Development of Vector-Based Mathematical Morphology for Hyper-spectral Remote Sensing Image Description and Classification

Non-FAU Project


Start date : 01.03.2016


Project details

Short description

Remote sensing is nowadays of paramount importance for several application fields, including environmental monitoring, urban planning, ecosystem-oriented natural resources management, urban change detection and agricultural region monitoring. Majority of the aforementioned monitoring and detection applications requires at some stage a label map of the remotely sensed images, where individual pixels are marked as members of specific classes, e.g. water, asphalt, grass, etc. In other words, classification is a crucial step for several remote sensing applications. It is widely acknowledged that exploiting both the spectral as well as spatial properties of pixels, improves classification performance with respect to using only spectral based features.

In this regard, morphological profiles (MP) are one of the popular and powerful image analysis techniques that enable us to compute such spectral-spatial pixel descriptions. They have been studied extensively in the last decade and their effectiveness has been validated repeatedly.

The characterization of spatial information obtained by the application of a MP is particularly suitable for representing the multi-scale variations of image structures, but they are limited by the shape of the structuring elements. To avoid this limitation, morphological attribute profiles (AP) have been developed. By operating directly on connected components instead of pixels, not only we are able to employ arbitrary region descriptors (e.g. shape, color, texture, etc) but it paves the way for object based image analysis as well. In addition, APs can be implemented efficiently by means of hierarchical image representations, e.g. Max-/Min-tree and alpha-tree.

The aforementioned proposed techniques for hyper-spectral remote sensing image analysis are basically based on marginal processing of the image, i.e. analyzing each spectral channel individually and not simultaneously. Therefore, the channels’ correlation is neglected in the conventional marginal approaches.

Motivated from that, our project focuses on extending the mathematical morphology to the field of hyper-spectral image processing and applying morphological content based operators, e.g. MP and AP, on all of the spectral bands simultaneously rather than marginally in order to take the spectral channels’ correlation into account.

Scientific Abstract

Fernerkundung ist heute von großer Bedeutung für verschiedene Anwendungsgebiete, z.B. die Umweltüberwachung, Stadtplanung, ökosystem-basiertes, natürliches Ressourcen-Management, Erfassung von urbanen Anpassungsprozessen und die Überwachung landwirtschaftlicher Flächen. Die Mehrheit der genannten Überwachungs- und Erfassungsanwendungen erfordert eine "gelabelte" Karte der Fernerkundungsbilder, in der einzelne Pixel bestimmten Klassen zugeordnet sind, z.B. Wasser, Asphalt, Gras etc. In anderen Worten: Klassifikation ist ein notwendiger Schritt für diverse Fernerkundungsanwendungen. Es ist weitgehend anerkannt, dass die Auswertung sowohl der spektralen als auch der räumlichen Eigenschaften der Bildpunkte die Klassifikationsrate im Vergleich zur Verwendung rein spektralbasierter Merkmale verbessert.

In dieser Hinsicht sind morphologische Profile (MP) eine beliebte und mächtige Bildanalysetechnik, die die Berechnung solcher spektral-räumlichen Bildpunktbeschreibungen erlauben. Sie wurden im vergangenen Jahrzehnt ausführlich untersucht und ihre Effektivität mehrfach bestätigt.

Die Charakterisierung der räumlichen Information, die durch ein MP gewonnen wurde, ist insbesondere zur Repräsentation der Multiskalen-Variationen von Bildstrukturen geeignet. Diese sind jedoch durch die Form der strukturierenden Elemente beschränkt. Um diese Beschränkung zu umgehen, wurden morphologische Attributprofile (AP) entwickelt. Durch das direkte Arbeiten auf verbundenen Komponenten statt auf Pixeln ist nicht nur die Anwendung beliebiger Regionendeskriptoren (z.B. Form, Farbe, Textur etc.) möglich, sondern es wird auch der Weg für eine objektbasierte Bildanalyse bereitet. Zusätzlich können APs effizient durch hierarchische Bildrepräsentation implementiert werden, z.B. durch Max-/Min-Bäume und Alpha-Bäume.

Die o.g. Techniken für die Analyse von hyperspektralen Fernerkundungsbildern basieren grundlegend auf einer Einzelverarbeitung (Marginal-Verfahren) der Bilder, d.h. die Analyse jedes einzelnen Kanals für sich und nicht gleichzeitig. Deshalb wird die Korrelation der Kanäle in den konventionellen Marginal-Verfahren vernachlässigt.

Aus diesem Grund liegt der Schwerpunkt unseres Projekts auf der Erweiterung der mathematischen Morphologie auf das Gebiet der Analyse von Hyperspektralbildern und der Anwendung von Operatoren, die auf dem morphologischen Inhalt basieren, wie z.B. MP und AP, auf allen Spektralbändern gleichzeitig, um die Korrelation der Spektralkanäle zu berücksichtigen.

Involved:

Contributing FAU Organisations: