بخشی از مقاله
چکیده
با گسترش علوم فتوگرامتري و سنجش از دور و در دسترس قرار گرفتن تصاویر هوائی و ماهواره اي با قدرت تفکیک هاي مختلف، طیف وسیعی از داده هاي مکانی در دسترس علوم مختلف قرار گرفته است. زمانی تصاویر ماهواره اي گرهی از مشکلات مکانی را باز می کند که بتوانیم اطلاعات و عوارض موجود در آن ها را استخراج کنیم. در این مقاله ابتدا یک اشاره کلی در باره روش هاي اتوماتیک و نیمه اتوماتیک استخراج راه از تصاویر ماهواره اي اشاره شده سپس از میان روشهاي موجود روش مدل snake توضیح داده شده است. انواع مدل هاي منحنی فعال و انواع توابع انرژي در ادامه گفته شده است و در نهایت نحوه ارزیابی و نتیجه گیري نهایی بیان شده است .
-1 مقدمه
با گسترش علوم فتوگرامتري و سنجش از دور و در دسترس قرار گرفتن تصاویر هوائی و ماهواره اي با قدرت تفکیک هاي مختلف، طیف وسیعی از داده هاي مکانی در دسترس علوم مختلف قرار گرفته است. زمانی تصاویر ماهواراي گرهی از مشکلات مکانی را باز می کند که بتوانیم اطلاعات و عوارض موجود در آن ها را استخراج کنیم. استخراج عارضه به معناي تشخیص و بارزسازي عارضه اي خاص بر روي تصاویر هوائی یا ماهواره اي است.
قطعه بندي تصویر به عنوان یکی از مراحل اولیه و البته مهم در فرایند استخراج عارضه در نظر گرفته می شود. تئوري هاي بسیاري به منظور انجام هر چه بهتر این فرایند مطرح شده است. در برخی از این روش ها، یک تصویر بر اساس تغییرات ناگهانی درجات خاکستري - نقاط، خط ها و لبه ها - بین عوارض مختلف، قطعه بندي می شود. از این روش ها می توان به watershed segmentation اشاره کرد.[1] برخی دیگر بر مبناي همگونی پیکسل هاي مربوط به یک ناحیه، تصویر را قطعه بندي می کنند.
هر دو روش ذکر شده تنها از یک دسته اطلاعات موجود در اطراف پیکسل مرکزي استفاده می کنند و با استفاده از فرمولاسیون ساده تصویر را قطعه بندي می کنند. به منظور بهبود این فرایند، می توان از پارامترهاي مختلفی از فضاي تصویر به طور همزمان استفاده کرده و از فرمولاسیون پیچیده استفاده کرد؛ به عنوان یک نمونه از این روش ها می توان به قطعه بندي تصویر با استفاده از مدل Snake اشاره کرد.
مدل snake از جمله الگوریتم هاي کارآمدي است که در یافتن محدوده عوارض موجود در تصویر مورد استفاده قرار می گیرد. با استفاده از این مدل هر دو مرحله قطعه بندي و طبقه بندي به صورت همزمان انجام شده و تنها محدوده هاي مربوط به عوارض مورد نظر از تصویر استخراج خواهد شد. مدل snake یک الگوریتم کمینه کردن انرژي است که با استفاده از اطلاعات موجود در تصویر، منحنی اولیه تعریف شده در فضاي تصویر را به سمت لبه عرضه هدایت می کند.
-2 روش هاي اتوماتیک و نیمه اتوماتیک استخراج راه
عوارض روي زمین از لحاظ المان گرافیکی به سه دسته تقسیم می شود: نقطه، خط، سطح. مهمترین عوارض خطی که قابلیت استخراج آنها از تصاویر ماهواره اي موجود می باشد عبارت است از راه ها، خطوط راه آهن و مرزهاي پوشش گیاهی وغیره. راهها شبکه هاي وسیع و مهمی می باشند که ساخته دست بشر می باشند و تحقیقات زیادي براي آشکارسازي آنها صورت گرفته است. استخراج راه در سه مرحله صورت می گیرد:Road finding ،Road tracking ، .Road linking استخراج راه به صورت دستی، نیمه اتوماتیک و اتوماتیک می باشد. روش دستی دقت بالایی دارد ولی از لحاظ زمان و هزینه مقرون به صرفه نمی باشد.
تفاوتی که بین روش اتوماتیک و نیمه اتوماتیک وجود دارد در مرحله اول می باشد؛ در روش نیمه اتوماتیک اپراتور در مرحله اول استخراج راه نقش دارد ولی در روش اتوماتیک این مرحله هم به صورت خو کار می باشد. راه ویژگی هایی دارد که به استخراج اتوماتیک آن کمک می کند از جمله از این ویژگی ها عبارتند از: طولانی و پیوسته بودن، داشتن انحناي کم و مرزهاي موازي، اختلاف درجه خاکستري با محیط پیرامون، ثابت بودن درجه خاکستري و بافت و غیره. روش هاي مختلفی براي استخراج اتوماتیک راه وجود دارد از جمله: طبقه بندي و بخش بندي، مدل هاي فازي، شبکه هاي عصبی، الگوریتم ژنتیک و آنالیزهاي کلاسه - بندي تصویر، مدل منحنی فعال، [4]Dynamic programming، MultiScale & Multiresolution ، Multi Temporal ، Road tracking ،-Fusion .based method از بین روشهاي موجود روش " مدل منحنی فعال " در ادامه ارائه شده است.
-3 مدل Snake
مدل snake براي اولین بار در سال 1988 توسط Kass ارائه شد.[2] بعد از آن تلاش هاي بسیاري براي بهبود این مدل صورت گرفته و مدل هاي مختلفی تعریف شده است؛ توسعه مدل هاي مختلف باعث ایجاد دسته بندي جدیدي شده و تمامی این مدل ها تحت عنوان Active Contour شناخته می شوند. مدل هاي Active Contour از دیدگاه مدلسازي و پیاده سازي به دو صورت کلی تعریف می شود: مدل هاي پارامتریک و هندسی.[1] مدل پارامتریک یا صریح یک مدل کلاسیک بوده که نخستین بار توسط Kass ارائه شد. در این مدل منحنی بصورت صریح با استفاده از نقاط تعریف می شود. در مدل هندسی یا ضمنی که توسط Caselles مورد استفاده قرار گرفته است، منحنی به صورت ضمنی و با قرار دادن منحنی در یک تابع با بعد بالاتر و استفاده از این تابع جدید به جاي منحنی اولیه تعریف می شود.
از نظر تعریف تابع انرژي تصویر نیز می توان این مدل را می توان به دو بخش لبه مبنا و ناحیه مبنا تقسیم بندي کرد. در مدل هاي لبه مبنا، هدایت منحنی بر اساس اطلاعات گرادیان تصویر صورت می گیرد. در تصاویري که داراي اطلاعات گرادیان ضعیف بوده و یا به دلیلی این اطلاعات براي هدایت صحیح منحنی کافی نباشد، از مدل هاي ناحیه مبنا استفاده می شود؛ به مدل هاي پارامتریک لبه مبنا در اصطلاح مدل هاي snake گفته می شود. چنین مدل هایی بر مبناي همگن بودن برخی ویژگی هاي هر ناحیه تعریف می شود.
