بخشی از مقاله
چکیده
معرفی پیکسلهای خالص اولیه مهمترین و چالشبرانگیزترین بخش از فرآیند تجزیه اختلاط طیفی محسوب میشود. در این تحقیق، یک روش نوین بر اساس آنالیز خطای مدل اختلاط طیفی خطی - LSMM - جهت استخراج پیکسلهای خالص بهینه پیشنهاد گردیده است. بر اساس این روش نخست تعدادی پیکسل خالص اولیه به صورت نادقیق مشخص شده سپس با اعمال LSMM غیرشرطی، پیکسلهایی که سهم تعلق آنها برای یک کلاس خاص بیشتر از یک برآورد گردیده - پیکسلهای ردشده - ، جایگزین پیکسلهای خالص اولیه شده و این روند تا کاهش مجموع پیکسلهای با سهم تعلق خارج از بازه [0-1] تا حد مطلوب ادامه مییابد.
جهت تعیین پیکسلهای نادقیق اولیه به دو روش بصری و الگوریتم N-Finder اقدام شده است. بر اساس روش پیشنهادی جهت استخراج پیکسلهای خالص بهینه، مجموع پیکسلهای ردشده و نرسیده با تعداد تکرارهای بسیار اندک الگوریتم 2 - یا 3 تکرار - ، در حالت تعیین پیکسلهای نادقیق اولیه به صورت بصری و با استفاده از الگوریتم N-Finder به ترتیب 4/32 و 3/76 درصد از کل پیکسلهای تصویر برآورد گردید.
-1 مقدمه
استخراج اطلاعات در مورد پوشش اراضی یکی از کاربردهای بسیار متداول و مهم تصاویر سنجش از دور بوده و بدین منظور روشهای مختلفی برای طبقهبندی تصاویر توسعه یافته است 1]، 2 و .[3 با این وجود اغلب روشهای طبقهبندی تصاویر، طبقهبندی کنندههای سخت بوده که قادر به مدلسازی پیکسلهای مخلوط و استخراج اطلاعات در سطح زیرپیکسل نمیباشند. پیکسلهای مخلوط به دلیل حضور عوارض زیرپیکسلی و یا اختلاط طیفی ناشی از قرار گرفتن عوارض در پیکسلهای مرزی اتفاق میافتند 4] و .[5 میزان بازتابندگی ثبت شده برای هر پیکسل مخلوط به صورت ترکیبی از رفتار طیفی کلاسهای پوششی مختلف حاضر در سطح آن پیکسل میباشد.
بدین ترتیب این پیکسلها مشکل عمدهای را در تهیه نقشه پوشش اراضی ایجاد نموده و روشهای طبقهبندی سخت به دلیل تکبرچسبی بودن خروجی آنها، قادر به مدلسازی دقیق پیکسلهای مخلوط نمیباشند. در این راستا روشهای طبقهبندی نرم با ماهیت اختصاص برچسبهای چندگانه و برآورد سهم هر یک از کلاسها در سطح زیرپیکسل، توسعه یافته است. شبکههای عصبی مصنوعی 6] و [7، مدل اختلاط طیفی خطی 8] - LSMM1 - و [9 و c-means فازی [8] از جمله روشهای متداول طبقهبندی نرم میباشند. خروجی طبقهبندی کنندههای نرم، یک نقشه فراوانی2 به ازای هر یک از کلاسهای موجود در طبقهبندی بوده و بدین ترتیب سهم هر یک از کلاسها در داخل پیکسلها تعیین میگردد.
الگوریتم LSMM به عنوان یکی از مهمترین و پرکاربردترین روشها برای به دست آوردن اطلاعات در سطح زیرپیکسل شناخته شده است 10] و .[11 عملکرد بهینه الگوریتم LSMM مستلزم معرفی پیکسلهای خالص با دقت مناسب میباشد. بدین منظور، روشهای مختلفی برای استخراج پیکسلهای خالص ارائه شده است. این روشها را میتوان در چهار دسته کلی روشهای هندسی، مورفولوژیکی، آماری غیرپارامتریک و آماری پارامتریک در نظر گرفت.
در تحقیق حاضر، روشی مبتنی بر آنالیز خطای LSMM جهت استخراج عناصر خالص پیشنهاد شده است. بدین منظور پیکسلهایی که سهم تعلق آنها در فرآیند تجزیه اختلاط طیفی برای یکی از کلاسها بیشتر از واحد برآورد گردیده - پیکسلهای دچار ردشدگی - ، به عنوان پیکسلهای خالص بهینه در نظر گرفته شده است. با چندین بار تکرار این فرآیند، پیکسلهای خالص نهایی انتخاب شده و عملکرد LSMM با استفاده از این پیکسلها مورد برسی قرار گرفته است.
جهت ارزیابی کیفیت پیکسلهای خالص حاصل از روش پیشنهادی، عملکرد LSMM غیرشرطی با دو معیار RMSE و درصد پیکسلهای خارج از بازه [0-1] بررسی شده است. در بخش بعد، مدل اختلاط طیفی خطی و روشهای استخراج عناصر خالص مورد بحث و بررسی قرار گرفته است. در ادامه، روش پیشنهادی برای استخراج پیکسلهای خالص بهینه و روند ارزیابی آنها ارائه شده است. در بخش 3، نتایج حاصل از پیادهسازی روش پیشنهادی بیان شده است. در نهایت، نتیجهگیری و پیشنهادات در بخش 4 تشریح گردیده است.
-2 مواد و روشها
-1-2 منطقه مورد مطالعه
منطقه مورد مطالعه بخشی از حوضه آبریز سد ستارخان انتخاب شده است. این حوضه از نظر تقسیمات سیاسی- اداری، در شهرستان های اهر و ورزقان در استان آذربایجانشرقی واقع گردیده است. منطقه انتخاب شده در مختصات جغرافیایی 46»درجه و 50 دقیقه« تا 46»درجه و 57دقیقه« طول شرقی و 38»درجه و 26دقیقه« تا 38»درجه و 31دقیقه« عرض شمالی واقع شده است . از تصویر ETM+ سال 2008 منطقه استفاده شده است. منطقه مورد مطالعه از چهار پوشش غالب باغ، مرتع، آب و زمین بایر تشکیل شده است - شکل . - 1
-2-2 مدل اختلاط طیفی خطی
تجزیه اختلاط طیفی فرآیندی است که هر پیکسل را به تعدادی کلاس تفکیک نموده و یک روش متداول برای حل مشکل پیکسلهای مخلوط میباشد 12]، 13 و .[14 اختلاط طیفی خطی بر این فرض استوار است که طیف دریافتی از عوارض مختلف داخل پیکسل به صورت خطی ترکیب میشوند .[15] - شکل 2، رابطه . - در رابطه بالا، E ماتریس مربوط به طیف عناصر خالص، f برداری است که سهم هر یک از کلاسها را در سطح زیرپیکسل تعیین مینماید و بر اساس آن نقشههای نسبتی - به ازای هر کلاس یک نقشه - تولید میگردد. e نیز خطای باقیمانده را نشان میدهد.
برای حل معادله مدل اختلاط طیفی خطی روشهای مختلفی وجود دارد. در برخی روشها، دو شرط مثبت بودن سهم کلاسها و واحد بودن مجموع آنها لحاظ میگردد که به روشهای شرطی موسوم میباشند. در این روشها به منظور تامین این شروط، مقادیر محاسبه شده برای سهم کلاسها تغییر مییابند که مستعد ایجاد عدمقطعیت میباشد. در روش دیگری که غیرشرطی نامیده میشود، معادله مذکور بدون در نظر گرفتن هیچ شرطی حل میشود.
