Notwendigkeit der Modellierung von Unsicherheiten in Fernerkundung und digitaler Bildverarbeitung


Wissenschaftlicher Aufsatz, 2015
16 Seiten

Leseprobe

Inhaltsverzeichnis

1 Einführung und Klassifikationsprozess

2 Unsicherheiten in der Klassifikation

3 Grundlagen aus der Fuzzy-Theorie

4 Theorie der unscharfen Mengen

5 Zusammenfassung

6 Literaturverzeichnis

1 Einführung und Klassifikationsprozess

Der Idealzustand für das Ergebnis eines räumlichen Klassifikationsprozesses ist eine Zuordnung der vom Aufnahmesystem registrieren Flächen (Pixel) zu eindeutig und scharf abgrenzbaren thematischen Klassen bzw. genauer gesagt die Zuordnung eines Objektes oder Pixels zu exakt einer Klasse (Löffler et al. 2005).

In der Realität ist solch eine eindeutige Repräsentation nicht immer möglich, da nach (Tizhoosh 1998) sowohl in den Grauwerten (z. B. verursacht durch die Bildaufnahme oder Datenvorverarbeitung), der Geometrie (z. B. verursacht durch Segmentierungsverfahren oder unzureichendes Auflösungsvermögen) und bei automatischen wissensbasierten Klassifikationsverfahren (z. B. verursacht durch unzureichendes Expertenwissen) Unsicherheiten in den Daten und/oder dem Verarbeitungsprozess existieren, die das Klassifikationsergebnis bzw. die Aussagekraft verfälschen können. Eine detaillierte Kategorisierung von möglichen Unsicherheitseinflüssen sowie deren Ursachen sind z. B. bei (Gahegan, Ehlers 2000) zu finden.

Im Kontext der aktuellen technologischen Entwicklung, ist bei einem immer besserer werdenden spektralen und räumlichen Auflösungsvermögen neuer Sensoren die korrekte Zuweisung „unscharfer Übergangszonen“ zwischen diskreten Klassen ein wichtiges Thema: Insbesondere die Grenzverläufe von Objekten aus naturnahen Klassen (vgl. z. B. Heuvelink, Brown 2008) weisen in der Realität oft „fließende“ bzw. „unscharfe“ Übergänge auf (Beispiele: Grenze von Ozean und Strand oder Grenze von Wald an Wiese), die durch das erhöhte Auflösungsvermögen neuer Sensoren noch besser detektiert werden. Neben technologischen Gründen sind Klassengrenzen ebenso von tatsächlichen zeitlichen Variationen (jahreszeitliche phänologische Effekte wie Laubabwurf oder hydrologische Effekte wie Hochwasser) abhängig, die eine diskrete Zuordnung der Randbereiche in eindeutige Klassen erschweren.

Zur Modellierung dieser und weiterer Unsicherheiten existieren zahlreiche Theorien und Methoden, von denen die wichtigsten an dieser Stelle kurz genannt sein:

- Wahrscheinlichkeitsbasierte Ansätze befassen sich nach (Tizhoosh 1998) mit der Unsicherheit des Eintrittes eines Ereignisses.
- Eine weitere Möglichkeit zur Modellierung von Unsicherheiten besteht in der Verwendung von Epsilon -Bändern (vgl. Lang, Blaschke 2007), die verschiedene Möglichkeiten der Zuordnung von Punkten zu Polygonen durch qualitative Beziehungen verwenden.
- Auch ist eine Verknüpfung des Epsilon-Modells mit der Wahrscheinlichkeitstheorie möglich. So nehmen (Shi, Ehlers 1993) und (Shi et al. 1994) eine Verknüpfung vor, indem Wahrscheinlichkeiten der Zugehörigkeit von Punkten innerhalb des Epsilon-Bandes (hier S-Band genannt) zu einem Objekt über eine Zugehörigkeitsfunktion bestimmt werden können.
- Letztendlich ist eine weitere wichtige Möglichkeit zur Modellierung von Phänomenen der Unschärfe bzw. Unsicherheit die Fuzzy-Theorie (oftmals auch fälschlicherweise verallgemeinernd als Fuzzy-Logik-Theorie bezeichnet, mehr hierzu später). Diese eignet sich zur Modellierung von Unsicherheiten besonders gut, da sich diese Theorie sehr stark dem Wesen des menschlichen Vorgehens bei der Interpretation annähert (Zhang, Goodchild 2002).

2 Unsicherheiten in der Klassifikation

Als Folge verbesserter räumlicher Bodenauflösungen und höherer Informationsdichte werden nach (Schiewe, Ehlers 2007), (Schiewe, Gaehler 2008) zwischen klassifizierten Objekten, neue unscharfe Übergangszonen (Beispiel: Fließender Übergang von Wald (grün) zu Acker (gelb), vgl. Abbildung 1) detektiert. Diese Übergangszonen (ein in der Ökologie gebräuchlicher Begriff für natürliche Übergangszonen hierfür ist Ökoton[1] ) weisen eine (im Vergleich zu niedrig aufgelösten Bilddaten) höhere absolute Pixelanzahl auf und können nicht immer eindeutig einer definierten Klasse zugeordnet werden. Da aber in der Regel diskrete Grenzen während der Auswertung als gegeben angenommen werden, entsteht zwischen Referenz- und klassifizierten Daten eine Unsicherheitszone, in denen die bisher vorgestellten Bewertungsmethoden zu falschen Ergebnissen führen können. Nachfolgende Abbildung verdeutlicht dies.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1. Visualisierung einer Unsicherheitszone (Eigene Darstellung).

Abbildung 1 zeigt einen Ausschnitt zweier angrenzender Klassen „Wald“ (grün) und „Acker“ (gelb) in der Referenz (links) und einem Klassifikationsergebnis (rechts). Ferner ist ein exakt georeferenzierter roter Punkt in beiden Datensätzen verortet. Außerdem wird angenommen, dass die Referenzdaten ungenauer sind, als das Klassifikationsergebnis. Wird unter diesen Annahmen der rote Punkt genauer analysiert, würden die bisher vorgestellten Verfahren zur Bestimmung der Klassifikationsgüte keine Übereinstimmung der Referenz- mit der Klassifikationsklasse (repräsentiert durch den Punkt) festgestellt werden, obwohl der untersuchte Punkt in der Realität der Klasse „Acker“ angehört. Ein Ansatz, diese Fehlzuordnung zu vermeiden, ist die Einbeziehung von unsicheren Übergangsbereichen während der Bewertung über die Definitionen von Zugehörigkeitsfunktionen aus der Fuzzy-Theorie (vgl. Kapitel 3).

Weiterhin wird der beschriebene Effekt der Unschärfe verstärkt, da mit pixelbasierten Klassifikationsalgorithmen aufgrund hochauflösender Bilddaten einer Zunahme der spektralen Varianz innerhalb von Klassen (Salz und Pfeffer-Effekt) zu beobachten ist (Schiewe, Tufte 2001), der einen Vergleich mit diskreten Referenzdaten erschwert.

Generell ist ferner nach (Schiewe, Ehlers 2007), (Schiewe, Gaehler 2008) eine Einteilung von diffizilen räumlichen Phänomenen in diskrete Klassen stark anwendungsabhängig und subjektiv (vgl. Zhang, Goodchild 2002), so dass vage Klassenkategorien (z.B. die Einteilung in „Stadt“ vs. „Vorort“ oder die Kategorisierung von Flächen in Kategorien „starke Zerstörung“ vs. „geringe Zerstörung“) entstehen, die aus den Referenzdaten unter Umständen nicht abzuleiten sind.

Auch ist nach (Zhang, Goodchild 2002) zu berücksichtigen, dass viele Bilddaten oft für eine eindeutige Zuweisung zu bestimmten definierten Klassenkategorien nicht geeignet sind, da der Informationsgehalt für die gewünschte Klassenbeschreibung unzureichend ist (Beispiel: unzureichende spektrale oder räumliche Auflösungen) und exakte Klassifikationsergebnisse gar nicht abgeleitet werden können.

Ferner wird von der Annahme ausgegangen, dass ein Bodenpixel konkret einer Klasse zugehörig ist. Liegen z. B. aber grobauflösende Mischpixel, d. h. inhomogene Bildelemente deren spektraler Wert aus dem Mittel der spektralen Werte benachbarter Oberflächenmaterialien resultiert, vor, kann es zu weiteren Fehlklassifikationen kommen, da ein Pixel in der Realität möglicherweise mehrere Klassen abbildet. Im umgekehrten Fall können bei hochauflösenden Daten einzelne reale Objekte einer definierten Klasse, auf Grund Ihrer höheren Bodenauflösung und höheren spektralen Varianz fälschlicherweise anderen Klassen zugeordnet werden. Um diese Fehler zu modellieren, schlägt (Foody 2001) den Einsatz von Zugehörigkeitsfunktionen aus der Fuzzy-Theorie vor

[...]


[1] Ökontone bzw. Saumbiotope liegen dort vor, wo eine Kontaktzone zwischen zwei Lebensgemeinschaften oder Lebensräumen besteht (siehe auch Lang, Blaschke 2007).

Ende der Leseprobe aus 16 Seiten

Details

Titel
Notwendigkeit der Modellierung von Unsicherheiten in Fernerkundung und digitaler Bildverarbeitung
Autor
Jahr
2015
Seiten
16
Katalognummer
V307006
ISBN (eBook)
9783668055599
ISBN (Buch)
9783668055605
Dateigröße
784 KB
Sprache
Deutsch
Schlagworte
Fernerkundung, digitale Bildverarbeitung, Fuzzy, Klassifikation, Unsicherheiten
Arbeit zitieren
Daniel Tomowski (Autor), 2015, Notwendigkeit der Modellierung von Unsicherheiten in Fernerkundung und digitaler Bildverarbeitung, München, GRIN Verlag, https://www.grin.com/document/307006

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Notwendigkeit der Modellierung von Unsicherheiten in Fernerkundung und digitaler Bildverarbeitung


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden