Forschung
 

Aktuelle Forschung – Fernerkundung mit SAR

4D Change Detection basierend auf Persistent Scatterer Interferometry

Persistent Scatterer Interferometry (PSI) erkennt und analysiert PS-Punkte, die durch starke, stabile und kohärente Radarsignale während einer Zeitreihe von SAR-Bildern gekennzeichnet sind. Die Attribute der PS-Punkte, wie z. B. Sichtliniengeschwindigkeiten (mm / Jahr) und Topographiehöhe, können abgeleitet und zur Topographie-Rekonstruktion und Deformationsanalyse in einer interessierenden Szene verwendet werden. In der Praxis funktioniert das PSI besonders gut bei der Überwachung von bebauten Städten, da voraussichtlich dicht geclusterte PS-Punkte von stationären Gebäuden erkannt werden.

Eine Voraussetzung für die Bildung von PS-Punkten ist, dass ihre Signale in Zeitreihen-SAR-Bildern kohärent bleiben müssen. Um einen Kohärenzverlust zu vermeiden, wird angenommen, dass eine interessierende Szene, die mit PS-Punkten bedeckt ist, stabil und frei von großen Änderungen ist. Ein typisches Beispiel ist ein Gebäude, das PS-ähnliche Substrukturen enthält, die während der Akquisitionszeit eines SAR-Bildstapels unverändert bleiben. Daher können die lokalen PS-Punkte zur weiteren Analyse extrahiert werden. Wenn im Gegensatz dazu die Unterstrukturen aufgrund der Konstruktion verschwinden, werden die lokalen PS-Kandidaten in dem anfänglichen Screening einer Standard-PSI-Verarbeitung für dominante und zeitlich stabile Streuer verworfen. Mit anderen Worten, große Änderungsinformationen sind in PSI nicht verfügbar.

In dieser Studie schlagen wir eine 4D-Änderungserkennung basierend auf PSI vor, um verschwindende und auftauchende PS-Punkte (3D) zusammen mit ihren Auftretenszeiten (1D) zu detektieren. Wir definieren diese zwei Punkttypen als "Verschwinden große Änderung" (DBC) und "sich abzeichnende große Änderung (EBC)" Punkte, wenn man bedenkt, dass sie großen Veränderungen unterworfen sind. Zunächst werden multi-temporale SAR-Bilder durch eine Zeitreihe von Bruchdaten in mehrere Bilduntergruppen unterteilt. Für jedes Pixel werden die Phasen in den Bilduntergruppen übernommen, um seine zeitlichen Kohärenzen über eine Standard-PSI-Verarbeitung zu bestimmen. Die zeitliche Kohärenz spiegelt die Phasenstabilität wider und wird als Indikator für einen PS-Punkt verwendet. Basierend auf diesem Konzept führen wir eine Sequenz von Änderungsindizes für jedes Pixel ein, die aus seinen zeitlichen Kohärenzen berechnet werden, um seine Wahrscheinlichkeit zu bestimmen, ein DBC- oder EBC-Punkt zu unterschiedlichen Zeiten zu sein. Die Änderungsindizes aller Pixel werden verwendet, um eine globale und automatische Schwellenwertmethode zum Extrahieren von DBC- und EBC-Punkten zu entwerfen. Dann wird das Verschwindendatum jedes DBC aus den Pausendaten basierend auf der zeitlichen Variation in seiner Änderungsindexsequenz erfasst; Derselbe Prozess wird auch auf jeden EBC-Punkt angewendet, um sein Auftrittsdatum zu bestimmen.

Die vorgeschlagene Technik wurde durch die simulierten und realen Datentests validiert. Durch den Einsatz eines TerraSAR-X (TSX) -Bildstapels erkennt der reale Datentest erfolgreich die verschwundenen und aufstrebenden Gebäude in Berlin, Deutschland.

 

Abbildung 1: TerraSAR-X-Bild (Auflösung von 1m × 1m), das die zentrale Stadt Berlin abdeckt, in der viele helle Cluster starker Signale auf Strukturen potenzielle PS-Punkte darstellen. Patch 1 wird zum Vergrößern der Exploration verwendet.
Abbildung 2: PS-Punkte (blau, 1m × 1m) Clustering als verschiedene Muster von Gebäuden, Einrichtungen und Infrastrukturen. Die Verarbeitung ergab etwa 1,5 Millionen PS, dh etwa 65.000 PS / km²
Abbildung 1: TerraSAR-X-Bild (Auflösung von 1m × 1m), das die zentrale Stadt Berlin abdeckt, in der viele helle Cluster starker Signale auf Strukturen potenzielle PS-Punkte darstellen. Patch 1 wird zum Vergrößern der Exploration verwendet. Abbildung 2: PS-Punkte (blau, 1m × 1m) Clustering als verschiedene Muster von Gebäuden, Einrichtungen und Infrastrukturen. Die Verarbeitung ergab etwa 1,5 Millionen PS, dh etwa 65.000 PS / km²

 

Abbildung 3: Sichtliniengeschwindigkeiten von PS-Punkten während der Jahre 2010 - 2014, die zur Überwachung der strukturellen Deformation verwendet werden können
Abbildung 4: Relative Höhen von PS-Punkten, die für 3D-Gebäudemodelle verwendet werden können.
Abbildung 3: Sichtliniengeschwindigkeiten von PS-Punkten während der Jahre 2010 - 2014, die zur Überwachung der strukturellen Deformation verwendet werden können Abbildung 4: Relative Höhen von PS-Punkten, die für 3D-Gebäudemodelle verwendet werden können.

 

Abbildung 5: 4D Änderungserkennung im Jahr 2013. (a) Stetige (blau), verschwindende (rot) und auftauchende (grün) Strukturen.
Abbildung 5: 4D Änderungserkennung im Jahr 2013. (b) Verschwinden- und Auflaufdaten: schwarz bis rot, frühestens bis spät.
(a) (b)
Abbildung 5: 4D Änderungserkennung im Jahr 2013. (a) Stetige (blau), verschwindende (rot) und auftauchende (grün) Strukturen. (b) Verschwinden- und Auflaufdaten: schwarz bis rot, frühestens bis spät.

 

Abbildung 6: Google Earth-Bild über Patch 1 (Abbildung 1) um den Berliner Hauptbahnhof, erworben am (12. September 2010).
Abbildung 6: Google Earth-Bild über Patch 1 (Abbildung 1) um den Berliner Hauptbahnhof, erworben am (12. September 2010) und (b) 5. September 2014, zeigen viele Gebäudekonstruktionen als gute Testbeispiele.
(a) (b)
Abbildung 6: Google Earth-Bilder über Patch 1 (Abbildung 1) um den Berliner Hauptbahnhof, erworben am (12. September 2010) und (b) 5. September 2014, zeigen viele Gebäudekonstruktionen als gute Testbeispiele.

 

Abbildung 7: Ergebnis der 4D-Änderungserkennung im Jahr 2013 gegenüber Patch 1 (Abbildung 1). (a) Stetige (blau), verschwindende (rot) und aufkommende (grüne) Strukturen. . Verglichen mit den Google Earth-Bildern (Abbildung 6) können wir effizient die detaillierten raumzeitlichen Informationen über die Standorte der veränderten Strukturen und ihre Eintrittszeiten erhalten.
Abbildung 7: Ergebnis der 4D-Änderungserkennung im Jahr 2013 gegenüber Patch 1 (Abbildung 1). (b) Verschwinden- und Auflaufdaten: schwarz bis rot, frühestens bis spät. Verglichen mit den Google Earth-Bildern (Abbildung 6) können wir effizient die detaillierten raumzeitlichen Informationen über die Standorte der veränderten Strukturen und ihre Eintrittszeiten erhalten.
(a) (b)
Abbildung 7: Ergebnis der 4D-Änderungserkennung im Jahr 2013 gegenüber Patch 1 (Abbildung 1). (a) Stetige (blau), verschwindende (rot) und aufkommende (grüne) Strukturen. (b) Verschwinden- und Auflaufdaten: schwarz bis rot, frühestens bis spät. Verglichen mit den Google Earth-Bildern (Abbildung 6) können wir effizient die detaillierten raumzeitlichen Informationen über die Standorte der veränderten Strukturen und ihre Eintrittszeiten erhalten.

 


Referenzen

Yang, C.-H.; Kenduiywo, B. K. & Soergel, U. [2016]
Change Detection Based on Persistent Scatterer Interferometry – A New Method of Monitoring Building Changes. ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci., III-7, pp. 243-250.
DOI: 10.5194/isprs-annals-III-7-243-2016

Yang, C.-H.; Kenduiywo, B.K. & Soergel, U. [2016]
4D change detection based on persistent scatterer interferometry. Pattern Recogniton in Remote Sensing (PRRS), 2016 9th IAPR Workshop on Pattern Recogniton in Remote Sensing, Cancun, Mexico. 6p.
DOI: 10.1109/PRRS.2016.7867016