بخشی از مقاله
چکیده:
امروزه با رشد سریع فناوری سنجش از دور در محدوده اندازه گیری های طیفی و ظهور سنجنده های فراطیفی، استفاده از این داده ها به منظور اهداف مدیریتی رو به فزونی است. پیشرفت هایی که در این زمینه صورت گرفته است باعث شده است بشر قادر به تهیه تصاویری با صدها باند طیفی باریک و نزدیک به هم شود. این تصاویر اطلاعات زیادی را درباره صحنه ای که از آن تهیه شده اند در اختیار می گذارند.
طبقه بندی این تصاویر به علت حجم زیاد آنها، کمبود داده های آموزشی، تفاوت داده های داخل کلاسی و شباهت داده های بین کلاسی با مشکلات خاصی مواجه می باشد. پردازش تصویر ابزاری است که برای تغییر و تحول و تفسیر تصویر استفاده میشود. در این مقاله به پردازش تصاویر ماهواره ای با استفاده از روش های شبکه عصبی میپردازیم و سپس نتایج بدست آمده را مقایسه می کنیم.
.1 مقدمه
امروزه فناوری سنجش از دور در حیطه اندازه گیری های طیفی با سنجنده های فرا طیفی رشد فزاینده ای داشته است. در سنجش از دور، انرژیای که از سطح زمین بازتابش میشود، با استفاده از حسگری که به سکوی یک هواپیما یا ماهواره متصل شده است، اندازهگیری شده و بر اساس آن تصویری از سطح تحت پوشش حسگر ساخته میشود. سنجندههای فراطیفی با بهرهگیری از بخش بزرگی از طیف الکترومغناطیس به اشیاء مینگرند . برخی شیءها در طیف الکترومغتاطیس دارای نشانههای ویژه ای هستند.
این نشانههای ویژه که به عنوان »امضاهای طیفی« معروفند به بازشناسی مواد در تصاویر کمک میکنند. تصویربرداری ابرطیفی، شاخهای از سنجش از دور است که مربوط به اندازهگیری، تجزیه و تحلیل و تفسیر طیفهای به دست آمده از یک صحنه یا یک شی خاص با فاصلهی طولانی یا کوتاه با استفاده از حسگرهای ماهوارهای یا هوایی است . از آن جا که اطلاعات باارزشی با استفاده از ابزارهای تصویربرداری ابرطیفی پیشرفته به دست میآید، این فناوری جنبههای کاربردی بسیار زیادی پیدا کرده است. به عنوان مثال، نظارت بر محیط و یا نواحی شهری، ردیابی آتش، تشخیص تهدیدهای بیولوژیکی و نظارت بر نشت مواد نفتی و سایر انواع آلودگیهای شیمیایی نمونههایی از این کاربردهاست
اکثر حسگرهای تصویربرداری چند طیفی، میزان بازتابش یک سطح را در چند باند طول موجی عریض و جدا از هم اندازهگیری میکنند. در مقابل حسگرهای تصویربرداری ابرطیفی، میزان بازتابش را در باندهای طول موجی باریک و بسیار نزدیک به هم اندازهگیری میکنند. شکل1 تفاوت تصاویر ابرطیفی و چندطیفی را بهتر نشان میدهد.
شکل 1 تفاوت طیف حاصل از یک حسگر چند طیفی و یک حسگر ابرطیفی
مکعب دادهی ابرطیفی که با استفاده از حسگرهای ابرطیفی حاصل میشود، یک پشته از تصاویر است که هر پیکسل آن با یک اثر طیفی که خصوصیات اشیا موجود در آن را تعیین میکند، مشخص میشود. شکل 2 یک تصویر ابرطیفی و طیف بازتابش برای یکی از پیکسلهای آن را نشان می دهد.
جدول 1 مقایسهی خصوصیات سنجنده های آویریس ،هادایس و هایپریون [2]
در دسترس قرار گرفتن سنجنده هایی با توان تفکیک طیفی بالا و تعداد باند زیاد، دستیابی به جزئیات بیشتر در مورد کلاس ها را امکان پذیر ساخته و باعث افزایش دقت و اعتبار طبقه بندی ها شده است. یکی از تحلیل های مهمی که بر روی داده های ابر طیفی انجام می شود، طبقه بندی این تصاویر است. سازور و محمدپور در [2] روشی جهت طبقه بندی تصاویر ابرطیفی بر مبنای استفاده از اطلاعات همسایه های هر پیکسل جهت بهبود کیفیت طبقه بند ماشین بردار پشتیبان2 ارائه داده اند. آنها با ااستفاده از دو ماشین بردار پشتیبان و ترکیب آن با اطلاعات مکانی و اعمال الگوریتم پیشنهادی بر تصویر دیتابیس مرجع [4] به دقت تشخیص بیش از %98 رسیده اند. در این مقاله سعی می شود عمل طبقه بندی با استفاده از روشهای شبکه عصبی انجام شود.
شکل 2 مکعب دادهی ابرطیفی و طیف حاصله برای یکی از پیکسلهای آن
حسگرهای ابرطیفی میتوانند طوری ساخته شوند که در نواحی مختلف طیف الکترومغناطیس کار کنند، اما تمرکز بیشتر بر حسگرهایی است که باندهای طیفی مرئی، نزدیک مادونقرمز و مادونقرمز موج کوتاه - در محدودهی طول موج 3.0 تا 5.2 میکرومتر - را پوشش میدهند
.2 الگوریتم پیشنهادی
از آنجایی که هدف اصلی از پردازش تصاویر ماهواره ای، تهیه نقشه های موضوعی و کارآمد می باشد، انتخاب الگوی مناسب طبقه بندی نقش زیادی در این امر ایفا می کند. تصویر استفاده شده در شبیه سازی ایندینا پالیز نام دارد که مربوط به منطقه ای کشاورزی- جنگلی است.
دو سوم تصویر منطقه کشاورزی و یک سوم آن جنگل و سایر پوشش های گیاهی است.در تصویر دو خط بزرگراه دو طرفه ، یک خط راه آهن و چند خانه و سازه و جاده های کوچک با چگالی کم وجود دارد. این تصویر به 16 کلاس مختلف تقسیم بندی شده است. شکل 3 تصویر گرفته شده در یکی از باندهای طیفی و همچنین برچسب کلاس زمینی تهیه شده آن را نشان می دهد. اطلاعات کلاسهای این تصویر در جدول 2 آمده است.
شکل:3 الف - تصویر یکی از باندها، ب - برچسب کلاسی منطقه
جدول :2 تعداد نمونه های هر کلاس در تصویر ایندیانا
برنامه پیشنهادی دارای مراحل مختلفی است که به طور مختصر میتوان موارد زیر را برشمرد:
-1تبدیل مقیاس تصویر به آرایه دو بعدی
-2استخراج موقعیت مکانی داده ها
-3ساخت ماتریس مجاورت
-4ساخت لاپلاس نمودار
-5ایجاد ماتریس پتانسیل برای ترکیب ارتباطات مکانی
