بخشی از مقاله
چکیده
تصحیح رادیومتریک نسبی - نرمالیزاسیون - فرآیندی است که اغلب در آنالیزهای تصاویر سنجش از دور، مخصوصا در آنالیزهای آشکارسازی تغییرات پوششی اراضی مورد استفاده قرار میگیرد. نرمالیزاسیون، اختلافات رادیومتریکی بین تصاویر، ناشی از نابرابری شرایط تصویربرداری و نه به خاطر تغییرات واقعی در بازتاب سطحی را کاهش می دهد.
در این مقاله، یک روش تصحیح رادیومتریک نسبی اتوماتیک، با هدف مدلسازی غیرخطی مبتنی بر شبکه های عصبی معرفی میگردد. در روش پیشنهادی ابتدا پیکسلهای تغییرنیافته بطور اتوماتیک تعیین شده و سپس از شبکه های عصبی مصنوعی برای مدلسازی و تصحیح رادیومتریک نسبی تصاویر استفاده شد.
ایده مورد نظر روی یک زوج تصویر مرجع-هدف اخذ شده توسط سنجنده TM پیادهسازی و نتایج حاصله با نتایج چندین روش نرمالیزاسیون متداول خطی و غیرخطی مقایسه گردید. ارزیابی صورت گرفته از الگوریتم پیشنهادی، قابلیت این روش را در نرمالیزاسیون رادیومتریک نسبی اتوماتیک تصاویر ماهواره ایی چندزمانه نشان میدهد بطوری که استفاده از روش پیشنهادی باعث بهبود 45 درصدی نتایج نرمالیزاسیون شده است.
-1 مقدمه
آشکارسازی تغییرات صورت گرفته در مناطق شهری و غیر شهری، یکی از موضوعات اصلی مورد نیاز برای بسیاری از شاخهها از جمله: برنامهریزی شهری، محیطزیست و سایر علوم مربوط به زمین میباشد. سنجشاز دور به عنوان یک تکنولوژی قدرتمند میتواند در آشکارسازی تغییرات طیفی مربوط به پدیدهها مانند تغییر در کاربری و پوشش اراضی مورد استفاده قرارگیرد. دادههای طیفی که توسط سنجندههای ماهوارهای جمعآوری میشوند، از عواملی چون: جذب و پراکنش اتمسفری، هندسه تابش تارگت-سنجنده و کالیبراسیون سنجنده تاثیر می پذیرد که این عوامل پیوسته در حال تغییر هستند.
جهت آشکارسازی تغییرات واقعی صورت گرفته در منطقه با استفاده از تصاویر ماهوارهای چندزمانه در صورتی که از روشهای مبتنی بر آنالیز تغییرات پاسخ طیفی عوارض استفاده شود، لازم است تصحیح رادیومتریکی در مورد آنها صورت گیرد. دو روش برای تصحیح رادیومتریکی وجود دارد: روش مطلق و روش نسبی
روش مطلق نیازمند استفاده از اندازهگیریهای زمینی در لحظهای است که تصویر مورد نظر از منطقه مربوطه اخذ شده است. این اندازه گیریها نه تنها هزینهبر هستند بلکه در مواقعی که از تصاویر آرشیو ماهواره برای آنالیز تغییرات استفاده میشود، غیرعملی است.
روش نسبی برای تصحیح رادیومتریکی که به نرمالیزاسیون رادیومتریکی نسبی1 و/یا نرمالیزاسیون تصویر-به-تصویر، معروف است، نسبت به روش قبلی برتریهایی دارد چرا که به دادههای اتمسفری سایت در لحظهای که سنجنده تصویر را اخذ کرده است، نیاز ندارد. روش نرمالیزاسیون رادیومتریکی نسبی یکی از تصاویر را به عنوان داده مرجع2 مورد استفاده قرار داده و سپس خصوصیات رادیومتریکی تصویر و/یا تصاویر هدف3 را طوری تعدیل می کند تا با تصویر مرجع مطابق شود
از متداولترین روشهای نرمالیزاسیون رادیومتریکی نسبی میتوان به روشهای: تطابق هیستوگرام[8] - HM - 4، تصحیح اثر مه[2] - HC - 5، عوارض شبهثابت10] - PIF - 6و[9، عوارض روشن-تیره[4] - DB - 7، نرمالیزاسیون مینیمم-ماکزیمم[11] - MM - 8، نرمالیزاسیون میانگین-انحرافمعیار - MS - 9 [11]، رگرسیون ساده11] - SR - 10و[6 و غیرتغییر[3 ] - NC - 11، اشاره نمود.
در فرآیند نرمالیزاسیون نسبی، دو مرحله اساسی لازم هست به درستی صورت گیرد تا موفقیت فرآیند در تصحیح رادیومتریک تضمین شود. اولین مرحله شناسائی صحیح پیکسلهای تغییرنیافته در دو تصویر مرجع و هدف میباشد تا این پیکسل های تغییرنیافته که در واقع نقاط کنترل رادیومتریکی هستند در برآورد پارامترهای مجهول روابط بکار برده شده برای نرمالیزاسیون مورد استفاده قرار گیرند. مرحله دوم و مهم، بعد از شناسائی صحیح پیکسلهای تغییرنیافته، نحوه مدلسازی ارتباط بین این پیکسلها در دو تصویر مرجع و مرجع میباشد.
روشهای HC و MM تنها دامنه مقادیر درجات خاکستری در هر باند را برای نرمالیزاسیون مورد استفاده قرار داده و از سایر اطلاعاتی که ممکن است از تصاویر مرجع و هدف استخراج شده و باعث بهبود نتایج شود، صرفنظر مینماید. در مقابل روشهای HM، MS و SR تمامی پیکسلهای هر باند را مورد استفاده قرار می دهند. این روشها بطور ضمنی فرض مینمایند که تغییرات واقعی قابل ملاحظهای در منطقه در فاصله بین اخذ دو تصویر مرجع و هدف رخ نداده است.
مشکل زمانی بیشتر به چشم خواهد خورد که تغییرات واقعی قابل ملاحظهای در فاصله بین اخذ دو تصویر مرجع و هدف رخ داده و به سبب همین پیکسلهایی که تغییرات واقعی بالایی دارند نتایج نرمالیزاسیون را تخریب مینمایند. در مقابل روشهای PIF، DB و NC در فرآیند نرمالیزاسیون، از نقاط کنترل رادیومتریکی برای بهبود نتایج نرمالیزاسیون استفاده مینمایند. دو ضعف عمده در این روشها وجود دارد:
اولین مشکل نحوه تعیین نقاط کنترل رادیومتریکی میباشد چرا که تمامی این روشها نیازمند استفاده از یکسری حدآستانهایی هستند که باید توسط کاربر تعیین شود. تعیین حدآستانه در یک فرآیند سعی و خطا، علاوه بر اینکه زمانبر میباشد، به دقت و مهارت کاربر در تعیین این حدآستانه بستگی خواهد داشت. در صورتی که مرحله حدآستانهگذاری بهینه بصورت اتوماتیک توسط الگوریتم صورت گیرد، مشکلات مورد بحث، برطرف خواهند شد.
علاوه بر مشکل تعیین اتوماتیک نقاط کنترل رادیومتریکی - پیکسلهای تغییرنیافته - ، فرض خطی بودن ارتباط بین درجات خاکستری پیکسلهای تغییرنیافته در تصویر هدف و تصویر مرجع، نتایج نرمالیزاسیون را تحت تاثیر قرار می دهد. چرا که معمولا ارتباط بین درجات خاکستری پیکسلهای تغییرنیافته در تصویر هدف و تصویر مرجع از مدل خطی تبعیت نمیکند و این فرض تنها به خاطر ساده کردن مرحله مدلسازی، مورد استفاده قرار می گیرد. یک روش نرمالیزاسیون بهینه باید بتواند از مدلهای غیرخطی نیز برای مدلسازی اثرات ناشی از کالیبراسیون سنجنده و اتمسفر و غیره استفاده نماید. در راستای رفع مشکلات بیان شده، روش کارآمدی برای تصحیح رادیومتریک نسبی تصاویر ماهوارهایی در تحقیق حاضر ارائه میگردد.
-2 متدلوژی تحقیق
برای تعیین اتوماتیک پیکسلهای تغییرنیافته و استفاده از مدلهای غیرخطی در فرآیند نرمالیزاسیون نسبی تصاویر، در این تحقیق یک روش نرمالیزاسیون اتوماتیک معرفی می گردد که در مرحله مدلسازی، از شبکههای عصبی مصنوعی12 بهره گرفته و برای تعیین اتوماتیک پیکسلهای تغییرنیافته، از یک روش اتوماتیک که روش آنالیز بردار تغییرات - 13 - CVA، تبدیل مؤلفه های اصلی - 14 - PCA و قطعهبندی K-means را بکار میگیرد، استفاده می کند. روش پیشنهادی از سه مرحله کلی تشکیل شده است که عبارتند از:
- 1 آشکارسازی اتوماتیک پیکسلهای تغییرنیافته،
- 2 پیدا کردن بهترین معماری شبکه عصبی به منظور تصحیح رادیومتریکی نسبی تصاویر ماهوارهای با استفاده از نمونههای آموزشی - پیکسلهای تغییرنیافته که در مرحله آشکارسازی اتوماتیک تغییرات، تعیین شدهاند - و
- 3 آموزش شبکه عصبی با استفاده از نمونههای آموزشی و فراخوانی شبکهعصبی آموزش دیده به منظور انجام نرمالیزاسیون نسبی تصویر یا تصاویر هدف. شکل - - 1 مراحل روش پیشنهادی را نشان می دهد.
شکل:1 فلوچارت روش پیشنهادی در تحقیق حاضر.
- تعیین اتوماتیک پیکسلهای تغییرنیافته ارزیابی و انتخاب معماری بهینه شبکه عصبی
- آموزش شبکه عصبی و انجام نرمالیزاسیون رادیومتریک نسبی ارزیابی دقت
-1-2 انتخاب پیکسلهای تغییرنیافته
در روش نرمالیزاسیون اتوماتیک پیشنهادی، برای اینکه فرآیند انتخاب پیکسلهای تغییرنیافته، مستقل از تخصص کاربر باشد، انتخاب این پیکسلها در یک فرآیند اتوماتیک صورت می گیرد. روش پیشنهادی برای انتخاب اتوماتیک پیکسلهای تغییرنیافته، از چهار مرحله تشکیل شدهاست که به این شرح میباشد: در مرحله اول با استفاده از تکنیک آشکارسازی تغییرات آنالیز بردار تغییر، یک تصویر اختلاف معادل با باندهای تصاویر اصلی، ایجاد میشود. این تکنیک به منظور تهیه تصویر جدیدی بنام تصویر اختلاف، با عمل تفریق مقادیر درجات خاکستری پیکسلی در تصاویر اخذ شده در زمانهای مختلف که نسبت به همدیگر هممرجع شدهاند، بکار گرفته میشود
