Schiffsbergung auf See basierend auf hyperspektraler Satellitenfernerkundung

Hyperspektrale Bildklassifizierungsmethoden unterscheiden sich grundlegend von der traditionellen multispektralen Klassifizierung. Aus jedem Pixel eines hyperspektralen Bildes lässt sich eine kontinuierliche Spektralkurve gewinnen. Dies ermöglicht den Vergleich bekannter Spektralkurven mit den für jedes Pixel ermittelten Spektralkurven. Im Idealfall, wenn die beiden Spektralkurven ähnlich sind, lässt sich daraus ableiten, welcher Substanz das Pixel näher ist.

Die Eigenschaften hyperspektraler Bilder ermöglichen deren Anwendung nicht nur zur allgemeinen Bildklassifizierung, sondern auch zur Materialidentifizierung und Objekterkennung. Die Bildklassifizierung konzentriert sich auf die Bodenbedeckung und die Materialzusammensetzung, während die Objektidentifizierung und -erkennung nach spezifischen Objekten sucht und als Ergebnis „vorhanden“ oder „nicht vorhanden“ liefert. Daher bezeichnen wir die hyperspektrale Bildklassifizierung, Materialidentifizierung und -erkennung als spektrale Erkennung.

Im Bereich der Schiffsidentifizierung bietet die hyperspektrale Spektralidentifizierung einen vielversprechenden Ansatz, um maritime Ziele zu identifizieren und verschiedene Schiffstypen in komplexen maritimen Umgebungen zu unterscheiden.

Spezifische Verfahren

1. Atmosphärische Korrektur

Verwenden Sie eine der folgenden Methoden zur atmosphärischen Korrektur:

Schnelle atmosphärische Korrektur (QUAC)

Strahlungstransportmodelle (6S, FLAASH)

Statistische Methoden zur atmosphärischen Korrektur (IAR-Reflexion, Log-Residuen, Flat-Field-Verfahren, Empirische Linienkorrektur)

Vereinfachte dunkle Subtraktion

2. Zielproben auswählen, Ziel- und Hintergrundspektren berechnen.

Bei der Anwendung von Orthogonal Subspace Projection (OSP), Target-Constrained Interference-Minimized Filter (TCIMF) und Mixture Tuned Target-Constrained Interference-Minimized Filter (MTTCIMF) sind mindestens zwei Zielspektren erforderlich. Zusätzlich sollten Spektren ausgewählt werden, die leicht mit den Zielspektren verwechselt werden können, um die Detektionsgenauigkeit zu verbessern.

3. MNF-Transformation

Die MNF-Transformation ermöglicht die Rauschunterdrückung und Dimensionsreduktion von Daten, wodurch der Rechenaufwand verringert wird. Die Identifikationsverfahren Mixture Tuned Matched Filter (MTMF) und Mixture Tuned Target-Constrained Interference-Minimized Filter (MTTCIMF) basieren auf der MNF.

Spezifische Verfahren

4. Wählen Sie geeignete Analysemethoden.

Gängige Methoden sind folgende:

Matched Filtering (MF)

Energieminimierung unter Nebenbedingungen (CEM)

Adaptiver Kohärenzschätzer (ACE)

Spectral Angle Mapper (SAM)

Orthogonale Unterraumprojektion (OSP)

Zielbeschränkter, interferenzminimierter Filter (TCIMF)

Mischungsoptimiertes TCIMF (MTTCIMF)

Mischungsabgestimmte Filterung (MTMF)

5. Zielextraktion

Durch die Verwendung eines regelbasierten Schwellenwerts oder durch die Auswahl von Punktwolken mit hohen MF-Werten und niedrigen Unzulässigkeitswerten aus einem Streudiagramm, das auf MF-Werten und Unzulässigkeitswerten basiert, können die erkannten Ziele identifiziert werden.

6. Nachbearbeitung

Kleine Bereiche in den Ergebnissen werden mithilfe von Nachbearbeitungsverfahren (z. B. Faltungs- und qualitativen Verfahren) entfernt. Gleichzeitig wird die Mindestanzahl an Clusterpixeln basierend auf der Zielgröße festgelegt, um isolierte kleine Bereiche zu eliminieren. Vektorisierung und weitere Transformationen werden bei Bedarf durchgeführt.

XIOPM-Raum

Extraktionsergebnisse

▲Echtfarbenkomposition aus originalen hyperspektralen Bildern

▲ Zielgebiete 1 und 2

▲ Zielgebiete 3 und 4

▲ Zielgebiet 5

▲ Spektralkurven der einzelnen Zielobjekte und des Hintergrunds

Wie aus dem obigen Bild ersichtlich, ähneln sich die Spektralkurven von Ziel 2 und Ziel 4 stark, was darauf hindeutet, dass es sich um Schiffe desselben Typs handelt. Obwohl die hyperspektrale Spektralidentifizierung vielversprechend ist, bestehen weiterhin einige Herausforderungen bei der Identifizierung von Schiffen auf See.

1. Datenvolumen und -verarbeitung: Die von hyperspektralen Sensoren erzeugten großen Datenmengen erfordern effiziente Verarbeitungsalgorithmen und Rechenressourcen.
2. Spektrale Variabilität: Aufgrund des Einflusses von Faktoren wie der Materialzusammensetzung und der Rauheit der Meeresoberfläche können die spektralen Eigenschaften variieren, weshalb robuste Klassifizierungsalgorithmen erforderlich sind.
3. Datenverfügbarkeit: Für maritime Anwendungen ist die Erfassung qualitativ hochwertiger hyperspektraler Bilder von entscheidender Bedeutung für das Training und die Validierung von Klassifizierungsmodellen.
4. Datenfusion: Hyperspektrale Daten müssen mit anderen Informationsquellen (wie z. B. hochauflösenden optischen und Radardaten) fusioniert werden, um die Erkennungsgenauigkeit zu verbessern.