Search

Global climate change is rapidly changing the polar regions. In an effort to support monitoring these changes, this thesis develops deep learning methods for the remote sensing analysis of targets in these regions. Firstly, models for mapping glacier calving fronts are developed by rethinking how the task is encoded computationally. Secondly, the feasibility of detecting retrogressive thaw slumps in permafrost areas is established and made data-efficient through semi-supervised learning., Der globale Klimawandel hat massive Auswirkungen auf die Polarregionen. Diese Dissertation entwickelt Deep Learning Methoden für die Fernerkundung bestimmter Objekte in diesen Regionen. Zuerst werden Modelle für die Kartierung von Gletscherkalbungsfronten entwickelt, indem neue Ansätze für deren Kodierung verfolgt werden. Weiterhin werden Modelle für die Detektion von Retrogressiven Taurutschungen in Permafrostregionen mithilfe von Trainingstechniken wie Semi-Supervised Learning optimiert.

Synthetic aperture radar tomography (TomoSAR) emerges as an advanced interferometric SAR (InSAR) technique for 3D imaging as well as deformation monitoring. The state-of-the-art TomoSAR algorithms harness the capabilities of compressive sensing (CS)-based sparse reconstruction, showing unprecedented super-resolution power and location accuracy. However, the computational demands of CS-based TomoSAR algorithms render them impractical for large-scale processing. Addressing this challenge, this dissertation develops novel deep learning-based algorithms tailored for efficient and accurate super-resolution TomoSAR inversion in large-scale processing., Synthetik Apertur Radar Tomographie (TomoSAR) ist eine fortgeschrittene interferometrische SAR (InSAR) Methode für die 3-D-Abbildung sowie die Deformationsüberwachung. Die modernsten TomoSAR-Algorithmen nutzen die Fähigkeiten der compressive sensing (CS) basierenden spärlichen Rekonstruktion. Diese ist jedoch aufgrund hoher rechnerischer Kosten nicht für die großflächige Verarbeitung geeignet. In Anbetracht dieser Herausforderung entwirft die vorliegende Dissertation innovative deep learning-basierte Algorithmen, die speziell für eine effiziente und präzise Super-Auflösung TomoSAR in großflächige Verarbeitung entwickelt.

The natural occurrence of clouds poses a persistent obstacle for optical satellites to seamlessly observe Earth. This thesis promotes a better reconstruction of optical satellite images via: First, by investigating the practical impact of clouds on established remote sensing use cases. Second, two data sets are curated and neural networks proposed for mono- and multi-temporal cloud removal. Finally, a model to quantify the uncertainty of the reconstructed images at inference time is proposed., Wolken stellen ein Hindernis für optische Satelliten dar, die Erde nahtlos zu beobachten. Diese Dissertation erarbeitet die Rekonstruktion von optischen Satellitenbildern. Zuerst werden die Auswirkungen von Wolken auf Anwendungen der Fernerkundung untersucht. Zweitens werden zwei Datensätze kuratiert und neuronale Netze für die mono- und multitemporale Wolkenentfernung vorgeschlagen. Schließlich wird ein Modell zur Quantifizierung der Unsicherheit der rekonstruierten Bilder vorgeschlagen.

In this cumulative thesis, I cover four papers on time-series analysis of optical satellite imagery. The contribution is split into two parts. The first one introduces DENETHOR and DynamicEarthNet, two landmark datasets with high-quality ground truth data for agricultural monitoring and change detection. Second, I introduce SiROC and SemiSiROC, two methodological contributions to label-efficient change detection., In dieser Doktorarbeit fasse ich die Beiträge vier verschiedener Aufsätze zusammen, die die Datenverfügbarkeit und Methodik für Zeitreihenanalyse optischer Satellitendaten verbessern. Der erste Teil präsentiert die Referenzdatensätze DENETHOR für die Landwirtschaft und DynamikEarthNet für die Veränderungsanalyse. Im zweiten Teil präsentiere ich zwei neue Methoden für die Veränderungsanalyse: SiROC und SemiSiROC.

This thesis investigates identifying plastics on land surfaces with optical remote sensing and machine learning. Three studies demonstrate the efficacy of different techniques, including decision-tree classifiers, CNNs, random forests, and SVMs, using WorldView-3, hyperspectral, and Sentinel-2 imagery. The thesis contributes to developing reliable approaches for plastic identification, with implications for environmental monitoring, waste management, and resource conservation., In dieser Arbeit wird die Identifizierung von Kunststoffen auf Landoberflächen mit optischer Fernerkundung und maschinellem Lernen untersucht. Drei Studien demonstrieren die Wirksamkeit verschiedener Techniken, darunter Entscheidungsbaum-Klassifikatoren, CNNs, Zufallswälder und SVMs, unter Verwendung von WorldView-3-, Hyperspektral- und Sentinel-2-Bildern. Die Arbeit trägt zur Entwicklung zuverlässiger Ansätze für die Identifizierung von Kunststoffen bei, was sich auf die Umweltüberwachung, die Abfallwirtschaft und die Ressourcenschonung auswirkt. Übersetzt mit www.DeepL.com/Translator (kostenlose Version)

Building function classification is a challenging task as it cannot be directly measured. This thesis presents three novel methods using social media and remote sensing data for predicting building functions on a global scale. The methods build upon state-of-the-art machine learning models that are trained and evaluated on culturally diverse datasets. All resulting models are fused for an improved prediction performance by up to 6.9% on a dataset with human-verified labels., Die Funktionen von Gebäuden lassen sich nicht direkt messen, sondern erfordern die Interpretation von Daten. In dieser Arbeit werden drei neue Methoden zur Vorhersage von Gebäudefunktionen vorgestellt, die auf Daten aus sozialen Medien und Fernerkundungsdaten beruhen. Die Methoden basieren auf Ansätzen des maschinellen Lernens und wurden auf kulturell diversifizierten Datensätzen entwickelt und getestet. Die Vorhersagen lässt sich durch die Kombination mehrerer Modelle um bis zu 6,9% erhöhen.

Detailed data about urban land-use, like building functions, is useful to governments for resource planning. To detect building functions, satellite imagery could be too course. In this work, individual buildings from 42 cities are classified with multilingual tweets and fused with high-resolution remote sensing imagery. After fusing the modalities, an overall accuracy of 75% can be achieved. The remote sensing and text features seem complementary and data fusion can improve the results., Genaue Daten über Gebäudefunktionen sind für lokale Regierungen wichtig, um Ressourcen planen zu können. Satellitenbilder könnten zur Bestimmung dieser Funktionen zu grob aufgelöst sein. Daher werden in dieser Arbeit individuelle Gebäude aus 42 Städten zusätzlich mit mehrsprachigen Tweets klassifiziert und mit hochauflösenden Luftbildern fusioniert. Dadurch wird eine Genauigkeit von 75% erreicht. Bild- und Textmerkmale scheinen komplementär. Deshalb kann die Fusion die Ergebnisse verbessern.

Currently, there is a high expectation in the application of machine learning methods for mapping urban land cover from space. In particular, deep learning has gained an influential role. Through investigations into the potential of deep learning, this thesis provides contributions to three aspects of urban land cover mapping on three scales: the detection of urban areas, the classification of urban land cover, and the simultaneous characterization of urban density and heterogeneity., Gegenwärtig bestehen große Erwartungen in die Awendung von Methoden des maschinellen Lernens für die Kartierung von Stadtgebieten. Insbesondere Deep Learning hat in der jüngeren Vergangenheit eine wichtige Rolle eingenommen. Um das Potenzial moderner Deep Learning-Verfahren auszuloten, befasst sich diese Arbeit mit den folgenden drei Aspekten der Kartierung städtischer Landbedeckung auf drei Skalenebenen: der Detektion urbaner Gebiete an sich, der Klassifizierung städtischer Landbedeckung und der simultanen Charakterisierung von Dichte und Heterogenität in Stadtgebieten.

This thesis presents several deep learning models for the analysis of optical remote sensing data, e.g., hyperspectral image classification, change detection in multispectral time series data, object detection and semantic segmentation in high resolution aerial images. Results are assessed on several datasets in comparison with state-of-the-art methods., Diese Arbeit präsentiert verschiedene Deep-Learning-Modelle für die Analyse von optischen Fernerkundungsdaten, z. B. hyperspektrale Bildklassifizierung, Änderungserkennung in multispektralen Zeitreihendaten, Objekterkennung und semantische Segmentierung in hochauflösenden Luftbildern. Die Ergebnisse werden anhand mehrerer Datensätze im Vergleich zu modernsten Methoden bewertet.

Synthetic aperture radar (SAR) tomography is a technique for reconstructing three-dimensional far field from two-dimensional measurements of radar echoes. As a result of a doctoral study, this dissertation addresses mainly several sparse recovery problems in spaceborne SAR tomography. Single-master SAR tomography uses a common acquisition for interferogram generation. In the single-look or single-snapshot case, each look or snapshot is processed independently. Under the assumption of a compressible far field in urban scenarios, this typically involves solving a complex-valued $\ell_1$-regularized least squares (L1RLS) problem. From a bi-criterion optimization point of view, each L1RLS solution associated with a fixed regularization parameter is Pareto optimal, and therefore its solution path can be sampled in order to achieve automatic tuning. Besides, we show empirically that a simple diagonal preconditioning can substantially improve the convergence of this notoriously ill-posed problem as applied to spaceborne SAR tomography. On the other hand, the far fields of various looks or snapshots are jointly reconstructed in the multi-look case. We show that the prior knowledge of scatterers sharing the same elevation position among different looks leads in general to a joint tensor mode recovery problem for repeat-pass acquisitions. Single-look multi-master SAR tomography is a relatively new research topic that is primarily inspired by prospective spaceborne SAR missions in bi- or multistatic configurations (i.e., with one transmitter and multiple receivers). We establish the single-look multi-master data model, and propose a generic inversion framework comprised of nonconvex sparse recovery, model-order selection and off-grid correction. Two algorithm are developed vis-à-vis nonconvex sparse recovery: one extends the conventional nonlinear least squares (NLS) to the single-look multi-master data model, and the other is based on bi-convex relaxation and alternating mini, Radar mit synthetischer Apertur (englisch: Synthetic Aperture Radar, abgekürzt als SAR)-Tomografie ist eine Technik zur Rekonstruierung eines dreidimensionalen Fernfeldes mit zweidimensionalen Messungen der Radarechos. Bei dieser Dissertation handelt es sich hauptsächlich um Optimierungsprobleme zur Schätzung dünnbestzter Signale in der satellitengestützten SAR-Tomografie sowie ihre Löser. Bei der Einzelmaster-SAR-Tomografie verwendet man eine gemeinsame Aufnahme für die Interferogramerzeugung. Im Falle der Einzellook-Einzelmaster-SAR-Tomografie wird jeder Look unabhängig voneinder prozessiert. Unter der Annahme eines komprimierbares Fernfeldes in urbanen Gebieten, steht es im Mittelpunkt der tomografischen Prozessierung ein komplexwertiges $\ell_1$-regularisiertes Problem der kleinsten Quadrate zu lösen. Aus dem Gesichtspunkt der Bikriterien-Optimierung ist jede mit einem fixen Regularisierungsparameter verbundene Lösung Pareto-optimal. Daher könnte man den Lösungspfad des Optimierungsproblems abtasten, um das Tuning des Regularisierungsparameters zu automatisieren. Außerdem zeigen wir empirisch mit echten SAR-Daten, dass eine einfache diagonale Präkonditionierung die Konvergenz dieses schlecht konditioniertes Problems in der SAR-Tomografie wesentlich verbessern kann. Andererseits bei der Multilook-SAR-Tomografie werden die Fernfelder mehrerer Looks gemeinsam rekonstruiert. Die a priori Kenntnisse, dass sich die Rückstreuer in verschiedenen Looks in derselben Elevationsposition befinden, führt im Allgemeinen zu einem Optimierungsproblem zur Schätzung eines dünnbestzten Tensors, in dem die Rückstreuer mit einem Regularisierungsterm gefordert werden, sich nach dem ersten, der Elevationsrichtung entsprechenden, Tensormodus auszurichten. Die Einzellook-Multimaster-SAR-Tomografie ist ein relativ neues Forschungsthema. Dies ist vor allem durch künftige satellitengestützte SAR-Missionen in bi- oder multistatischen Konfigurationen (d.h., mit einem Sender und mehreren Empfä

This thesis presents a semi-supervised data fusion algorithm MIMA for the task of urban classification using SAR and optical data, develops a classification system based on MIMA, deploys the system for a classification task of 42 major cities around the world, and carries out an urban pattern analysis over the 42 cities. MIMA and the developed system exhibit superior performance by comparing to the state-of-the-art techniques. Eight urban patterns are identified by analyzing the 42 cities., Diese Arbeit stellt einen semi überwachten Datenfusionsalgorithmus MIMA für die Aufgabe der städtischen Klassifizierung mit SAR und optischen Daten, entwickelt ein Klassifizierungssystem auf der Grundlage von MIMA, setzt das System für eine Klassifikationsaufgabe von 42 Großstädten auf der ganzen Welt, und führt eine städtische Musteranalyse über die 42 Städte. MIMA und das entwickelte System weisen im Vergleich zu den neuesten Techniken eine überlegene Leistung auf. Acht städtische Muster werden durch die Analyse der 42 Städte identifiziert.

The main objective of this dissertation is to investigate the potential and possibility of 3D urban reconstruction and subsequently building modeling using remote-sensing-derived geodata., Das Hauptziel dieser Arbeit ist es, das Potenzial und die Möglichkeiten der 3D-Stadtrekonstruktion und der anschließenden Gebäudemodellierung mit Hilfe von Geodaten aus der Ferne zu untersuchen.

This thesis is dedicated to merging the capabilities of Synthetic Aperture Radar Interferometry (InSAR) and SAR geodetic techniques, a framework referred to as geodetic InSAR. The ultimate goal is to overcome the pitfalls of both methods and produce detailed 3-D InSAR point clouds with absolute coordinates, with a focus on urban infrastructure monitoring., Diese Arbeit beschäftigt sich mit der Verschmelzung von InSAR und geodätischen SAR Techniken, was wir folgend geodätische Radarinterferometrie nennen. Das Ziel ist es, die Schwächen beider Methoden auszugleichen, um 3-D InSAR Punktwolken mit absoluten Koordinaten zu generieren. Der Fokus liegt dabei auf der Beobachtung von urbaner Infrastruktur.

This thesis presents a novel paradigm to analyze the remotely sensed hyperspectral imagery, i.e. hyperspectral dimensionality reduction, spectral unmixing, cross-modality fusion and learning. The trade-off between spectral robustness and discrimination is considered by regression-based representation models. Accordingly, the optimizers are designed for the solutions of these models. Results are assessed on several datasets in comparison with state-of-the-art methods., Bei dieser Arbeit handelt es sich um ein neuartiges Paradigma zur Analyse hyperspektralen Fernerkundungsdaten, inkl. der Reduzierung der hyperspektralen Dimensionen, der spektralen Entmischung, der Fusion und des Lernens in einer modalitätsübergreifenden Weise. Der Kompromiss zwischen spektraler Robustheit und Diskriminierung wird von regressionsbasierten Darstellungsmodellen berücksichtigt. Dementsprechend sind Optimierer für die Lösungen dieser Modelle entwickelt. Die Ergebnisse werden mit mehreren Datensätzen im Vergleich zu modernsten Methoden bewertet.

This thesis presents a general framework for object-based InSAR parameter retrieval, where the parameters of the whole object are jointly estimated by the inversion of a regularized tensor model instead of pixelwise, the investigation of the inherent low rank property of object-based InSAR phase stacks and two tensor-decomposition based methods for robustly reconstructing such phase stacks. The quality of the proposed methods are assessed on real data and compared to the state-of-the-art methods., In dieser Arbeit wird ein allgemeiner Rahmen für die objektbasierte InSAR Parameterabfrage vorgestellt, bei dem die Parameter des gesamten Objekts gemeinsam durch die Inversion eines regulierten Tensormodells anstelle von pixelweise geschätzt werden. Dabei werden die inhärenten Eigenschaften der objektbasierten InSAR-Phase untersucht Stapel und zwei Tensor-Zerlegungs-basierte Verfahren zur robusten Rekonstruktion solcher Phasenstapel. Die Qualität der vorgeschlagenen Methoden wird anhand realer Daten beurteilt und mit den neuesten Methoden verglichen.

This thesis presents nonlocal filtering algorithms for single and multibaseline SAR interferometry. The developed single baseline nonlocal filter adaptively selects key filtering parameters, making it applicable to a wide range of terrain. Applying it to TerraSAR/TanDEM-X interferograms yields digital elevation models of higher resolution and accuracy than possible with conventional filters. In addition a multi-baseline nonlocal filtering framework, which exploits the temporal domain in SAR image stacks, is proposed., Im Rahmen dieser Dissertation wurden nichtlokale Filterungsalgorithmen für SAR Interferometrie mit einer und mehreren Basislinien entwickelt. Das entwickelte nichtlokale Filter für einzelne Interferogramme wählt Filterparamter adaptiv, was es für verschiedenste Arten von Terrain einsetzbar macht. Seine Anwendung auf TerraSAR/TanDEM-X Interferogrammen generiert digitale Höhenmodelle mit höherer Auflösung und Genauigkeit als mit herkömmlichen Filtern. Zusätzlich wude ein Framework für nichtlokale Filter für mehrere Basislinien entwickelt, welches die zeitliche Achse in Stapeln von SAR-Bildern ausnutzt.

The joint exploitation of SAR and optical data constitute the most important application of data fusion within remote sensing. A key first step in data fusion endeavours is the determination of correspondences between the various data sources. However, due to their vastly different geometric and radiometric properties, the SAR and optical matching problem has few generalizable solutions. Thus the main objective of this thesis is to develop a fully automated, deep learning-based, SAR-optical matching pipeline suitable for use on high-resolution imagery., Die gemeinsame Auswertung von SAR- und optischen Daten stellt die wichtigste Anwendung der Datenfusion in der Fernerkundung dar. Ein erster wichtiger Schritt in diese Richtung ist die Bestimmung von Korrespondenzen zwischen den verschiedenen Datenquellen. Aufgrund der erheblichen Unterschiede hinsichtlich ihrer geometrischen und radiometrischen Eigenschaften ist das Matching von SAR- und optischen Daten jedoch von Natur aus komplex. Das Hauptziel dieser Arbeit ist daher die Entwicklung einer vollautomatischen SAR-optischen Matching-Pipeline, die mit Hilfe von Deep Learning in der Lage ist, hochauflösende Bilder zuzuordnen.

Currently, there is a high expectation in the application of machine learning methods for mapping urban land cover from space. In particular, deep learning has gained an influential role. Through investigations into the potential of deep learning, this thesis provides contributions to three aspects of urban land cover mapping on three scales: the detection of urban areas, the classification of urban land cover, and the simultaneous characterization of urban density and heterogeneity., Gegenwärtig bestehen große Erwartungen in die Awendung von Methoden des maschinellen Lernens für die Kartierung von Stadtgebieten. Insbesondere Deep Learning hat in der jüngeren Vergangenheit eine wichtige Rolle eingenommen. Um das Potenzial moderner Deep Learning-Verfahren auszuloten, befasst sich diese Arbeit mit den folgenden drei Aspekten der Kartierung städtischer Landbedeckung auf drei Skalenebenen: der Detektion urbaner Gebiete an sich, der Klassifizierung städtischer Landbedeckung und der simultanen Charakterisierung von Dichte und Heterogenität in Stadtgebieten.

This thesis presents a semi-supervised data fusion algorithm MIMA for the task of urban classification using SAR and optical data, develops a classification system based on MIMA, deploys the system for a classification task of 42 major cities around the world, and carries out an urban pattern analysis over the 42 cities. MIMA and the developed system exhibit superior performance by comparing to the state-of-the-art techniques. Eight urban patterns are identified by analyzing the 42 cities., Diese Arbeit stellt einen semi überwachten Datenfusionsalgorithmus MIMA für die Aufgabe der städtischen Klassifizierung mit SAR und optischen Daten, entwickelt ein Klassifizierungssystem auf der Grundlage von MIMA, setzt das System für eine Klassifikationsaufgabe von 42 Großstädten auf der ganzen Welt, und führt eine städtische Musteranalyse über die 42 Städte. MIMA und das entwickelte System weisen im Vergleich zu den neuesten Techniken eine überlegene Leistung auf. Acht städtische Muster werden durch die Analyse der 42 Städte identifiziert.

This thesis presents solutions to two demanding, severely ill-posed multi-sensor data fusion problems, i.e., pan-sharpening and hyperspectral-multispectral data fusion. Incorporation of physical aspects, knowledge about image patches featuring sparse representations of dictionaries, and mutual correlation of spectral channels reduce the number of degrees of freedom. Parallel software solutions are optimized for operation on the SuperMUC. The quality of the data fusion products is assessed and compared to the state-of-the-art, for a large variety of sensor combinations., Diese Arbeit präsentiert Lösungen zu zwei gefragten, stark unterbestimmten Multi-Sensor-Datenfusionsproblemen, nämlich Pan-Schärfung und Hyper- und Multispektrale Datenfusion. Berücksichtigung physikalischer Aspekte, dünn-besetze Darstellbarkeit von Bildausschnitten in geeigneten Dictionaries und Korrelation zwischen Spektralkanälen reduziert die Anzahl der Freiheitsgrade. Hochparallele Softwareprodukte wurden für die Prozessierung auf dem SuperMUC entwickelt. Die Qualität der Produkte ist für diverse Sensorkombinationen und Testszenarien evaluiert und mit dem Stand der Technik verglichen.

This thesis presents a novel paradigm to analyze the remotely sensed hyperspectral imagery, i.e. hyperspectral dimensionality reduction, spectral unmixing, cross-modality fusion and learning. The trade-off between spectral robustness and discrimination is considered by regression-based representation models. Accordingly, the optimizers are designed for the solutions of these models. Results are assessed on several datasets in comparison with state-of-the-art methods., Bei dieser Arbeit handelt es sich um ein neuartiges Paradigma zur Analyse hyperspektralen Fernerkundungsdaten, inkl. der Reduzierung der hyperspektralen Dimensionen, der spektralen Entmischung, der Fusion und des Lernens in einer modalitätsübergreifenden Weise. Der Kompromiss zwischen spektraler Robustheit und Diskriminierung wird von regressionsbasierten Darstellungsmodellen berücksichtigt. Dementsprechend sind Optimierer für die Lösungen dieser Modelle entwickelt. Die Ergebnisse werden mit mehreren Datensätzen im Vergleich zu modernsten Methoden bewertet.

The main objective of this dissertation is to investigate the potential and possibility of 3D urban reconstruction and subsequently building modeling using remote-sensing-derived geodata., Das Hauptziel dieser Arbeit ist es, das Potenzial und die Möglichkeiten der 3D-Stadtrekonstruktion und der anschließenden Gebäudemodellierung mit Hilfe von Geodaten aus der Ferne zu untersuchen.

This thesis presents a general framework for object-based InSAR parameter retrieval, where the parameters of the whole object are jointly estimated by the inversion of a regularized tensor model instead of pixelwise, the investigation of the inherent low rank property of object-based InSAR phase stacks and two tensor-decomposition based methods for robustly reconstructing such phase stacks. The quality of the proposed methods are assessed on real data and compared to the state-of-the-art methods., In dieser Arbeit wird ein allgemeiner Rahmen für die objektbasierte InSAR Parameterabfrage vorgestellt, bei dem die Parameter des gesamten Objekts gemeinsam durch die Inversion eines regulierten Tensormodells anstelle von pixelweise geschätzt werden. Dabei werden die inhärenten Eigenschaften der objektbasierten InSAR-Phase untersucht Stapel und zwei Tensor-Zerlegungs-basierte Verfahren zur robusten Rekonstruktion solcher Phasenstapel. Die Qualität der vorgeschlagenen Methoden wird anhand realer Daten beurteilt und mit den neuesten Methoden verglichen.

This thesis addressed the recent advances in meter-resolution multipass synthetic aperture radar (SAR) interferometry in urban area. The main contributions include an computationally efficient multi-dimensional tomographic SAR (TomoSAR) inversion algorithm, the first city-scale multi-aspect spaceborne TomoSAR point clouds fusion, the first optical image and meter-resolution TomoSAR point cloud fusion, and the first systematic proposal of robust estimation in multipass InSAR. All developed algorithms were validated using real data from TerraSAR-X., Diese Dissertation behandelte die neuesten Fortschritte für Multipass synthetische Apertur Radar (SAR) Interferometrie mit einem Auflösungsvermögen im Bereich von Metern für urbane Gebiete. Die wesentlichen Beiträge sind ein recheneffizienter Algorithmus für mehrdimensionale tomographische SAR (TomoSAR) Inversion, die erste multi-aspect satellitengestützte TomoSAR Fusion von Punktwolken in der Größenordnung einer Stadt, die erste Fusion von Punktwolken für optische Bilder und TomoSAR in einer Auflösung von Metern, und der erste systematische Vorschlag für eine robuste Schätzung für Multipass-InSAR. Alle entwickelten Algorithmen wurden mit Realdaten von TerraSAR-X validiert.

Advanced interferometric techniques, such as SAR tomography, when applied over very high resolution data provided by modern SAR satellites, allows generation of 4-D point clouds of the illuminated area making them very attractive for generating dynamic city models from space. Motivated by this, the thesis is aimed at exploring for the first time the object reconstruction potential from this class of data. Results obtained over two object categories: buildings and individual trees are presented., Fortschrittliche interferometrische Methoden, wie etwa SAR Tomographie, ermöglichen es zusammen mit sehr hochaufgelösten Daten, eine 4-D Punktwolke des ausgeleuchteten Gebietes zu generieren, was sie sehr attraktiv für die satellitengestützte Generierung von dynamischen Stadtmodellen machen. Diese Dissertation untersucht zum ersten Mal das Potential dieser Art von Daten für die Objektrekonstruktion. Für zwei Kategorien von Objekten, Gebäude und Bäume, werden Ergebnisse präsentiert.

This thesis presents nonlocal filtering algorithms for single and multibaseline SAR interferometry. The developed single baseline nonlocal filter adaptively selects key filtering parameters, making it applicable to a wide range of terrain. Applying it to TerraSAR/TanDEM-X interferograms yields digital elevation models of higher resolution and accuracy than possible with conventional filters. In addition a multi-baseline nonlocal filtering framework, which exploits the temporal domain in SAR image stacks, is proposed., Im Rahmen dieser Dissertation wurden nichtlokale Filterungsalgorithmen für SAR Interferometrie mit einer und mehreren Basislinien entwickelt. Das entwickelte nichtlokale Filter für einzelne Interferogramme wählt Filterparamter adaptiv, was es für verschiedenste Arten von Terrain einsetzbar macht. Seine Anwendung auf TerraSAR/TanDEM-X Interferogrammen generiert digitale Höhenmodelle mit höherer Auflösung und Genauigkeit als mit herkömmlichen Filtern. Zusätzlich wude ein Framework für nichtlokale Filter für mehrere Basislinien entwickelt, welches die zeitliche Achse in Stapeln von SAR-Bildern ausnutzt.

This thesis presents solutions to two demanding, severely ill-posed multi-sensor data fusion problems, i.e., pan-sharpening and hyperspectral-multispectral data fusion. Incorporation of physical aspects, knowledge about image patches featuring sparse representations of dictionaries, and mutual correlation of spectral channels reduce the number of degrees of freedom. Parallel software solutions are optimized for operation on the SuperMUC. The quality of the data fusion products is assessed and compared to the state-of-the-art, for a large variety of sensor combinations., Diese Arbeit präsentiert Lösungen zu zwei gefragten, stark unterbestimmten Multi-Sensor-Datenfusionsproblemen, nämlich Pan-Schärfung und Hyper- und Multispektrale Datenfusion. Berücksichtigung physikalischer Aspekte, dünn-besetze Darstellbarkeit von Bildausschnitten in geeigneten Dictionaries und Korrelation zwischen Spektralkanälen reduziert die Anzahl der Freiheitsgrade. Hochparallele Softwareprodukte wurden für die Prozessierung auf dem SuperMUC entwickelt. Die Qualität der Produkte ist für diverse Sensorkombinationen und Testszenarien evaluiert und mit dem Stand der Technik verglichen.

We analyze and numerically validate novel algorithms for sparse recovery in mathematical signal processing. Our focus is on enhancing both robustness and efficiency with respect to state-of-the-art. Regarding robustness, we propose non-convex formulations of sparse recovery problems, featuring enhanced signal identification properties if the original signal is affected by noise prior to measurements. We address improving efficiency by introducing and analyzing an iteratively re-weighted least squares method, exploiting fast matrix-vector multiplications within a conjugate gradient inner iteration. For large-scale problems we study an enhanced subspace correction method towards parallelization., Wir analysieren und validieren numerisch neue Algorithmen für Sparse Recovery in mathematischer Signalverarbeitung. Unser Fokus liegt auf der Verbesserung von Robustheit und Effizienz bezüglich des State of the Art. Hinsichtlich der Robustheit schlagen wir nicht-konvexe Formulierungen von Sparse Recovery Problemen vor, welche verbesserte Signalidentifizierungseigenschaften aufweisen, wenn das ursprüngliche Signal durch Rauschen vor der Messung gestört ist. Wir behandeln die verbesserte Effizienz durch das Einführen und die Analyse einer iterativ-neugewichtete kleinste Quadrate Methode, indem wir schnelle Matrix-Vektor Multiplikationen in einer internen Konjugierte Gradienten Iteration ausnutzen. Für großskalierte Probleme untersuchen wir eine verbesserte Unterraum-Korrektur Methode auf Parallelisierungsmöglichkeiten.

This thesis addressed the recent advances in meter-resolution multipass synthetic aperture radar (SAR) interferometry in urban area. The main contributions include an computationally efficient multi-dimensional tomographic SAR (TomoSAR) inversion algorithm, the first city-scale multi-aspect spaceborne TomoSAR point clouds fusion, the first optical image and meter-resolution TomoSAR point cloud fusion, and the first systematic proposal of robust estimation in multipass InSAR. All developed algorithms were validated using real data from TerraSAR-X., Diese Dissertation behandelte die neuesten Fortschritte für Multipass synthetische Apertur Radar (SAR) Interferometrie mit einem Auflösungsvermögen im Bereich von Metern für urbane Gebiete. Die wesentlichen Beiträge sind ein recheneffizienter Algorithmus für mehrdimensionale tomographische SAR (TomoSAR) Inversion, die erste multi-aspect satellitengestützte TomoSAR Fusion von Punktwolken in der Größenordnung einer Stadt, die erste Fusion von Punktwolken für optische Bilder und TomoSAR in einer Auflösung von Metern, und der erste systematische Vorschlag für eine robuste Schätzung für Multipass-InSAR. Alle entwickelten Algorithmen wurden mit Realdaten von TerraSAR-X validiert.