The rapid urbanization process has strongly affected the life of human. 3-D urban models are fundamental information for sustainable urban development and making policies to manage urban growth. Modern advanced remote sensing techniques enable the task of large-scale urban mapping. The aim of the thesis is to establish a generic framework for large-scale 3-D urban modeling. In order to achieve this, the work mainly addresses the following aspects: building height estimation, building footprint extraction, 3-D urban modeling by fusing the building height and footprint. SAR tomography is an advanced InSAR techniques for building height estimation. Although TomoSAR can provide unprecedented results for large extent of areas, if our goal is the global mapping, following isusses need to be considered: (1) the resolution of images; (2) the limited number of images; (3) the computational cost. The state-of-the-art TomoSAR algorithms usually require fairly large interferometric stacks (> 20 images) for a reliable reconstruction. Hence, they are usually not directly applicable for large-scale 3-D urban mapping using TanDEM-X data where only a few acquisitions (i.e., 3-5 interferograms) are available in average for each city. In order to solve the abovementioned issues, a fast and accurate basis pursuit denoising algorithm is proposed to solve the L1 regularized least squares minimization problem for TomoSAR inversion. Moreover, a new SAR tomographic processing framework is proposed in the thesis to those extremely small stacks, which intergrates the nonlocal filtering into SAR tomography inversion. The applicability of the algorithm is demonstrated using a TanDEM-X multi-baseline stack with 5 bistatic interferograms over the whole city of Munich, Germany. Systematic comparison of our result with TanDEM-X raw digital elevation models (DEM) and airborne LiDAR data shows that the relative height accuracy of two third of the buildings is within two meters. Building footprint information is an essential ingredient for 3-D reconstruction of urban models. The automatic generation of building footprints from satellite images presents a considerable challenge due to the complexity of building shapes. Semantic segmentation is comparatively inexpensive and time saving for automatic building footprint extraction. In recent years, a great success in semantic segmentation has been obtained through the use of deep learning. In particular, the deep convolutional neural networks (DCNNs) have shown promising results thanks to their high capacity for data learning. DCNNs have brought about compelling advancement over traditional semantic segmentation methods. However, exploiting DCNN for semantic segmentation tasks still faces significant challenges. In this thesis, a conditional Wasserstein generative adversarial network (WGAN) with gradient penalty is proposed to improve the generalization property of DCNN in order to achieve better accuracy. Deep architectures generally fail to produce fine-grained segmentation with accurate boundaries due to their progressive down-sampling. Moreover, DCNN fails to fine local details without the consideration about the interactions between pixels. To overcome these issues, a novel deep learning framework "gated graph convolutional neural network with deep structured feature embedding" is proposed, which enables a local and global spatial information propagation to improve the performance of the segmentation. Finally, the LOD1 3-D urban models are generated by fusing the building height obtained from TomoSAR point cloud and building footprint extracted from the optical satellite images.     «

The rapid urbanization process has strongly affected the life of human. 3-D urban models are fundamental information for sustainable urban development and making policies to manage urban growth. Modern advanced remote sensing techniques enable the task of large-scale urban mapping. The aim of the thesis is to establish a generic framework for large-scale 3-D urban modeling. In order to achieve this, the work mainly addresses the following aspects: building height estimation, building footprint e...     »

Der schnelle Urbanisierungsprozess hat das Leben des Menschen stark beeinflusst. 3-D-Stadtmodelle sind grundlegende Informationen für eine nachhaltige Stadtentwicklung und die Festlegung von Strategien zur Steuerung des städtischen Wachstums. Moderne Fernerkundungstechniken ermöglichen die Aufgabe der großräumigen Stadtkartierung. Das Ziel der Arbeit ist es, einen generischen Rahmen für die großräumige 3-D Stadtmodellierung zu schaffen. Um dies zu erreichen, befasst sich die Arbeit hauptsächlich mit folgenden Aspekten: Gebäudehöhenschätzung, Extraktion des Gebäudefußabdrucks, 3D-Stadtmodellierung durch Fusion von Gebäudehöhe und Fußabdruck. Die SAR-Tomographie ist eine sehr gute InSAR-Technik zur Schätzung von Gebäudehöhe. Obwohl TomoSAR Ergebnisse für einen großen Teil der Gebiete liefern kann, müssen, wenn unser Ziel die globale Kartierung ist, folgende Punkte berücksichtigt werden: (1) die Auflösung von Bildern; (2) die begrenzte Anzahl der Bilder; (3) die Rechenzeit. TomoSAR-Algorithmen erfordern in der Regel relativ große interferometrische Stapel (> 20 Bilder) für eine zuverlässige Rekonstruktion. Daher sind sie nicht direkt anwendbar für großflächige 3-D-Stadtkartierungen mit TanDEM-X-Daten, bei denen nur wenige Aufnahmen (d.h. 3-5 Interferogramme) pro Stadt vorliegen. Um die oben genannten Probleme zu lösen, wird ein schneller und genauer Algorithmus zur Entrauschung von Verfolgungsjagden vorgeschlagen, um das Problem der Minimierung der kleinsten Quadrate für die TomoSAR-Invertierung zu lösen. Außerdem, ine neue SAR-tomographische Verarbeitung wird in der Arbeit zu diesen extrem kleinen Stacks, die die nicht-lokale Filterung in die SAR-Tomographie Inversion integriert, vorgeschlagen. Die Anwendbarkeit des Algorithmus wird anhand eines TanDEM-X Multi-Baseline-Stapel mit 5 bistatischen Interferogrammen über der gesamten Stadt München nachgewiesen. Der Vergleich unseres Ergebnisses mit TanDEM-X digitalen Rohhöhenmodellen (DEM) und LiDAR-Daten aus der Luft zeigt, dass die relative Höhengenauigkeit von zwei Dritten der Gebäude innerhalb von zwei Metern liegt. Gebäude-Fußabdruckinformationen sind ein wesentlicher Bestandteil für die 3D-Rekonstruktion von Stadtmodellen. Die automatische Generierung von Gebäudeabdrücken aus Satellitenbildern stellt aufgrund der Komplexität der Gebäudeformen, v.a. bei nur mittel aufgelösten Bilddaten, eine große Herausforderung dar. Semantische Segmentierung ist vergleichsweise kostengünstig und zeitsparend für die automatische Extraktion von Gebäudeflächen. In den letzten Jahren wurde ein großer Erfolg in der semantischen Segmentierung durch den Einsatz von Deep Learning erzielt. Insbesondere die Deep Convolutional Neural Networks (DCNNs) haben aufgrund ihrer hohen Kapazität zum Datenlernen vielversprechende Ergebnisse gezeigt. DCNNs haben zu einer überzeugenden Weiterentwicklung gegenüber traditionellen semantischen Segmentierungsverfahren geführt. Die Nutzung von DCNN für semantische Segmentierungsaufgaben steht jedoch noch vor großen Herausforderungen. In dieser Arbeit wird ein bedingtes Wasserstein generatives gegnerisches Netzwerk (WGAN) mit Gradienten-penalty vorgeschlagen, um die Generalisierungseigenschaft von DCNN zu verbessern. Tiefe Architekturen erzeugen aufgrund ihres progressiven Down-Samplings im Allgemeinen keine feinkörnige Segmentierung mit genauen Grenzen. Darüber hinaus kann DCNN lokale Details ohne Rücksicht auf die Wechselwirkungen zwischen den Pixeln nicht genau bestimmen. Um diese Probleme zu überwinden, wird ein neuartiges Framework für das tiefe Lernen vorgeschlagen, das eine lokale und globale Verbreitung räumlicher Informationen ermöglicht, um die Leistung der Segmentierung zu verbessern. Schließlich werden die LOD1 3-D Stadtmodelle durch Verschmelzen der aus der TomoSAR-Punktwolke gewonnenen Gebäudehöhe und dem aus den optischen Satellitenbildern gewonnenen Gebäude-Fußabdruck erzeugt.     «

Der schnelle Urbanisierungsprozess hat das Leben des Menschen stark beeinflusst. 3-D-Stadtmodelle sind grundlegende Informationen für eine nachhaltige Stadtentwicklung und die Festlegung von Strategien zur Steuerung des städtischen Wachstums. Moderne Fernerkundungstechniken ermöglichen die Aufgabe der großräumigen Stadtkartierung. Das Ziel der Arbeit ist es, einen generischen Rahmen für die großräumige 3-D Stadtmodellierung zu schaffen. Um dies zu erreichen, befasst sich die Arbeit hauptsächlich...     »