بخشی از مقاله
چکیده
با وجود قدرت تفکیک مکانی 50 سانتی متری ماهواره WorldView-1، نبود باندهای چندطیفی تفسیر بصری این سنجنده را دشوار میکند. در این مقاله برمبنای روش های شناسایی الگو کهمعمولاً در طبقه بندی و رگرسیون استفاده میشوند، روشی برای شبیه سازی باندهای رنگی این سنجنده از اطلاعات باند پانکروماتیک آن معرفی میشود.
روش پیشنهادی دو مرحله دارد: در مرحله اول سه مدل ثابت بین باندهای رنگی و پانکروماتیک بر اساس تصویر WorldView-2 تشکیل میشود. در مرحله دوم از این مدلها برای پیشبینی باندهای رنگی تصاویر WorldView-1 استفاده میشود . روش جنگل تصادفی به عنوان ابزار آموزش مدل و پیش بینی باندهای رنگی استفاده شده است.
ویژگیهای ورودی، شدت روشنایی و ویژگیها ی بافت از باند پانکروماتیک هستند و کلاس های خروجی در هر مدل شدت روشنایی در باندهای رنگی میباشند. بر اساس نتایج ترکیب رنگی شبیه سازی شده برای تصاویر WorldView-1 با ترکیب رنگی طبیعی مطابقت بالایی دارد. ارزیابی کمی در تصاویر WorldView-2 هم بیش از 80 درصد همبستگی بین باندهای شبیهسازی و حقیقی را نشان میدهد.
-1 مقدمه
ماهوارههای سنجشازدور اپتیکیمعمولاً از یک سنجنده پانکروماتیک1 و یک یا چند سنجنده چندطیفی2 تشکیل شده اند. البته برخی ماهواره ها به منظور کاهش هزینه ها و همچنین با توجه به اهداف خاص پرتاب آنها تنها دارای یک سنجنده پانکروماتیک هستند. باندهای مختلف تصاویر سنجشازدور در طول موج های مختلف انرژی دریافتی از زمین را ثبت میکنند. باند پانکروماتیک در پهنای باند بیشتری نسبت به باندهای چندطیفی انرژی بازتابی از سطح زمین را دریافت میکند.
طولموج فعال در این باندمعمولاً تمام پهنای باندهای رنگی - آبی، سبز و قرمز - را دربر میگیرد 0/4-0/7 - میکرون - . دریافت انرژی بیشتر سبب افزایش قدرت تفکیک مکانی سنجنده میشود. به همین دلیل است که همواره باند پانکروماتیک در سنجنده های با قدرت تفکیک مکانی بالا برای اهداف تهیه نقشه و شناسایی عوارض با ابعاد کوچک موردتوجه است. برای مثال سنجنده پانکروماتیک WorldView-3 قدرت تفکیک مکانی 31 سانتیمتر در باند پانکروماتیک و 2 متر در باندهای چندطیفی مرئی دارد. وضعیتی مشابه را میتوان در ماهوارههای WorldView-2، GeoEye-1 و WorldView-4 مشاهده کرد. در این بین برخی ماهوارهها نظیر WorldView-1 فاقد سنجندههای چندطیفی میباشند.
دلیل این امر میتواند کاهش هزینهها و پیچیدگیهای سخت افزاری باشد. به هرحال استفاده از تصاویر پانکروماتیک این ماهواره به دلیل قدرت تفکیک مکانی بالای آن و گاهی اجبار به استفاده از آن در یک منطقه خاص - برای مثال تنها تصویر موجود از منطقه در یک تاریخ خاص از همین سنجنده میباشد - همچنان دارای جاذبه است. با وجود قدرت تفکیک مکانی بالا اما در بسیاری از کاربردها نیاز به یک تفسیر بصری از تصویر و همچنین نمایش یک ترکیب رنگی طبیعی از آن میباشد. با یک ترکیب رنگی میتوان برخی پوشش ها نظیر پوشش های گیاهی را به خوبی از سایر پوشش ها که در یک تصویر تک طیف بهصورت خاکستری هستند متمایز کرد.
تحقیقات به منظور شبیه سازی باندهای رنگی در تصاویر سیاهسفید در برخی کاربردهای ماشین بینایی انجام شده است. البته اغلب این تحقیقات بر مبنای مجاورت بخش تک طیف تصویر با یک تصویر رنگی دیگر میباشد.
در تصاویر سنجش ازدور یکی از راه های متداول برای ایجاد رنگ در باندهای پانکروماتیک استفاده از روش های تلفیق باندهای رنگی با باند پانکروماتیک است. البته در این روش ها وجود همزمان تصاویر رنگی و پانکروماتیک ضروری است. این تلفیق بیشتر بهمنظور استفاده همزمان از قدرت تفکیک مکانی بالای باندهای پانکروماتیک در کنار قدرت تفکیک طیفی مناسب باندهای چندطیفی انجام میشود. تلفیق قدرت تفکیک مکانی بالای تصویر پانکروماتیک با باندهای طیفی در تصویر چند طیفی خروجی با ویژگیهای مشترک دو تصویر را ارائه میدهد .[3-1] در نتیجه این روشها راهکاری برای رنگی کردن تک تصویر پانکروماتیک ندارند.
در این مقاله روشی برای شبیه سازی باندهای رنگی - ترکیب رنگی طبیعی: قرمز-سبز-آبی - تنها برمبنای وجود یک تصویر پانکروماتیک پیشنهاد میشود. همان گونه که در بررسی تحقیقات مرتبط اشاره شد تاکنون برای ایجاد یک ترکیب رنگی با تکیه بر اطلاعات باند پانکروماتیک، تحقیقی در زمینه تصاویر سنجشازدور انجام نشده است. البته روش هایی در برخی کاربردهای ماشین بینایی معرفی شده است که قابلیت تعمیم در تصاویر ماهوارهای را ندارند. در این تحقیق روشی جهت شبیهسازی باندهای رنگی برای سنجنده WorldView-1 از اطلاعات باند پانکروماتیک آن معرفی میشود.
روش پیشنهادی برمبنای روشهای شناسایی الگو کهمعمولاً در طبقه بندی و رگرسیون استفاده میشوند - در این مقاله روش جنگل تصادفی - بنا شده است. الگوریتم روش پیشنهادی دو مرحله دارد: در مرحله اول سه مدل ثابت بین باندهای رنگی - قرمز-سبز-آبی - و پانکروماتیک بر اساس تصاویر WorldView-2 تهیه میشود. این مدل ها یکبار تشکیل میشوند. در مرحله دوم از این مدل ها برای پیش بینی باندهای رنگی تصاویر WorldView-1 استفاده میشود. ویژگیهای ورودی، شدت روشنایی و ویژگیهای بافت از باند پانکروماتیک هستند و کلاس های خروجی در هر مدل شدت روشنایی در باندهای رنگی میباشند.
وجود کلاس های زیاد - برای مثال در یک تصویر 8 بیت 256 که در این تحقیق به منظور ساده سازی خروجی 4 بیت در نظر گرفته شده است که 16 کلاس شدت روشنایی به عنوان خروجی طبقه بندی محسوب میشود - و شباهت بالای آن ها در ویژگیهای استخراج شده از تصویر پانکروماتیک کار را برای طبقه بندی کننده دشوار میکند. یکی از روش هایی که در تحقیقات اخیر بسیار مورد توجه بوده است و همچنین عملکرد خوبی در چنین وضعیتهای مشابهی داشته است روشهای دستهجمعی - در این تحقیق جنگل تصادفی - در طبقهبندی هستند. به همین منظور در بخش دوم مقدمهای برای این روش ها آورده شده است. در بخش سوم منطقهی مورد مطالعه و داده مورد استفاده بررسی میشود. بخش چهارم الگوریتم روش پیشنهادی برای شبیه سازی باندهای رنگی معرفی میشود و همچنین بخش چهارم مقاله مربوط به تفسیر نتایج است. بخش پایانی نیز مربوط به نتیجهگیری است.
-2 روش پیشنهادی
روش پیشنهادی در این تحقیق بهمنظور شبیهسازی باندهای رنگی برای تصاویر پانکروماتیک WorldView-1 از دو مرحله کلی تشکیل میشود. مرحله نخست تشکیل مدل بین باند پانکروماتیک و باندهای رنگی میباشد. این مدل با روش جنگل تصادفی و در تصاویر WorldView-2 تشکیل میشود. توجه به این نکته ضروری است که این مدل فقط یکبار تشکیل میشود و نیازی به داشتن تصاویر متناظر WorldView-1 و WorldView-2 نمیباشد. درواقع مدل یکبار و در یک منطقه و تنها با یک تصویر WorldView-2 تشکیل و در سایر مناطق برای مدلسازی تصاویر WorldView-1 استفاده میشود.
-1-2 مدلسازی و پیشبینی
فلوچارت مراحل مختلف تشکیل مدل در شکل 1 آمده است. ورودی روش آموزش - جنگل تصادفی - ویژگی های بافت و باند شدت روشنایی از باند پانکروماتیک WorldView-2 می باشد. هرچه تنوع عوارض در این تصویر بیشتر باشد مدل محاسباتی از جامعیت بیشتری برخوردار خواهد بود. برای این منظور مناطق مختلف از تصاویر WorldView-2 به عنوان داده آموزشی در فرآیند تشکیل مدل جمع آوری و استفاده شده است. در واقع آن چیزی که ما در سایر تصاویر پانکروماتیک WorldView-1 هم به آن دسترسی داریم همین ویژگی هاست.
لازم به ذکر است که مدل سازی ریاضی بافت تصویر با استفاده از روش های گوناگون صورت میگیرد که هرکدام از آن ها بر اساس تعاریف مختلف ارائه شده از بافت میباشند. در این مقاله یکی از این روش های آماری، ماتریس هم رخدادی3 درجه خاکستری - GLCM - استفادهشده است. با استفاده از این ماتریس ویژگیهای میانگین، واریانس، همگنی، کنتراست، آنتروپی، عدم تشابه و گشتاور دوم استخراج و در طبقه بندی استفاده گردید. درنهایت آنچه از روش جنگل تصادفی به عنوان خروجی انتظار میرود و در مرحله آموزش به آن داده می شود مقدار شدت روشنایی در باندهای رنگی مختلف میباشد.
به عبارت دیگر در هر مدل - برای هر باند یک مدل - درجات روشنایی باند رنگی، متناظر با کلاسها در یک روش طبقهبندی میباشد. با توجه به تنوع این درجات روشنایی در باندهای مختلف برای سادهسازی و همچنین منطقی کردن روند آموزش باندهای رنگی ابتدا به 4 بیت کوانتیزه می شوند تا تنها 16 کلاس از درجات روشنایی وجود داشته باشد. بنابراین مدل نهایی که در این روش محاسبه می شود برای شبیه سازی باندهای رنگی در 4 بیت میباشد. وجود 16 کلاس شدت روشنایی برای داشتن یک ترکیب رنگی که فقط برای استفاده بصری است قابلقبول میباشد. سه مدل متناظر با سه باند رنگی آبی - B - ، سبز - G - و قرمز - R - خروجی نهایی مرحله اول میباشد. تنوع در پوشش و درجات روشنایی باندهای مختلف در تصویر آموزشی استفاده شده میتواند کیفیت مدل شبیهسازی باندهای رنگی را بیشتر کند.
