Klassifizierung und Merkmalsextraktion hyperspektraler Fernerkundungsbilder

Im Bereich der Fernerkundung werden spektrale Bildgebungsverfahren häufig anhand ihrer spektralen Auflösung in drei Kategorien eingeteilt: multispektral, hyperspektral und ultraspektral. Generell gilt: Bei gleicher räumlicher Auflösung führt eine höhere spektrale Auflösung zu mehr Bildbändern, einem größeren Datenvolumen und einem umfassenderen Informationsgehalt über das Messobjekt.

Vergleichstabelle der spektralen technischen Eigenschaften

Die hyperspektrale Bildklassifizierung unterscheidet verschiedene Objekttypen, indem sie Gruppen mit ähnlichen Merkmalen entsprechende Labels zuordnet; Objekte mit demselben Label werden derselben Klasse zugeordnet. Die Genauigkeit der Klassifizierung beeinflusst direkt oder indirekt die Anwendungsleistung.

Im Vergleich zu herkömmlichen Bildern weisen hyperspektrale Bilder zwei Besonderheiten auf:

1) Hohe spektrale Auflösung, nahezu kontinuierliche Spektralkurven, mehrere Bänder und ein großes Datenvolumen ermöglichen eine feine Klassifizierung, gleichzeitig gibt es aber auch Probleme wie starke Datenredundanz und starke Korrelation zwischen den Spektren.

2) Die begrenzte räumliche Auflösung und die große Anzahl gemischter Pixel können zum Fluch der Dimensionalität führen. Aufgrund ihrer einzigartigen Struktur und Datencharakteristika lassen sich hyperspektrale Fernerkundungsbilder nur schwer direkt mit traditionellen Bildverarbeitungsverfahren anwenden, was eine große Herausforderung für die Signal- und Informationsverarbeitung darstellt.

Hyperspektrale (einschließlich multispektrale) Bildklassifizierung und andere Verarbeitungstechniken waren vor 1990 gängige Methoden. Von 1990 bis 2015 basierten die Hauptmethoden auf Merkmalen und allgemeinem Lernen. Seit 2015 liegt der Fokus auf Deep-Learning-basierten Methoden. Seit 2022 ist ein Trend hin zu lernbasierten und daten- und wissensfusionierten bzw. gemeinsam gesteuerten Methoden zu beobachten.

Multispektrale und hyperspektrale Bildklassifizierungsmethoden lassen sich grob in vier Kategorien einteilen.

Hyperspektraler Fernerkundungssatellit

Typische technische Spezifikationen repräsentativer Hyperspektralsatelliten und ihrer Spektralbildgeber im In- und Ausland:

Merkmalsgewinnung für die Klassifizierung hyperspektraler Bilder

Die Eigenschaften hyperspektraler Bilddaten umfassen hauptsächlich spektrale, räumliche, zeitliche sowie räumlich-spektrale, räumlich-zeitliche und kombinierte räumlich-zeitlich-spektrale Merkmale. Zu den gängigen spektralen Merkmalen in der hyperspektralen Bildklassifizierung zählen Absorptionsbereiche, Reflexionsvermögen, Symmetrie, Lage und Anzahl von Maxima und Minima in der Spektralkurve sowie deren Steigung, Gradient und statistische Kenngrößen höherer Ordnung. Räumliche Merkmale hyperspektraler Bilder umfassen vor allem Amplitude, Farbe, Textur, Form und räumliche Beziehungen. Zeitliche Merkmale hyperspektraler Bilder beinhalten hauptsächlich Stabilität über die Zeit, zeitliche Ableitung und Änderungsrate.

Hyperspektrale Merkmale und Merkmalsextraktionsmethoden

Die Merkmalsgewinnung aus hyperspektralen Bilddaten umfasst im Wesentlichen Merkmalsauswahl, Merkmalsextraktion und Merkmalsfusion. Die Methoden zur spektralen Merkmalsgewinnung aus hyperspektralen Fernerkundungsdaten und deren Klassifizierung sind in der folgenden Tabelle dargestellt:

Methoden zur spektralen Merkmalsextraktion und Klassifizierung von hyperspektralen Fernerkundungsbildern

Die Merkmalsauswahl bezeichnet im Allgemeinen die direkte Auswahl von m (m

Die Merkmalsextraktion bezeichnet die Transformation des ursprünglichen n-dimensionalen Vektorraums (die Originaldaten sind hyperspektrale kubische Daten) und die anschließende Bestimmung seines Merkmalsunterraums. Dabei wird eine Abbildungsbeziehung gefunden, die den ursprünglichen dreidimensionalen Datensatz in einen niedrigerdimensionalen m-dimensionalen Merkmalsunterraum transformiert und durch diese Transformation m neue Merkmale generiert. Typischerweise sucht die Merkmalsextraktion nach Merkmalsparametern, die verschiedene Zielgrößen aus allen Datenbändern widerspiegeln. Der Rechenaufwand ist deutlich höher als bei der Merkmalsauswahl, wodurch der Prozess naturgemäß langsam ist.

Die Merkmalskombination bzw. Merkmalsfusion nutzt die Vorteile mehrerer Merkmale, beispielsweise kombinierte spektrale, räumliche und zeitliche Merkmale oder Kombinationen von direkten Energiemerkmalen mit Transformationsmerkmalen (wie Ableitungen). Die Leistungsfähigkeit der manuellen Merkmalsextraktion hängt eng mit Faktoren wie dem Fachwissen von Experten, physikalisch-chemischen Eigenschaften, Modellen und Erfahrung zusammen.

Referenz: He Mingyi, Li Qiang, Guo Ying, Yan Hongmei. 2025. Überblick und Perspektiven der intelligenten Klassifizierung von Hyperspektralbildern. Journal of Image and Graphics, 30(6):2207-2238