بخشی از مقاله
چکیده :
تصاویرپلاریمتری رادار با روزنه مجازی این قابلیت را دارند تا اطلاعاتی را از ساختار و مکانیزم پراکنش در عوارض را در اختیار ما بگذارد از این رو ضرورت استفاده این تصاویر برای شناسایی تغییرات ساختاری بیش از پیش مشخص می شود روش های زیادی به این منظور توسعه دادد شده اند گاها روش های پیکسل مبنا به دلیل وجود اسپکل نمی تواند نتایج خوبی را داشته باشد
از طرفی روش های شی مبنا هم به دلیل خاصیت تصاویر راداری که روش های قطعه بندی آن چنان نمی توانند همگنی را حفظ کنند ممکن است دچار خطای نوع اول ودوم شویم از این رو روشی به صورت ترکیبی از این دو روش توسعه داده شده است که ابتدا روش قطعه بندی چند مقیاس روی تصویر پائولی اعمال ،سپس برای آن بخش ها ویژگی هایی استخراج می شود و از معیار تشابه فاصله بارتلیت برای میزان شباهت استفاده میشود
در مرحله دوم از یک معیار برای میزان شباهت پیکسل ها در آن قطعه ها استفاده می شود که تصویر تغییرات نهایی حاصل می شود نتایج نشان می دهد که روش شی مبنا با اینکه دقت خوبی را داراست اما همراه با خطا نوع اول است و همچنین ترکیب آن با روش پیکسل مبنا این خطا را در حد چشمگیری کاهش داده است. ×
-1 مقدمه
تصاویر پلاریمتریک رادار با روزنه مجازی اطلاعاتی در مورد ساختار عوارض و پراکنش های مختلف از هدف مورد نظر در اختیار می گذارد شناسایی تغییرات در این تصاویر همواره مورد توجه محققان بوده است روش های متنوعی برای این منظور توسعه داده شده اند از جمله روش های پیکسل مبنا که در آن از اطلاعات نوع پراکننش ها در پیکسلهای متناظر دو تصویر استفاده شده است و به دنبال آن از معیار های برای تولید نقشه اختلاف استفاده شده است[1] و یا در مطالعه [2] از الگوریتم های تجزیه هدف استفاده شده است تا نوع مکانیزم های تشکیل دهنده هر پیکسل را بدست آورد و به دنبال آن به تولید نقشه اختلاف پرداخته است
در مطالعه [3] از اطلاعات پلاریزاسیون برای مشخص نمودن تغییرات استفاده کرده است و همچنین در مقاله [4] از تجزیه فرکانس در پیکسل ها برای این منظور استفاده کرده است . روش های نظارت نشده [6 ,5] که در آن از روش مارکوپیشرو در حالت فازی استفاده کرده است در بعضی روش ها از اطلاعات آماری و قوانین احتمالی برای تولید نقشه اختلاف استفاده کرده است
در مطالعه [7] به بررسی تخمین پارامتریک از احتمالات محلی در هر تصویر پرداخته است که خود مانند یک ویژگی و خصوصیت از سطح می باشد و در ادامه به منظور اندازه تولید نقشه اختلاف از معیارعدم تشابه برای اندازه گیری فاصله این قوانین احتمال استفاده کرده است به بررسی توع توزیعات ممکن در شی های استخراج شده می پردازد و به برای مشخص شدن تغییرات در آن بخش ها به استخراج پارامترهایی از توزیع ها پرداخته است که اگر این پارامترها دچار تغییر شدند یعنی آن قطعه دچار تغییر شده است . اما همواره روش های پیکسل مبنا در شناسایی تغییرات در تصاویر رادار با روزنه مجازی دچار ضعف بوده اند چرا که وجود اسپکل این تغییرات را با ابهام مواجه خواهد کرد
از طرفی در روش های که به صورت شی مبنا هستند انتخاب روش قوی برای قطعه بندی و به وجود آوردن مناطق همگن به صورت قطعه مشکل است از این رو ما روشی از ترکیب این دو حالت توسعه داده ایم که در آن از یک سری اطلاعات آماری در سطح همسایکی استخراج می شود و به دنبال آن ماتریس کواریانس این ویژگی ها برای هر شی استخراج می شود و نقشه اختلاف حاصل می شود کار در دو مرحله انجام می شود مرحله اول مربوط به شناسایی تغییرات در شی ها و مرحله دوم به شناسایی پپیکسل هایی که در شی ها دچار تغییر نشده اند که به منظور کاهش خطای نوع اول و دوم است که هدف اصلی این مقاله هم کاهش این دو نوع خطا برای بالا بردن صحت کار است می باشد.
-2 مواد و منطقه مشاهداتی
منطقه مورد مطالعه مربوط به دلتای سان فرنسیسکو .و سنجنده هوابرد UAVSAR که در باند L تصویر برداری شده است می باشد دو تصویر از این منطقه که یک منطقه کشاورزی است در سال های 2014 و 2009 اخذ شده است که در شکل - - 2 به تصویر کشیده شده اند همچنین داده ها به صورت فول پلاریزیشن و دارای 4 کانال شناسایی تغییرات در تصاویرپلاریمتریک رادار با روزنه ...
شکل - : - 1 تصویر سمت چپ مربوط به محدوده منطقه مطالعاتی ، تصویر وسط مربوط به تصویر اخذ شده در سال 2010 از سنسور، تصویر سمت راست هم مربوط به تصویر اخذ شده در سال 2009 می باشد تصاویر وسط و راست تصویر تبدیل شده پاعولی میباشند
شکل :2 روند کلی روش پیشنهاد شده
-3 الگوریتم پیشنهاد شده
اساس روش ما بر روی برطرف سازی دو مشکل بنا شده است .اول استفاده از روش مناسب برای قطعه بندی به منظور کم کردن تاثیر نویز اسپکل و همچنین رسیدن به قطعه های همگن تر در کار و به دنبال آن خروجی بهتر و دوم استفاده از ترکیب دو اصل شی مبنا و پیکسل مبنا به منظور کمتر کردن خطای نوع اول و دوم و جلوگیری از پیکسل هاییی که دچار تغییر نشده اند ولی در پیکسل تغییرات برچسب خورده اند به منظور پیش پردازش های اولیه روی تصاویر همانطور که در شکل - 2 - مشاهده می شود ابتدا از یک فیلتر کاهش نویز به منظور کم کردن این نویز ها در تصویر به کار می رود که ما از فیلتر باکس کار با ابعاد پنجره 7در 7 آن را استفاده نموده ایم سپس به منظور ثبت کردن دو تصویر نسبت به هم یک تصویر را به عنوان تصویر برده و تصویر دیگر را نسبت به اولی رجیستر و یکپارچه سازی نمودیم. عمده کار ها در نرم افزار راداری POLSARPRO انجام داده شد .
-1-3 قطعه بندی تصاویر رادار با روزنه مجازی
یکی از دغدغه های اصلی در کارهایی که به صورت شی مبنا در تصاویر رادار با روزنه مجازی انجام می شود الگوریتم مناسب جهت اتجام این کار می باشد الگوریتم های بر مبنای حد آستانه [8] بر مبنای حوزه آبخیز [9]و یا حتی بر اساس منطق های فازی در فضای موجک [10] انجام داده شده اند ما در این کار از روش قطعه بندی چند مقیاسه استفاده کردیم برای این کار بایستی مقیاسی انتخاب می شد که هم لبه های مورد نظر در تفکیک مناطق همگن را به درستی تشخیص دهد و هم نتایج و قطعات متناظر تقریبا یکسانی در دو تصویر به همراه داشته باشد ما از تصویر پائولی که از روی ماتریس پراکنش ساخته می شود به عنوان ورودی کار استفاده کردیم و این قطعه بندی در محیط نرم افزار Ecognitaion در مقیاس های مختلف انجام شد. البته روشی که در [11]هم از این دسته فرضیات پیروی میکند.
