Detecting buildings and roads from IKONOS data using additional elevation information
Detecting buildings and roads from IKONOS data using additional elevation information
复制标题
使用附加海拔信息从 IKONOS 数据检测建筑物和道路
DOI：
--
复制
发表时间：
2001
期刊：
影响因子：
--
通讯作者：
P. Hofmann
中科院分区：
文献类型：
--
作者：
P. Hofmann
使用高分辨率图像，如IKONOS数据，应能比使用常规卫星图像数据更容易地探测建筑物和道路等人造特征。然而，由于IKONOS数据的较高空间分辨率，仅基于其光谱特征的这些特征的自动或半自动检测可能变得困难，特别是在诸如密集城市区域的异质区域中（参见Bauer，T. & Steinnocher，K.在这个问题上）。城市遥感中的一个典型问题是阴影的处理。使用DEM和附加的语义信息可以帮助检测此类情况，并充分管理它们。此外，当使用额外的DEM时，可以使用可疑对象的重要高程信息来识别它们的形状。由于eCognition能够使用任意数量的通道进行图像分割和分类，因此DEM用于初始分割和后续对象分类。因此，可以通过调整通道的权重来控制DEM对目标生成的影响。基于eCognition的基本概念来生成和分类图像对象，已经开发了不同的策略。ZUSAMMENFASSUNG Extraktion von Gebäuden und Straßen aus IKONOS-Daten mittels Höheninformationen Verwendet man hochaufgelöste Bilddaten，wie die des IKONOS Sensors，können sog.人造特征，如Gebäude und Straßen，主要是快速的韦尔登，als mit herkömmlichen，satellitengestützen Bilddaten。IKONOS数据库中的höheren Auflösuung在不同的地理区域中得到了应用，如z.B.在德国城市中，一个自动或半自动化的物体，基于语音识别，schwierig（vgl. Bauer，T. & Steinnocher，K.在diesem Heft）。Ein typisches Problem innerhalb urbaner Räschist der Umgang mit Schatten. Die Verwendung eines DHMs and zusätzliche semantische Information kann dazu beitragen，solche Fälle entsprechend zu erfassen and zu behandeln. Darüber hinaus kann aus aus dem DHM signifikante Höheninformation der zu erfassenden Objekte für deren Gestalterfassung verwendet韦尔登. Da eCognition zur Bildsegmentierung und -klassifikation eine Vielzahl von Kanälen verwenden kann，wurde das DHM sowohl zur Bildsegmentierung，als auch für die anschließandklassifikation der Segmente herangezogen. Dabei kann der Einfluss des DHMs auf die Objektgenerierung durch unteriedliche Gewichtung der Kanäle gesteuert韦尔登.基于数学原理，对对象生成和分类的电子认知将被进一步扩展。稀释液- Geogr. Peter Hofmann于2000年1月加入DEFiNiENS成像和地理信息部门。他负责遥感和GIS领域的试点和应用开发。地址：DEFiNiENS AG，Rindermarkt 7; 80331慕尼黑，德国电话：+49-（0）89/231180-38传真：+49-（0）89/231180-80电子邮件：phofmann@definiens.com www.definiens.com数据和预处理为了进行分析，使用了来自Tsukuba（日本）的地面分辨率为1 m（全景）res.4m（多光谱）的正射校正IKONOS子场景。该图像于当地时间2000-03-02下午01：13获取，大小为3042 x 3051像素。从城市地区其他IKONOS数据的经验中，我们得出结论，在使用eCognition之前进行泛锐化可能是有用的。在当前情况下，这通过对图像数据应用简单的逆主成分变换来完成。必须提及的是，通常不建议采用这种增强方法，因为它们改变了物体的光谱特性，从而可能影响随后的分类。然而，当处理小对象时，这种技术可以帮助增强初始分割结果，因为它考虑了重要的边界。这通常会导致更有意义的对象，即使在大规模，从而提高分类从IKONOS数据检测城市地图
Using high resolution imagery such as IKONOS data should make it possible to detect man-made-features such as buildings and roads more easily than with conventional satellite image data. However, due to the higher spatial resolution of IKONOS data, an automatic or semiautomatic detection of such features based only on their spectral characteristics can become difficult, especially in heterogeneous areas such as dense urban areas (see Bauer, T. & Steinnocher, K. in this issue). A typical problem in urban remote sensing is the handling of shadows. Using a DEM and additional semantic information can help to detect such cases and to manage them adequately. Furthermore, when using an additional DEM, significant elevation information of questionable objects can be used to identify their shape. As eCognition is able to use an arbitrary number of channels for the image segmentation and classification, the DEM was used for the initial segmentation and for the subsequent object classification. Thereby, the influence of the DEM on the object generation can be controlled by adjusting the channels' weights. Based upon the underlying concepts of eCognition to generate and classify image objects, different strategies have been developed. ZUSAMMENFASSUNG Extraktion von Gebäuden und Straßen aus IKONOS-Daten mittels Höheninformationen Verwendet man hochaufgelöste Bilddaten, wie die des IKONOS Sensors, können sog. Man-madefeatures, wie Gebäude und Straßen, prinzipiell leichter erfasst werden, als mit herkömmlichen, satellitengestützen Bilddaten. Wegen der höheren Auflösung der IKONOS Daten gestaltet sich aber gerade in heterogenen Gebieten, wie z.B. in dichten urbanen Räumen, eine automatische oder halbautomatische Erfassung solcher Objekte, basierend auf deren Spektraleigenschaften, schwierig (vgl. Bauer, T. & Steinnocher, K. in diesem Heft). Ein typisches Problem innerhalb urbaner Räume ist der Umgang mit Schatten. Die Verwendung eines DHMs und zusätzliche semantische Information kann dazu beitragen, solche Fälle entsprechend zu erfassen und zu behandeln. Darüber hinaus kann aus dem DHM signifikante Höheninformation der zu erfassenden Objekte für deren Gestalterfassung verwendet werden. Da eCognition zur Bildsegmentierung und -klassifikation eine Vielzahl von Kanälen verwenden kann, wurde das DHM sowohl zur Bildsegmentierung, als auch für die anschließende Klassifikation der Segmente herangezogen. Dabei kann der Einfluss des DHMs auf die Objektgenerierung durch unterschiedliche Gewichtung der Kanäle gesteuert werden. Basierend auf den prinzipiellen Möglichkeiten, die eCognition zur Objektgenerierung und -klassifizierung anbietet, wurden entsprechend unterschiedliche Strategien entwickelt. Dipl.-Geogr. Peter Hofmann joined DEFiNiENS Division Imaging and Geomatics in January 2000. He is responsible for Piloting and Application Developement in the field of Remote Sensing & GIS. Adresse: DEFiNiENS AG, Rindermarkt 7; 80331 Munich, Germany Tel.: +49-(0)89/231180–38 Fax: +49-(0)89/231180–80 E-Mail: phofmann@definiens.com www.definiens.com Data and Pre-Processing For the analysis an orthorectified IKONOS sub-scene with a ground resolution of 1m (pan) res. 4m (multi-spectral) from Tsukuba (Japan) was used. The image was acquired on 2000–03–02 at 01:13pm local time and has a size of 3042 x 3051 pixels. From experience with other IKONOS data from urban areas we came to the conclusion that it may be useful to undertake a pan-sharpening before working with eCognition. In the present case this was done by applying a simple inverse principal components transformation on the image data. It has to be mentioned that it is usually not recommended to apply such enhancement methods since they change the spectral properties of the objects and thus might influence the subsequent classification. However, when working on small objects, this technique can help to enhance the initial segmentation results as it takes important boundaries into account. This usually leads to more meaningful objects even on a large scale and consequently to improved classifiDETECTING URBAN OBJECTS FROM IKONOS DATA