بکارگیری اطلاعات متنی جهت آشکارسازی نظارت نشده تغییرات از تصاویر ماهواره ای چندزمانه SAR مبتنی بر ادغام خوشه بندی و مدل سطوح همتراز

نویسندگان

1 دانشگاه خواجه نصیرالدین طوسی

2 دانشگاه جامع امام حسین(ع)

چکیده

در پژوهش حاضر چارچوبی جهت آشکارسازی نظارت‌نشده تغییرات، با استفاده از تصاویر چندزمانه SAR با بکارگیری اطلاعات متنی و مبتنی بر ادغام خوشه‌بندی و مدل سطوح هم‌تراز ارائه شده است. با بکارگیری اطلاعات متنی، همبستگی مکانی بین پیکسل‌ها در نظر گرفته شد و همچنین به منظور معرفی اتوماتیک تغییرات از روش پیشنهادی مبتنی بر ادغام خوشه‌بندی گوستافسون-کسل(GKC) و مدل سطوح هم‌تراز استفاده شد. استفاده از روش خوشه‌بندی موجب تولید منحنی اولیه با حداقل زمان همگرایی برای مدل سطوح هم‌تراز گردید و همچنین استفاده از مدل سطوح هم‌تراز موجب افزایش دقت تولید نقشه تغییرات با استفاده از فرآیند تکراری شد. نتایج نشان می‌دهد که نرخ خطای کل روش پیشنهادی نسبت به روش حدآستانه‌گذاری Otsu، خوشه‌بندی FCM و GKC و الگوریتم EM به میزان 62/0، 78/1، 70/1 و 48/4 برابر کاهش یافته است. نتایج حاصل، مؤید قابلیت بالای روش پیشنهادی جهت آشکارسازی نظارت‌نشده تغییرات تصاویر چندزمانه SAR است.

کلیدواژه‌ها


  1. 1A. Singh, “Review article digital change detection
  2. techniques using remotely-sensed data, ”
  3. International journal of remote sensing, vol. 10, pp.
  4. -1003, 1989.
  5. 2F. Wu, C. Wang, H. Zhang, and B. Zhang, “Change
  6. detection and analysis with radarsat-1 SAR image,”
  7. in Geoscience and Remote Sensing Symposium,
  8. IGARSS 2007. IEEE International, pp. 2601-
  9. , 2007.
  10. F. Bovolo and L. Bruzzone, “A detail-preserving
  11. scale-driven approach to change detection in
  12. multitemporal SAR images,” Geoscience and Remote
  13. Sensing, IEEE Transactions on, vol. 43, pp. 2963-
  14. , 2005.
  15. A. Ghosh, N. S. Mishra, and S. Ghosh, “Fuzzy
  16. clustering algorithms for unsupervised change
  17. detection in remote sensing images,” Information
  18. Sciences, vol. 181, pp. 699-715, 2011.
  19. S. Ghosh, N. S. Mishra, and A. Ghosh,
  20. “Unsupervised change detection of remotely sensed
  21. images using fuzzy clustering,” in Advances in
  22. Pattern Recognition, 2009 ICAPR'09, Seventh
  23. International Conference on, pp. 385-388, 2009.
  24. T. Celik, “A Bayesian approach to unsupervised
  25. multiscale change detection in synthetic aperture
  26. radar images,” Signal processing, vol. 90, pp. 1471-
  27. , 2010.
  28. L. Bruzzone and D. F. Prieto, “Automatic analysis of
  29. the difference image for unsupervised change
  30. detection,” Geoscience and Remote Sensing, IEEE
  31. Transactions on, vol. 38, pp. 1171-1182, 2000.
  32. Y. Bazi, L. Bruzzone, and F. Melgani, “An
  33. unsupervised approach based on the generalized
  34. Gaussian model to automatic change detection in
  35. multitemporal SAR images,” Geoscience and Remote
  36. Sensing, IEEE Transactions on, vol. 43, pp. 874-887,
  37. L. Paul and D. P. Ramamoorthy, “Synthetic aperture
  38. radar image change detection using fuzzy c-means
  39. clustering algorithm,” International Journal of
  40. Advanced Research in Computer and
  41. Communication Engineering, vol. 2, 2013.
  42. Y. Bazi, F. Melgani, and H. D. Al-Sharari,
  43. “Unsupervised change detection in multispectral
  44. remotely sensed imagery with level set methods,
  45. ”Geoscience and Remote Sensing, IEEE Transactions
  46. on, vol. 48, pp. 3178-3187, 2010.
  47. T. Celik and K.-K. Ma, “Multitemporal image change
  48. detection using undecimated discrete wavelet
  49. transform and active contours,” Geoscience and
  50. Remote Sensing, IEEE Transactions on, vol. 49, pp.
  51. -716, 2011.
  52. M. Gong, Y. Cao, and Q. Wu, “A neighborhoodbased
  53. ratio approach for change detection in SAR
  54. images,” Geoscience and Remote Sensing Letters,
  55. IEEE, vol. 9, pp. 307-311, 2012.
  56. L. J. Chipman, T. M. Orr, and L. N. Graham,
  57. “Wavelets and image fusion,” in SPIE's 1995
  58. International Symposium on Optical Science,
  59. Engineering, and Instrumentation, 1995, pp. 208-219.
  60. S. Osher and J. A. Sethian, “Fronts propagating with
  61. curvature-dependent speed: algorithms based on
  62. Hamilton-Jacobi formulations,” Journal of
  63. computational physics, vol. 79, pp. 12-49, 1988.
  64. S. Osher and R .P. Fedkiw, “Level set methods: an
  65. overview and some recent results,” Journal of
  66. Computational physics, vol. 169, pp. 463-502, 2001.
  67. T. Chan and W. Zhu, “Level set based shape prior
  68. segmentation,” in Computer Vision and Pattern
  69. Recognition, 2005. CVPR 2005. IEEE Computer
  70. Society Conference on, pp. 1164-1170, 2005.
  71. C. Li, C. Xu, C. Gui, and M. D. Fox, “Level set
  72. evolution without re-initialization: a new variational
  73. formulation,” in Computer Vision and Pattern
  74. Recognition, 2005. CVPR 2005. IEEE Computer
  75. Society Conference on, 2005, pp. 430-436.
  76. M. Ding, Z. Tian, Z. Jin, M. Xu, and C. Cao,
  77. “Registration using robust kernel principal
  78. component for object-based change detection,”
  79. Geoscience and Remote Sensing Letters, IEEE, vol.
  80. , pp. 761-765, 2010.
  81. L. Cao, K. Chua, W. Chong, H. Lee, and Q. Gu, “A
  82. comparison of PCA, KPCA and ICA for
  83. dimensionality reduction in support vector machine,”
  84. Neurocomputing, vol. 55, pp. 321-336, 2003.
  85. R. Babuška, “Fuzzy Modeling for Control Kluwer
  86. Academic Publishers,” Boston, MA, USA, 1998.
  87. D. Gustafson and W. Kessel, “Fuzzy clustering with
  88. a fuzzy covariance matrix,” in 1978 IEEE conference
  89. on decision and control including the 17th
  90. symposium on adaptive processes, pp. 761-766,