تحليل قابليت شاخص‌هاي ارزيابي کيفيت تصاویر تلفیق‌شدۀ ماهواره‌ای با مدلسازی تخريب طيفي و مکاني

مهرنوش شاکری‌پور, فردین میرزاپور, علی درویشی بلورانی, سید کاظم علوی‌پناه

چکیده


تلفیق تصاویر ماهواره‌ای و ایجاد داده­هایي با قابلیت مکانی و طیفی بالاتر از داده­هاي موجود جایگاه و نقشی ویژه در مباحث سنجش از دور دارد. این درحالی است که دقت و کارآیی همۀ مراحل پردازش در مسیر استفاده از این داده­ها  به دقت و اعتمادپذیری دادۀ تولیدشده وابسته است. درنهايت، استفادۀ بهينه از تصوير تلفيق‌شده مبتني بر دقت روش تلفيق است. بررسي اين مهم به انتخاب درست شاخص ارزيابي، متناسب با هدف و حيطۀ کاربرد تصوير تلفیق‌شده، نیاز دارد. ارجحيت حفظ اطلاعات مکاني و طيفي درکاربردهاي گوناگون، همچون منابع طبيعي، مناطق شهري و مانند آن، متفاوت است. بنابراين، انتخاب بهترين روش تلفیق با بررسي ازطريق شاخص­هاي ارزيابي کیفیت تصویر متناسب با حیطۀ کاربرد تصویر یکی از چالش‌هاي کاربران در این زمینه است. ازاين‌رو، مقالۀ حاضر به آناليز و ارزيابي بیست روش رايج ارزيابي کيفيت تصویر، با هدف معرفی شاخص مناسب در بین شاخص های مطرح براساس کاربرد تصویر تلفیق‌شده، معرفی عوامل تفاوت نظر شاخص­ها در بیان کیفیت و ارائۀ مدلی برای دریافتن توانای هریک از شاخص­ها در نمایش اعوجاجات رخ‌داده در جنبۀ اطلاعات طیفی و مکانی تصویر پرداخته است. بدين منظور، دو شاخص فیلتر بالاگذر و زاویۀ نگاشت طیفی به‌منزلۀ مبنای اطلاعات مکانی و طیفی تصویر درنظر گرفته شد و عملکرد هریک از شاخص ها در بیان کیفیت داده‌های شبیه‌سازی‌شده، که شامل تصاویری با اعوجاج طیفی و مکانی کنترل شده است، بررسی شد. براي ايجاد اعوجاج طيفي از اثر اعمال فيلتر بالاگذر، جابه‌جايي باند و تغيير تن رنگ بهره گرفته شده است. همچنين، از فيلتر پايين‌گذر و عملگرهاي فرسايشي با عنصر ساختاری با ابعاد متفاوت برای مخدوش کردن اطلاعات مکانی استفاده شده است. در بررسي‌هاي انجام‌شده در اين تحقيق، از تصاوير ماهواره‌هاي Landsat8،EO-1 وWorldview که قدرت تفکيک طيفي و مکاني متفاوت دارند، استفاده  شد. از هر تصوير قطعاتي با کاربري اراضي متفاوت به‌منزلۀ تصاویر تست برش داده شد. نتیجۀ ارزيابي شاخص­ها روی تصاویر تست دسته‌بندی شاخص‌ها، از نظر توانایی نمایش انحرافات طیفی و مکانی، در سه گروه قرار می‌گیرد. دستۀ نخست روش‌هاي مبتني بر نويز براي ارزيابي کلي تصوير در مقابل نويز است، شامل شاخص‌هاي ERGAS، MSE، PSNR، WSNR. دستۀ دوم روش‌هاي هم‌سو با روش نگاشت زاويۀ طيفي« SAM» که به‌دليل نمايش بهتر انحرافات طيفي، براي برآورد تخریب اطلاعات طیفی تصویر مناسب‌تر است و شاخص‌هاي BIAS, RASE, Q, MSSIM, NQM, FSIM, SRSIM, SAM را دربر می‌گیرد. دستۀ سوم شاخص هم‌روند با شاخص فيلتر بالاگذر «HPF»، شامل شاخص‌های MAD و RFSIM است که براي برآورد تخریب اطلاعات مکانی تصویر مناسب‌تر است.

واژگان کلیدی


سنجش از دور، فیلتر بالاگذر ، شاخص نگاشت زاویۀ طیفی، اطلاعات طیفی و مکانی.

تمام متن:

PDF

منابع و مآخذ مقاله


Al-Wassai, F. A., Kalyankar, N.V. & Al-Zuky, A.A., 2011, Arithmetic and Frequency Filtering Methods of Pixel-Based Image Fusion Techniques, Computer vision and pattern recognition, arXiv preprint arXiv: 1107.3348.

Chandler, D.M. & Hemami, S.S., 2007, VSNR: A Wavelet-Based Visual Signal-to-Noise Ratio for Natural Images, Image Processing, IEEE Transactions on, 16(9), 2284-2298.

Damera-Venkata, N., Kite, T.D., Geisler, W.S., Evans, B.L. & Bovik, A.C., 2000, Image Quality Assessment Based on a Degradation Model, Image Processing, IEEE Transactions on, 9(4), 636-650.

Han, S.S., Li, H.T. & Gu, H.Y., 2008, The Study on Image Fusion for High Spatial Resolution Remote Sensing Images, Int Arch Photogram Rem Sens Spatial Inform Sci, 37, 1159-1163.

Hoult, D.I. & Richards, R.E., 1976, The Signal-to-Noise Ratio of the Nuclear Magnetic Resonance Experiment, Journal of Magnetic Resonance (1969), 24(1), 71-85.

Hu, X., Lu, H., Zhang, L. & Serikawa, S., 2010, A New Type of Multi-Focus Image Fusion Method Based on Curvelet Transforms, In Electrical and Control Engineering (ICECE), 2010, June, International Conference on pp. 172-175.

Kite, T.D., Evans, B.L. & Bovik, A.C., 2000, Modeling and Quality Assessment of Halftoning by Error Diffusion, Image Processing, IEEE Transactions on, 9(5), 909-922.

Kim, Y., Lee, C., Han, D., Kim, Y. & Kim, Y., 2011, Improved Additive-Wavelet Image Fusion, Geoscience and Remote Sensing Letters, IEEE, 8(2), 263-267.

Klonus, S. & Ehlers, M., 2009, Performance of Evaluation Methods in Image Fusion, In Information Fusion, 2009, July, FUSION'09. 12th International Conference on pp. 1409-1416 IEEE.

Larson, E.C. & Chandler, D.M., 2010, Most Apparent Distortion: Full-Reference Image Quality Assessment and the Role of Strategy, Journal of Electronic Imaging, 19(1), 011006-011006.

Mattappillil, J., Soundarya Mala, P., Sailaja, V. & Mahidar, R., 2013, Comparative Evaluation of Image Fusion Technique Using Shift Invariant Transforms, Journal of Engineering Research and Application,(3), 1073-1076.

Raut, G.N., Paikrao, P.L. & Chaudhari, D.S., 2013, A Study of Quality Assessment Techniques for Fused Images, International Journal of Innovative Technology and Exploring Engineering (IJITEE), 2, 290-294.

Robila, S.A., 2005, Using Spectral Distances for Speedup in Hyperspectral Image Processing, International Journal of Remote Sensing, 26(24), 5629-5650.

Sayood, K., 2002, Statistical Evaluation of Image Quality Measures, Journal of Electronic imaging, 11(2), 206-223.

Shi, W., Zhu, C., Tian, Y. & Nichol, J., 2005, Wavelet-Based Image Fusion and Quality Assessment, International Journal of Applied Earth Observation and Geoinformation, 6(3), 241-251.

Wald, L., 2000, Quality of High Resolution Synthesised Images: Is There a Simple Criterion?, In Proceedings, pp. 99-103.

Wang, Z. & Simoncelli, E.P., 2004, Stimulus Synthesis for Efficient Evaluation and Refinement of Perceptual Image Quality Metrics, In Electronic Imaging ,2004, June, pp. 99-108, International Society for Optics and Photonics.

Wang, Z. & Bovik, A.C., 2002, A Universal Image Quality Index, Signal Processing Letters, IEEE, 9(3), 81-84.

Wang, Z., Bovik, A.C., Sheikh, H.R. & Simoncelli, E.P.,2004, Image Quality Assessment: from Error Visibility to Structural Similarity, Image Processing, IEEE Transactions on, 13(4), 600-612.

Yuhendra, Y., Alimuddina, I., Sri Sumantyoa, J.T. & Kuze, H., 2012, Assessment of Pan-Sharpening Methods Applied to Image Fusion of Remotely Sensed Multi-Band Data, International Journal of Applied Earth Observation and Geoinformation ,18. 165–175.

Zhang, F., Ma, L., Li, S. & Ngan, K.N., 2011, Practical Image Quality Metric Applied to Image Coding, Multimedia, IEEE Transactions on 13(4), 615-624.

Zhang, L. & Li, H., 2012, SR-SIM: A Fast and High Performance IQA Index Based on Spectral Residual, In Image Processing (ICIP), 2012, September, 19th IEEE International Conference on pp. 1473-1476, IEEE.

Zhang, L., Zhang, D. & Mou, X., 2010, RFSIM: A Feature Based Image Quality Assessment Metric Using Riesz Transforms, In Image Processing (ICIP), 2010, September, 17th IEEE International Conference on pp. 321-324, IEEE.

Zhang, L., Zhang, D. & Mou, X., 2011, FSIM: A Feature Dimilarity Index for Image Quality Assessment, Image Processing, IEEE Transactions on, 20(8), 2378-2386.

Zhang, Yun., 2008, Methods for Image Fusion Quality Assessment-A Review, Comparison and Analysis, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37, 1101-1109.


ارجاعات

  • در حال حاضر ارجاعی نیست.