بخشی از مقاله
چکیده:
استخراج اتوماتیک عارضه ساختمان از تصاویر ماهوارهاي، یک مسأله تحقیقاتی باز در فتوگرامتري رقومی و سنجش از دور است. الگوریتمهاي بسیاري براي استخراج ساختمانها ازتصاویر ماهوارهاي ارائه شدهاندکه غالبا معیارهاي رادیومتریکی و هندسی، تشخیص لبهها، شناسایی عوارض خطی، دانش ساختار هندسی و سایه را به عنوان معیارهاي استخراج ساختمان در نظر گرفتهاند، اما هیچ یک از آنها نمیتوانند به طورمستقل مسئله را حل کنند. براي حل این مسأله پیچیده، تلفیق قابلیتهاي الگوریتمهاي مختلف و منابع داده موجود ضروري میباشد.
در این مقاله چارچوب سیستمی براي افزایش درجه اتوماسیون در استخراج ساختمانها با بامهاي مختلف از تصاویر ماهوارهاي چند طیفی با قدرت تفکیک بالا با در نظرگرفتن معیارهاي هندسی، ساختاري و طیفی ارائه میشود. این تحقیق سیستمی را تشریح میکند که بخش تصمیمگیري آن، بر مبناي الگوریتمهاي شبکههاي عصبی مصنوعی عمل میکند و بوسیله زبان برنامه نویسی C# توسعه یافته است.
این سیستم تا حد ممکن به صورتی طراحی شده است که کاربران آن نیازي به اطلاع از نظریه شبکههاي عصبی مصنوعی نداشته باشند. سیستم ارائه شده در دو فاز مختلف عمل مینماید، فاز اول یادگیري و فاز دوم کاربرد است. در فاز اول شبکه عصبی موجود در سیستم به کمک دادههاي ذخیره شده آزمایشی، آموزش میبیند و در فاز دوم، سیستم جهت تشخیص ساختمانها در تصاویر ماهوارهاي مورد استفاده قرار میگیرد.
تصویر ماهوارهاي انتخاب شده براي آزمایش این سیستم، تصاویر PAN و multispectral سنجنده Ikonos از منطقه شهري کاشان به مساحت 100km2 میباشد. سیستم مذکور، در این مقاله میتواند بیش از 84 درصد ساختمانهاي موجود در تصویر مورد مطالعه را تشخیص دهد. این نتیجه امیدبخش کاربردي بودن سیستم ارائه شده در این مقاله را توجیه میکند.
-1 مقدمه:
در سالهاي اخیر، طبقهبندي دادههاي سنجشازدور و استخراج عوارض مسطحاتی از آنها در تولید نقشههاي موضوعی از سطح زمین براي مقاصد مختلف از جمله برنامهریزي شهري، طبقهبندي اکوسیستم و منابع طبیعی و ... به صورت گستردهاي مورد استفاده قرار گرفته است. تا بحال الگوریتمهاي مختلفی براي طبقهبندي و استخراج عوارض از تصاویر ماهوارهاي توسعه یافتهاند. تعداد بسیاري از این الگوریتمها با درنظرگرفتن معیارهاي رادیومتریکی و هندسی ویا بر اساس تشخیص لبه 3]،2،[1، شناسایی عوارض خطی، بازبینی پلیگونهاي ساختمان با استفاده از دانش ساختار هندسی 3]،[2، سایه[2] و ... عمل میکنند.
اکثر فعالیتهاي جدید در زمینه استخراج عوارض از تصاویر با قدرت تفکیک بالا برمبناي روشهاي نظارت شده است. این تکنیکها نیاز به انجام یک طبقهبندي پایه روي دادههاي اولیه دارند تا فرضیاتی را براي موقعیت واندازه عوارض ساختمانی فراهم آورند7]،[6 یا از مجموعههاي آموزشی یا یک مدل پایگاه داده براي طبقهبندي ساختمانها استفاده میکنند9]،.[8 حل این مسأله پیچیده، مستلزم تلفیق قابلیتهاي الگوریتمهاي مختلف و منابع داده موجود میباشد5]،.[4
در بین این الگوریتمها، روشهاي طبقهبندي و استخراج عوارض براساس شبکههاي مصنوعی - - ANN در سالهاي اخیر ظهور یافتهاند و براي طبقهبندي تصاویر روشهاي مناسبی تشخیص داده شدهاند.[13] شبکههاي عصبی مصنوعی اساساً سیستمهاي شبکهاي هستند که فرآیند کاري مغز انسان را با فعالیت تعداد زیادي از پردازندههاي کوچک و متصل به هم یا نرونها شبیهسازي میکنند تا توانایی حل مسائل طبقهبندي را دارا باشند. با وجود پیشرفتهاي سریع و محبوبیت فزاینده شبکههاي عصبی مصنوعی براي طبقهبندي تصاویر در سنجشازدور، سیستم کاملی براي طبقهبندي واستخراج اتوماتیک عوارض با استفاده از این روش در بستههاي نرمافزاري سنجشازدور وجود ندارد.
در این تحقیق، یک سیستم اتوماتیک براي طبقهبندي و استخراج ساختمانها از تصاویر با درنظرگرفتن معیارهاي ساختاري، مفهومی و طیفی توسعه داده شده و کاربردپذیري آن را مورد بررسی و آزمایش قرار گرفته است. این سیستم روش عملی و قدرتمندي را ارائه میکند و شامل یک ماژول ANN - شبکه عصبی مصنوعی - براي طبقهبندي نظارت شده تصویر و استخراج عوارض ساختمانی با استفاده از شبکه عصبی پرسپترون چند لایه - MLP - 1 میباشد. ماژول شبکه MLP با استفاده ازالگوریتم یادگیري پس انتشار - BP - 2 آموزش داده میشود. این سیستم با استفاده از شبکههاي عصبی مصنوعی به دقت مطلوبی در استخراج ساختمانها دست مییابد .
-2 طرح کلی سیستم
سیستم ارائه شده از سه بخش اصلی تشکیل شده است، بخش اول وظیفه پردازش اولیه و تقسیم تصویر به نواحی کوچکتر را دارد. بخش دوم ، ویژگیهاي هندسی، ساختاري و طیفی نواحی بدست آمده از بخش اول را استخراج میکند و در بخش سوم با بهرهگیري از این ویژگیها و با استفاده از یک شبکه عصبی مصنوعی، تصمیمگیري میشود که آیا ناحیهي مشخصی از تصویر یک عارضه ساختمانی است یا خیر. در شکل - - 1 طرح کلی سیستم بهصورت شماتیک نشان داده شده است.
این سیستم در دو فاز عمل مینماید:
-1 فاز یادگیري: در این فاز شبکه عصبی موجود در بخش سوم سیستم، به کمک دادههایی که از قبل توسط اپراتور ذخیره شدهاند آموزش میبیند تا پاسخهاي آن به میزان مطلوبی از دقت برسد.
-2 فاز کاربرد: در این فاز سیستم با دادههاي جدید مورد آزمایش قرار میگیرد.
-3 پردازش اولیه تصویر
دراین بخش تمامی مراحل پردازش تصویر شامل قطعهبندي1 تصویر با استفاده از الگوریتم Seeded region growing و پس پردازش به تفصیل تشریح میشوند.
-1-3 قطعه بندي تصویر با استفاده از الگوریتم Seeded Region Growing
براي قطعهبندي تصویر ورودي - شکل - -2الف - - ،یک الگوریتم - Seeded Region Growing - SRG مورد استفاده قرار میگیرد تا مناطق همگن مربوط به بامها را در تصویر پیدا کند. نقاط seed به طور منظم و متناسب با اندازه بامهاي ساختمانهاي مورد نظر در تصویر توزیع میشوند. براي تصویر IKONOS با قدرت تفکیک مکانی 1m، فاصله بین نقاط seed برابر 10 پیکسل در نظر گرفته میشود تا قرارگیري حداقل یک نقطه seed در اطراف یا روي هر بام را تضمین کند.
کانال ورودي این الگوریتم، کانال شدت نور - I - است. الگوریتم SRG در پیکسل مربوطه هر نقطه seed شروع شده و مقدار - ارزش - شدت نور این پیکسل را با مقادیر پیکسلهاي همسایه مقایسه میکند. در صورت قرارگرفتن مقدار شدت نور پیکسلهاي همسایه در دامنه تغییرات tT - اختیاري - ، این پیکسل به مجموعه پیکسلهاي آن ناحیه افزوده میشود. این الگوریتم به صورت بازگشتی با پیکسلهایی که جدیًدا اضافه شدهاند ادامه مییابد، تا زمانیکه هیچ یک از پیکسلهاي همسایه نتوانند شرط مورد نظر را برآورده کنند. مثالی از قطعهبندي تصویر با این فرآیند در شکل - -2 ب - نشان داده شده است.
-2-3 پسپردازش تصویر
هدف از پسپردازش تصویر بهبود نتایج مرحله قطعهبندي براي استفاده در مراحل استخراج عوارض و طبقهبندي می-باشد. این پردازش شامل انجام اپراتورهاي opening و closing بر تصویر قطعهبندي شده است.
