Segmentation-Based Building Analysis from Polarimetric Synthetic Aperture Radar Images

Segmentierung von polarimetrische Synthetische Apertur Radar Bildern zur Gebäude Analyse

  • High resolution Synthetic Aperture Radar (SAR) imagery has many applications in urban areas, e.g. land cover classification and building displacement measurement. Buildings are evident in SAR imagery due to their strong backscattering compared to natural environment. Polarimetric SAR (PolSAR) imagery combines horizontal and vertical polarizations. It provides polarization features of scatterers on buildings. Polarimetric decomposition aims to interpret the scattering process as contributions froHigh resolution Synthetic Aperture Radar (SAR) imagery has many applications in urban areas, e.g. land cover classification and building displacement measurement. Buildings are evident in SAR imagery due to their strong backscattering compared to natural environment. Polarimetric SAR (PolSAR) imagery combines horizontal and vertical polarizations. It provides polarization features of scatterers on buildings. Polarimetric decomposition aims to interpret the scattering process as contributions from several mechanisms, e.g. surface, double bounce and volume scattering. The scattering characteristics derived from PolSAR imagery can be exploited for object analysis. In this thesis we analyze buildings in meter-resolution PolSAR imagery in urban areas. Segmentation and classification of PolSAR imagery are investigated. Polarimetric features, e.g. amplitude, parameters from polarimetric decomposition and coherence, are extracted. We adapt state-of-the-art feature extraction, segmentation and classification framework for urban area analysis. Segmentation provides an initial premise for semantic object analysis. The generated segments provide spatial support for efficient feature extraction. A good segmentation is critical for region feature extraction and efficient object detection. We adopt watershed, mean shift, efficient graph-based segmentation and normalized cuts for PolSAR imagery. These algorithms produce satisfying segmentation results. The segmentation results are evaluated on ground truth data. We propose the integration of probabilistic boundary estimation and segmentation from PolSAR imagery. One framework is spectral graph segmentation based on probabilistic boundary algorithm. Accurate boundaries are obtained through combining different types of gradients. The segmentation results preserve the weak boundaries. Another framework is occlusion boundary estimation, in which segmentation and boundary extraction are interleaved. The segmentation results are of the highest accuracy. Object extraction is achieved by supervised classification of the segments. We extract polarimetric and effective low-level features, including texton histogram, histogram of oriented gradients and sale-invariant feature transform descriptor. Texton histogram is well adapted to PolSAR imagery. The classification aims to group the segments into several semantic classes. We adopt several strategies for grouping. The first is Conditional Random Fields, which emphasizes that neighboring segments are prone to belong to a same class. The second is classification based on multiple segmentations algorithm, which explores the capability of a hierarchy of segmentations providing spatial support for object evidence extraction. The last strategy is exploiting building alignment angle and evidence from other objects in a Bayesian detection model. The appearance of a building in a PolSAR image is influenced by its alignment angle with respect to the flight trajectory. We extract effective features and train classifier to identify building alignment angle. Experimental results demonstrate the effectiveness of these classification strategies. Subaperture analysis is an important tool for SAR data processing. Each subaperture spans a different part of the Doppler spectrum and samples object reflections at different azimuth look angles. The dependency of object scattering on azimuth look angle is modeled by Hidden Markov Model (HMM), which describes the behavior variations of buildings across the subapertures. States in the HMM represent representative centers in the feature space. The state sequence along the subapertures indicates the scattering dynamics, which is valuable for the analysis of stationary and non-stationary scatterers. The HMM is also able to classify buildings from clutter and discriminate between buildings with different alignment angles.show moreshow less
  • Hochauflösende Synthetische Apertur Radar (SAR) Bilder hat viele Anwendungen in städtischen Gebieten, z.B. der Klassifizierung von Bodenbedeckung und der Bestimmung von Gebäuden. Die Gebäude sind in SAR-Aufnahmen auffällig aufgrund ihrer starken Rückstreuung im Vergleich zu natürlichen Umgebung. Polarimetrische SAR (PolSAR) Bilder bestehen aus Kombinationen von horizontalen und vertikalen Polarisationen. Es bietet Polarisationsmerkmale der Streuer an Gebäuden. Die polarimetrische Zerlegung zieltHochauflösende Synthetische Apertur Radar (SAR) Bilder hat viele Anwendungen in städtischen Gebieten, z.B. der Klassifizierung von Bodenbedeckung und der Bestimmung von Gebäuden. Die Gebäude sind in SAR-Aufnahmen auffällig aufgrund ihrer starken Rückstreuung im Vergleich zu natürlichen Umgebung. Polarimetrische SAR (PolSAR) Bilder bestehen aus Kombinationen von horizontalen und vertikalen Polarisationen. Es bietet Polarisationsmerkmale der Streuer an Gebäuden. Die polarimetrische Zerlegung zielt darauf ab, die Streuung von mehreren Mechanismen in Form von verschiedenen Beiträgen zu interpretieren, z.B. Oberflächenstreuung, Doppel-Reflexion und Volumenstreuung. Das Streuverhalten, dass von PolSAR Bilder abgeleitet wird, kann für Objekt-Analysen genutzt werden. In dieser Arbeit werden Gebäude in PolSAR Bilder mit Meter-Auflösung von Stadtgebieten analysiert, sowie Segmentierungs- und Klassifikationsverfahren untersucht. Zusätzlich werden polarimetrische Features, z.B. Amplitude, Parameter aus polarimetrischer Dekomposition und Kohärenz, extrahiert. Im Rahmen der Unterschungen werden state-of-art Verfahren zur Merkmalsextraktion, Segmentierung und Klassifikation für den städtischen Bereich detailiert analysiert. Die Segmentierung bietet eine erste Voraussetzung für semantische Objektanalyse. Die erzeugten Segmente bieten räumliche Unterstützung für eine effiziente Merkmalsextraktion. Eine gute Segmentierung ist kritisch für die regionenbasiert Merkmalsextraktion und einen effizienten Objekterkennung. Algorithmen, wie Watershed, Mean Shift, Efficient Graph-based Segmentation und Normalized Cuts werden für PolSAR Bilder angepasst und angewendet. Diese Algorithmen erzeugen zufriedenstellende Segmentierungsergebnisse. Die Ergebnisse werden mit Ground-Truth-Daten evaluiert. Es wird vorgeschlagen, die probabilistische Grenzschätzung und die Segmentierung von PolSAR Bildern in bestehende Algorithmen zu integrieren. Ein möglicher Framework ist die Spectral Graph Segmentation basiert auf den probabilistische Grenz Algorithmus. Genaue Grenzen können durch die Kombination von verschiedenen Gradientenarten erhalten werden. Als Ergebnisse der Segmentierung werden die schwache Grenzen erhalten. Ein weiteres Framework ist die Occlusion Boundary Schätzung, in der die Segmentierung und die Extraktion von Grenzen miteinander verschachtelt sind. Die erhaltene Segmentierungsergebnisse zeigen eine hohe Genauigkeit. Die Objekt-Extraktion wird durch eine überwachte Klassifikation der Segmente erreicht. Es werden polarimetrische und effektive Low-Level-Features extrahieren, wobei Texton Histogramme, Histogramme von orientierte Gradienten und der Scale-invariant Feature Transform Deskriptor Anwendung finden. Das Texton Histogramm wird gut für PolSAR Bilder angepasst. Die Klassifizierung soll die Segmente in mehrere semantische Klassen-Gruppen einteilen, wobei verschiedene Strategien für die Gruppierung angewendet werden. Die erste ist Conditional Random Fields, was bedeutet, dass benachbarte Segmente betont werden, die dazu neigen, zu einer gleichen Klasse zugehören. Die zweite ist die Klassifikation auf den Multiple Segmentations Algorithmus, die die Möglichkeit einer hierarchischen Segmentierung erforscht und dadurch für die räumliche Unterstützung für die objektorientierte Extraktion liefert. Die letzte Strategie nutzt die Ausrichtungswinkel von Gebäuden und die Informationen von anderen Objekten in einem Bayesian-Modell. Das Erscheinungsbild eines Gebäudes in einem PolSAR Bild wird durch seinen Ausrichtungswinkel in Bezug auf die Flugbahn beeinflusst. Es werden effektive Features extrahieren und Gebäudeklassifikatoren zur Bestimmung der Ausrichtungswinkel identifiziert. Experimentelle Ergebnisse zeigen die Wirksamkeit dieser Klassifizierungsstrategien. Die Subapertur Analyse ist ein wichtiges Werkzeug für die SAR Datenverarbeitung. Jede Subapertur erstreckt sich über einen anderen Teil des Doppler-Spektrums und liefert Objekt Reflexionen bei verschiedenen Azimut Einfallswinkeln. Die Abhängigkeit der Objektsstreuung von Azimut Blickrichtung wird durch Hidden Markov Model (HMM) modelliert. Es beschreibt das Verhalten der Variationen von Gebäuden über die Subaperturen. Zustände in dem HMM stellen repräsentative Zentren von Features im Merkmalsraum dar. Die Zustandsreihenfolge entlang der Subaperturen zeigt die Dynamik der Streuung. Diese ist wertvoll für die Analyse von stationären und nicht stationären Streuern. Das HMM ist auch in der Lage, Gebäude aus Clutter zu klassifizieren und zwischen den Gebäuden mit unterschiedlicher Ausrichtungswinkeln zu unterscheiden.show moreshow less

Download full text files

Export metadata

  • Export Bibtex
  • Export RIS

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author: Wenju He
URN:urn:nbn:de:kobv:83-opus-31727
Advisor:Prof. Dr.-Ing. Olaf Hellwich
Document Type:Doctoral Thesis
Language:English
Date of Publication (online):2011/08/19
Publishing Institution:Technische Universität Berlin
Granting Institution:Technische Universität Berlin, Fakultät IV - Elektrotechnik und Informatik
Date of final exam:2011/07/15
Release Date:2011/08/19
Tag:Hidden Markov Model; Klassifikation; Segmentierung; Stadtgebiet; Synthetische Apertur Radar
Classification; Hidden Markov Model; Segmentation; Synthetic Aperture Radar; Urban area
Institutes:Institut für Technische Informatik und Mikroelektronik
Dewey Decimal Classification:004 Datenverarbeitung; Informatik
Licence (German):License LogoDeutsches Urheberrecht mit Print on Demand (u.a. für Dissertationen empfohlen)