بخشی از مقاله
چکیده
در این مقاله، روشی جدید برای شناسایی تغییرات تصویر با استفاده از تکنیک مدل آمیخته گاوسی و منطق فازی نوع2 پیشنهاد میشود و سعی بر ساخت سیستمی است که علاوه بر دقت کافی در شناسایی تغییرات از سرعت مناسبی نیز برخوردار باشد و بتوان تعادلی بین اشتباهات در تغییر و عدمتغییر برقرار نمود. مدل آمیخته گاوسی فازی به این صورت عمل می کند که با در نظ ر گرفتن شرایط عدم قطعیت مجموعه فازی نوع2 پارامترهای مدل آمیخته گاوسی را محاسبه کرده، و سپس مدل آمیخته گاوسی دادههای تصویر اختلاف را به دو مجموعه از توزیع پیکسلهای "تغییریافته" و "بدونتغییر" طبقهبندی میکند، در واقع روش فازی برا ی تمام توزیعهای تصویر مدلی گاوسی پیشنهاد میکند و در صورت متمایز بودن توزیعات آن را به عنوان تغییر در نظر میگیرد.
جهت بررسی شناسایی تغییرات از تصاویر سنجش از دور بهدست آمده از ماهوارهها که مربوط به تصاویر چندطیفی جمع آوری شده برای مشاهده تغییرات زمین در بخشی از آلاسکا در سال 2005 توسط ماهواره LANDSAT-5/TM و همچنین بخشهایی از منطقه جغرافیایی سیلزده بنگلادش و هند در سال 2007 توسط ماهواره چندزمانه ENVISAT-ASAR میباشد، استفاده شده است. نتایج نشاندهنده کارایی بالای این الگوریتم در برابر شرایط با عدمقطعیت و تصمیمگیری بهتر آن در طبقهبندی الگو میباشد.
-1 مقدمه
شناسایی تغییرات تصاویر از زمینههای تحقیقاتی مهم در پردازش اطلاعات به دلیل کاربرد فراوان آن در رشتههای مختلف، از جمله سنجش از دور، نظارت، زیرساخت های شهری، پزشکی و سنجش زیر آب است. تغییرات آب و هوا امروزه به عنوان یکی از مسائل عمده جهانی محسوب میشود. افزایش دمای جهانی در حال تغییر در آب و هوا میباشد. تعیین تغییرات تصاویر هوایی برای استفاده در کاربردهای هواشناسی بعنوان هسته کاربردهای شناسایی تغییرات محسوب می شود. شناسایی بدون ناظر تغییرات بر روی دو تصویر که از موقعیت مکانی یکسانی و در زمانهای متفاوتی گرفته شده است، اعمال میشود.
در تصاویر از راه دور به طور کلی احتیاج به یک سری اعمال برای رفع مشکلات بوجود آمده بر روی تصاویر بخاطر ویژگیهای سنسوری و دیگر تأثیرات مخرب بر روی تصویر، میباشد. به طور کلی این تصحیح شامل حذف نویز، کالیبره کردن سنسور، تصحیح نور خورشید، تصحیح توپوگرافی و تصحیح هندسی میباشد .[1-3] در این مقاله فرض بر این داریم که تغییرات تنها بر اثر تغییرات واقعی یا آب و هوایی انجام شده است.
شناسایی بدون ناظر تغییرات بر حسب دامنهای که مورد استفاده قرار میB گیرند به دو دسته کلی تقسیم میشوند: -1 دامنه تصویر -2 دامنه تبدیلات. تکنیکهای تصویر [4-6]، اطلاعات آماری را مستقیماً از خود تصویر استخراج می کند. در حالیکه روش های بر اساس تبدیلات [7-9]، از تبدیلاتی که بر روی تصویر ورودی اعمال می شود استفاده میکند، همانند تبدیلات ویولت گسسته [7,9] یا تبدیلات ویولت درخت دوگانه .[8] در [4] دو تکنیک خودکار بر اساس بیز برای تحلیل تغییرات تصویر پیشنهاد شده است، یکی از این تکنیکها با تنظیم مقدار آستانه باعث به حداقل رسیدن مقدار خطای تشخیص تغییرات میشود. دیگری براساس مارکوف رندوم میباشد که تغییرات را بر اساس مدل همسایگی بدست میآورد.
وقتی که کاربر دو تصویر چند زمانه دارد تا تغییرات اعمال شده در آن را شناسایی کند، ممکن است که بخاطر عدم ثبت - عدم دسته بندی - [10,11] و یا خطاهای هندسی نتواند مقایسهای بین تصاویر داشته باشد. همچنین برخی از نویز ها ممکن است وجود داشته باشند. بنابراین قبل از تحلیل تصاویر برای شناسایی تغییرات پارهای از پیش پردازش ها لازم است بر روی تصویر اعمال شود. بنابراین در [12,13] سه مرحله در شناسایی تغییرات تصویر به صورت پی در پی مورد استفاده قرار میگیرد. در مرحله اول: ثبت دقیق تصویر، تصحیح رادیومتریک و هندسی، کاهش نویز بر روی تصویر اعمال میشود تا دو تصویر قابل مقایسه باشند. به این مرحله پیش پردازش گفته میشود، در مرحله دوم مقایسه و در مرحله سوم تحلیل تصویر صورت میگیرد.
با استفاده از مدل آمیخته گاوسی - GMM - و با تعداد کافی از گوسینها، میتوان به خوبی، توزیع هر تصویری را مدل کرد. در این مدل فرض میشود که تفاوتهای دو تصویر از دو مدل مختلف گاوسی تشکیل شده است. پارامترهای مختلف GMM با استفاده از EM و الگوریتم ژنتیک [14] تخمین زده میشود، که در نهایت GMM توزیع را بر اساس توزیعهای تغییریافته و تغییرنیافته تقسیم میکند .[15] باقیمانده این مقاله به این صورت سازماندهی می شود، در بخش دوم به معرفی روش پیشنهادی پرداخته و جزئیات این روش مورد بررسی قرار خواهد گرفت. در بخش سوم نتایج تست این روش بررسی می شود و با روشهای معتبر فعلی مقایسه خواهد شد و در نهایت در بخش چهارم نتیجهگیری بیان خواهد شد.
-2 روش پیشنهادی
-1-2 مدل آمیختهگاوسی مبتنیبر مجموعه فازینوع2
در این بخش مفاهیم اولیه در مدلهای آمیخته گاوسی فازی FGMM نوع2 را که در [16] بیان شده است را مورد بررسی قرار میدهیم. مدل GMM به میزان قابل توجهی در مدلسازی تراکم و خوشهبندی مورد استفاده قرار میگیرد. این مدلها دارای قابلیت تخمین کاملی میباشند، چرا که آنها میتوانند هر نوع تابع تراکم را به صورت دقیقی با تعداد کافی تابع گاوسی مدلسازی نمایند.
-2-2 بهینهسازیFGMM نوع2در شناسایی تغییرات تصویر
تصاویر دارای یکسری توزیع هستند که این توزیع همان مقادیر پیکسل میباشند. بنابراین اگر تغییری در تصویر اعمال شود در این توزیعها هم تغییر ایجاد می شود. یکی از بهترین این روشها برای مدل کردن توزیع، استفاده از مدل گاوسی میباشد و چون تصویر شامل چندین توزیع گاوسی میباشد آنرا با GMM یا مدل آمیخته گاوسی مدل میکنند. هر پیکسل با توجه به شدت نور آن در فضای تصویر مشخص میشود. بنابراین بردار مشاهده شده، o برابر Xt در فضای Gray-level میباشد.
