Anomalieerkennung in hyperspektralen Bildern basierend auf einem verbesserten Isolation-Forest-Algorithmus

Das Unsichtbare in Satellitenbildern erkennen

Moderne Satelliten machen nicht nur schöne Aufnahmen der Erde; sie erfassen Hunderte von Lichtfarben, die unser Auge nicht sehen kann. Versteckt in diesem Informationsspektrum liegen Frühwarnzeichen für Bergwerksbrüche, Ölverschmutzungen oder militärische Tarnungen. Die hier zusammengefasste Arbeit zeigt eine neue Methode, um automatisch winzige, ungewöhnliche Muster in diesen hyperspektralen Bildern zu finden — was es erleichtert, kleine, riskante Veränderungen am Boden zu entdecken, ohne Heerscharen von menschlichen Analysten zu brauchen.

Warum zusätzliche Farben verborgene Ziele offenbaren

Gewöhnliche Satellitenfotos speichern drei Grundfarben: Rot, Grün und Blau. Hyperspektrale Bilder hingegen zeichnen Dutzende bis Hunderte schmaler Farbkanäle auf. Jeder Pixel trägt einen detaillierten „Licht-Fingerabdruck“, der widerspiegelt, woraus er besteht — Boden, Gestein, Vegetation, Metall, Wasser oder Schadstoffe. Die Herausforderung besteht darin, dass diese Datenwürfel sehr groß, rauschbehaftet und mit redundanten Informationen aus Atmosphäre, Sensoren und komplexem Gelände überlagert sind. Anomalieerkennung bedeutet in diesem Kontext, einige wenige Pixel herauszufiltern, die sich deutlich von ihrer Umgebung unterscheiden, ohne vorher zu wissen, wofür sie stehen. Diese seltenen Pixel können auf Geländeabsenkungen in Bergwerken, Kontaminationsfahnen oder getarnte Ausrüstung hinweisen, sodass eine verlässliche und schnelle Erkennung für Umweltüberwachung und Sicherheit entscheidend ist.

Von einfachen Bäumen zu schlaueren Wäldern

Die Studie baut auf dem Isolation Forest auf, einer Machine-Learning-Methode zur Erkennung von Ausreißern. In einem einfachen Isolation Forest werden die Daten wiederholt zufällig aufgeteilt und es entsteht eine Sammlung von Entscheidungsbäumen. Ungewöhnliche Punkte werden typischerweise in wenigen Aufteilungen isoliert, während normale Hintergrundpixel viele Aufteilungen benötigen. Diese Idee funktioniert gut bei moderat großen Daten, doch hyperspektrale Szenen umfassen Hunderte von Bändern, erhebliches Rauschen und sehr subtile Anomalien. Das zufällige Auswählen von Merkmalen kann Rechenaufwand auf redundante Bänder verschwenden, den Kontrast zwischen Zielen und Hintergrund verwischen und Fehlalarme erhöhen. Die Autoren gestalten daher den Wald so um, dass er sauberere Daten sieht und Pixel nicht nur global über das gesamte Bild, sondern auch lokal innerhalb ihrer Nachbarschaften bewertet.

Das Bild mit Mehrskalensicht schärfen

Um die Daten vor der Erkennung zu säubern und zu komprimieren, wendet die Methode zunächst eine Low-Rank- und Sparse-Zerlegung namens Godec an. Einfach ausgedrückt teilt dies das Bild in eine glatte Hintergrundschicht und eine spärliche Schicht mit scharfen, ungewöhnlichen Signalen. Darauf aufbauend nutzen die Autoren die Tatsache, dass interessante Ziele oft nicht nur spektral, sondern auch in ihrer räumlichen Anordnung hervorstechen. Sie verwenden 3D-Gabor-Filter, die wie texturempfindliche Linsen durch den hyperspektralen Würfel gleiten und Muster in verschiedenen Größen und Richtungen hervorheben. Ein Entropie-Rate-Superpixel-Algorithmus gruppiert anschließend benachbarte Pixel in kleine, kohärente Regionen. Durch Einstellen der Feinheit dieser Regionen kann die Methode zufälliges Rauschen unterdrücken und gleichzeitig reale Strukturen wie Gruben, Risse oder von Menschen geschaffene Objekte erhalten.

Globale und lokale Hinweise kombinieren

Sobald die bereinigten spektralen und räumlichen Merkmale extrahiert sind, weist ein verbesserter Isolation Forest jedem Pixel einen Anomalie-Score zu. Anstatt sich nur darauf zu verlassen, wie schnell ein Pixel im Gesamtdatensatz isoliert wird, prüft die Methode zusätzlich, wie konsistent es mit seiner unmittelbaren Umgebung ist. Pixel, die global normal, aber lokal auffällig wirken oder umgekehrt, werden mithilfe einer gemeinsamen Bewertungsregel neu beurteilt. Diese zweistufige Sicht reduziert sowohl verpasste Erkennungen als auch falsche Ausreißer, die durch komplexe Hintergründe entstehen. Tests an zwei weit verbreiteten hyperspektralen Datensätzen, San Diego und HYDICE, zeigen, dass der neue Ansatz hohe Genauigkeitswerte erreicht (AUC um 0,97 und F1 nahe 0,94), während Fehlalarme sehr gering bleiben und zugleich Speicherbedarf und Verarbeitungszeit im vernünftigen Rahmen liegen.

Von Labortests zur Praxisüberwachung

Die Autoren testen ihre Methode weiter an realen Aufgaben zur Bergwerkseinbruchs- und ökologischen Überwachung mit Satelliten- und luftgestützten Daten. In Bergbaugebieten markiert das System korrekt über 95 % der einbruchsbezogenen Anomalien, während es nur etwa 4 % verpasst. In der Umweltüberwachung detektiert es nahezu 94 % verdächtiger Bereiche wie gestörte Vegetation oder mögliche Tarnungen, wiederum mit nur wenigen Prozent verpasst. Im Vergleich zu mehreren etablierten Techniken erweist sich der verbesserte Forest als sowohl empfindlicher als auch stabiler über verschiedene Szenarien. Für Nicht-Spezialisten ist die Schlussfolgerung, dass wir durch sorgfältiges Säubern der Daten, Betrachtung von Mustern auf mehreren Skalen und Kombination von globalen und lokalen Urteilen hyperspektrale Bilder in ein leistungsfähiges, automatisiertes Frühwarninstrument für bodenrelevante Veränderungen verwandeln können.

Zitation: Li, A. Anomaly detection of hyperspectral images based on improved isolation forest algorithm. Sci Rep 16, 6171 (2026). https://doi.org/10.1038/s41598-026-36548-5

Schlüsselwörter: hyperspektrale Bildgebung, Anomalieerkennung, Fernerkundung, Isolation Forest, Umweltüberwachung