بخشی از مقاله
چکیده
تشخیص ساختمانها در تصاویر هوایی با رزولوشن بالا و تصاویر ماهوارهای در تهیهی نقشهها و آنالیز شرایط زمین بسیار پرکاربرد است. اگرچه تشخیص محل ساختمانها در این تصاویر بهصورت دستی نیز امکانپذیر است، اما این عملیات بسیار زمانبر بوده و قابلاتکا نیست؛ بنابراین به سامانههایی نیاز داریم که بتوانند محل ساختمانها را در تصاویر هوایی با رزولوشن بالا و تصاویر ماهوارهای تشخیص دهد. متأسفانه این سامانهها با مشکلات مهمی روبهرو میشوند. اولین مسئله این است که ساختمانها، مشخصات مختلفی دارند که در نمونههای مختلف یکسان نیستند. بهطور مثال در اکثر موارد، ویژگیهای ظاهری آنها ازجمله اشراق، زاویه دید و ... کنترل نشده است. دومین مشکل، تراکم و پیچیدگی ساختمانها در مناطق شهری است که جدا کردن ساختمانها از هم را مشکل میسازد.
در این مقاله، با استفاده از بردارهای ویژگی محلی و ساختار احتمالاتی یک روش برای تشخیص ساختمان ارائه شده است. ابتدا چهار روش استخراج بردار ویژگی محلی مختلف معرفی شده و بردارهای ویژگی محلی استخراجشدهبهعنوان مشاهدات تابع توزیع احتمال تخمینزدهشده استفاده میشوند. بهعبارتدیگر محل ساختمانها در تصویر بهعنوان متغیرهای تصادفی توأم، نمایش داده شده و تابع توزیع احتمال آنها تخمین زده میشود. سپس با استفاده از مودهای تابع چگالی تخمینزدهشده، محل ساختمانها در تصویر مشخص میشود . همچنین برای ترکیب اطلاعات بهدستآمده از چهار بردار ویژگی محلی، دو روش ادغام دادهها و ادغام تصمیمگیری نیز معرفی میشود.
مقدمه
تصاویر هوایی با رزولوشن بالا1 و تصاویر ماهوارهای، حاوی اطلاعات ارزشمندی هستند. در این مقاله قصد داریم، بهطور خاص مسئلهی تشخیص ساختمانها را مورد بررسی قرار دهیم. در بررسی این مسئله، باید ملاحظات خاصی را با توجه نوع کاربرد مورد انتظار، مدنظر قرار دهیم. تشخیص ساختمانها در تصاویر هوایی کیفیت بالا و تصاویر ماهوارهای میتواند در کاربردهای مختلفی در سنجش از راه دور مانند تهیهی نقشهها بهصورت خودکار، طراحی فضاهای شهری وتجزیهوتحلیل کاربری زمینها مورد استفاده قرار گیرد؛
متأسفانه به دلایل مختلفی، برچسبگذاری دستی بر روی محل ساختمانها در تصاویر، کاری طاقتفرسا است.
اولین دلیل این است که ممکن است تصویر ساختمانها از نماهای مختلفی برداشت شده باشند و به دلیل محدودیتهای مختلف در تهیهی تصاویر هوایی و ماهوارهای از مناطق خودی و دشمن، همهی تصاویر از یک نمای ثابت تهیه نشده باشند.
دومین دلیل این است که ممکن است تصویر ساختمانها با اشیای دیگری در محل تصویربرداری مانند فضای سبز و درختان، پوشانده شود و محدودهی دقیق و کامل ساختمانها قابل مشاهده نباشد.
سوم اینکه ممکن است روشنایی و تضاد - پاورقی - تصویر بهقدری کافی نباشد که بتوانیم محل ساختمانها را بهطور قابلاطمینان از تصاویر استخراج کنیم.
چهارمین دلیل این است که ممکن است این تصاویر، منطقهی جغرافیایی بسیار بزرگی را تحت پوشش قرار دهند که شامل تعداد بسیار زیادی ساختمان باشد و این موضوع، عمل برچسبگذاری دستی را برای شخصی که قرار است بهطور دستی محل ساختمانها را مشخص کند، بسیار خستهکننده و دشوار کند.
درنهایت آخرین دلیل این است که ساختمانها دارای اندازه و شکل ثابت و مشخصی نیستند؛ بنابراین ارائهی الگوریتمی سریع و قابلاطمینان برای تشخیص ساختمانها در تصاویر هوایی با رزولوشن بالا و تصاویر ماهوارهای امری ضروری بهشمار میرود.
در این مقاله ما فرض میکنیم که مناطق شهری با استفاده از یکی از روشهای ارائهشده در 4}، 7، 9، 22، 37؛34 و {42 از تصویر استخراج شدهاند. سپس بر روی این مناطق تمرکز تا محل ساختمانها را از آنها تشخیص دهیم. ما بهطور خاص از روش ارائهشده در {36} برای تشخیص مناطق شهری در تصاویر ماهوارهای هوایی Ikonos بهره میبریم.
ما ابتدا بردار ویژگیهای محلی را با استفاده از چهار روش مختلف از تصویر استخراج میکنیم. سپس از این بردارها بهعنوان مشاهدات در یک مدل آماری استفاده میکنیم و برای مدلسازی توزیع این مشاهدات، از یک روش تخمین چگالی مبتنی بر کرنل متغیر استفاده میکنیم. بهعبارتدیگر ما محل ساختمانها در یک تصویر را بهصورت یک متغیر تصادفی توأم مدل میکنیم و تابع چگالی احتمال2 آن را با استفاده از این مشاهدات تخمین میزنیم. در این حالت مدهای تابع چگالی احتمال تخمینزدهشده و مقدار احتمال آنها محل ساختمانها را در تصویر دادهشده برای ما مشخص خواهد کرد. علاوهبراین برای تصمیمگیری نهایی دو روش را با استفاده از ساختار احتمالاتی معرفی میکنیم. این روشها به ترتیب بر ادغام دادهها و ادغام تصمیمها مبتنی هستند. یکی از نکات قابلتوجه این روش این است که در تمامی این مراحل هیچ نیازی به دادههای آموزشی نداریم.
استخراج بردار ویژگیهای محلی
روش احتمالاتی تشخیص ساختمان ما به بردار ویژگیهای محلی استخراجشده از تصویر وابسته است؛ بنابراین در این بخش چهار روش مختلف برای استخراج بردار ویژگیهای محلی ارائه میشود. روش اول به تشخیص گوشههای هریس3 وابسته است .{12} دومین روش بر پایهی نواحی پشتیبان مبتنی بر اندازهی گرادیان4 طراحی شده است.{35} روش سوم بر پایهی فیلتر Gabor در جهتهای مختلف بنا شده است .{39} درنهایت روش چهارم به ویژگیهای آزمایش سریع قسمتها5 وابسته است .{27} در ادامه هر روش را بهتفصیل مورد بررسی قرار خواهیم داد.
بردار ویژگیهای مبتنی بر گوشههای هریس
در سه مرحله معرفی میشود: محاسبهی گرادیان، تشکیل ماتریس و محاسبهی مقدار ویژه. برای تشخیص گوشهها در یک تصویر سطح خاکستری - - , ، ابتدا باید گرادیان هموارشده را با استفاده از تابع گوسی در جهتهای x و y محاسبه کنیم.برای این کار فیلترهای گرادیان را در جهتهای x و yبهصورت زیر تعریف میکنیم.
که در آن، پارامتری است که برای هموار کردن گرادیان است. در این مقاله، پارامتر را در تصاویر ماهواره Ikonos و هوایی برابر 1 در نظر گرفتهایم. روش ارائهشده، نسبت به این پارامتر مقاوم است و نتایج کار با تغییر آن خراب نمیشود.بااینوجوداین پارامتر باید با توجه به رزولوشن تصویر تنظیم شود و نحوه تنظیم آن جزو کارهای آینده خواهد بود.
