ (20.01.2011). Strang, G. & Nguyen, T. (1996): Wavelets and Filterbanks. Wellesley-Cambridge Press, Wellesley, MA. Triebfürst, B, Saupe, D. & Saurer, H. (1997): Kompression und Generalisierung von Fernerkundungsdaten in einem GIS mit einem optimierten Wavelet-Kodierer. In: Strobl, J. & Dollinger, F. (Hrsg.), Angewandte Geographische Informationsverarbeitung. Beiträge zum AGIT-Symposium 1997. Salzburger Geographische Materialien, 26, S. 173-182. Yüklə 79,66 Kb. Dostları ilə paylaş:
|
