palette
بهبود الگوریتم میدان تصادفی مارکوف با هدف آشکارسازی نظارت‏نشدة تغییرات تصاویر SAR چندکاناله
سارا صالحی, محمدجواد ولدان ‏زوج, محمودرضا صاحبی

چکیده
استفاده از داده‏های چندکانالة1 سنجنده‏های رادار با روزنة مجازی (SAR)2، به‌دلیل مستقل‌بودن از شرایط جوی و نور خورشید و نیز دارابودن قابلیت بالا در استخراج تغییرات، در مقایسه با حالت تک‌کاناله، در کاربردهای متفاوتی مانند نظارت بر محیط‌زیست و مدیریت بلایای طبیعی بسیار توجیه‏پذیر است. با این حال، بهره‏برداری از این قابلیت‏ها به استفاده از روش‏های دقیق و اتوماتیک برای تولید نقشه‏های تغییرات از تصاویر اخذشده از منطقة جغرافیایی یکسان، در پلاریزاسیون‏ها یا فرکانس‏های گوناگون مربوط به زمان‏های متفاوت، نیاز دارد. از سوی دیگر، حساسیت به بافت صحیح برای یک پیکسل می‏تواند به حذف خطاهای برچسب‏گذاری پیکسل‏های منفرد کمک کند و نقشة تغییرات را بهبود ‏بخشد. حذف نویز لکه‏ای و ماهیت ایزوتروپیک مدل‏سازی میدان‏های تصادفی مارکوف موجب نرم‌شدن مرزهای مکانی بین مناطق تغییریافته و تغییرنیافته در نقشة تغییرات نهایی می‏شود. به‌منظور حذف یا دست‌کم کاهش این اثر نامطلوب، استفاده از مدل‏ مارکوف با هدف دخیل‌کردن اطلاعات لبه‏ها‏ در فرایند برچسب‏گذاری پیشنهاد می‏شود. این روند دقت لبه‏ها در محل مرزهای مکانی را بهبود می‌بخشد و دقت آشکارسازی تغییرات را ارتقا می‏دهد. در این تحقیق، یک مدل مارکوف به‌منظور تشخیص نظارت‏نشدة تغییرات، ازطریق ترکیب اطلاعات موجود در هریک از کانال‏هایSAR ، اطلاعات بافت مکانی و نیز اطلاعات لبه، معرفی شده و با استفاده از «توابع انرژی» فرموله شده است. به‌منظور برآورد پارامترهای مدل، الگوریتم‏ بیشینه‏سازی امید ریاضی (EM)3 با روش مشتقات لگاریتمی (MoLC)4 ترکیب شده است. الگوریتم پیشنهادی با استفاده از تصاویر ASAR-ENVISAT به‌روش شبیه‏سازی ارزیابی شده است. براساس نتایج، روش پیشنهادی دقت کلی را، در مقایسه با روش‏های موجود آشکارسازی تغییرات (با میانگین 12%)، افزایش داده و قابلیت شناسایی هر سه نوع تغییرات (اندک- متوسط- زیاد) را داراست. این در حالی است که، با درنظرگرفتن اطلاعات باندها و بافت مکانی، قدرت شناسایی تغییرات اندک و متوسط بسیار پایین برآورد شده است. همچنین، با توجه به تعداد دفعات تکرار پایین، زمان اجرای الگوریتم بسیار کاهش یافته است. به‌طورکلی، بیشترین دقت الگوریتم، براساس روش پیشنهادی، 67/99% برآورد شد.
واژگان کلیدی
میدان‏های تصادفی مارکوف، اطلاعات بافت مکانی، اطلاعات لبه، سنجنده‏های رادار با گشودگی مصنوعی، مینیمم‏سازی انرژی.

منابع و مآخذ مقاله

Aanæs, H., Nielsen, A.A., Carstensen, J.M., Larsen, R. & Ersbøll, B.K., 2009, Efficient Incorporation of Markov Random Fields in Change Detection, IEEE Trans. Geosci. Remote Sens., 8(4), PP. 689-692.

Angiati, E., Dellepiane, S., Martino, M., Moser, G. & Serpico, S.B., 2010, Flooding and Change Maps from Cosmo-Skymed Images, Riunione Annuale- Brescia, 21-23 June.

Besag, J., 1974, Spatial Interaction and the Statistical Analysis of Lattice Systems, Journal of the Royal Statistical Society Series B (Methodological), 36(2), PP. 192-236.

Bruzzone, L. & Prieto, D.F., 2000, Automatic Analysis of the Difference Image for Unsupervised Change Detection, IEEE Trans. Geosci. Remote Sensing, 38(3), PP. 1171-1182.

Bujor, F., Trouve, E., Valet, L., Nicolas, J.M. & Rudant, J.P., 2004, Application of Log-Cumulants to the Detection of Spatio-Temporal Discontinuities in Multitemporal SAR Images, IEEE Trans. Geosci.Remote Sens., 42(10), PP. 2073-2084.

Celeux, G., Forbes, F. & Peyrand, N., 2003, EM Procedures Using Mean Field-Like Approximations for Markov Model-Based Image Segmentation, Pattern Recognit., 36(1), PP. 131-144.

Dierking, W. & Skriver, H., 2002, Change Detection for Thematic Mapping by Means of Airborne Multi-Temporal Polarimetric SAR Imagery, IEEE Trans. Geosci. Remote Sens., 40(3), PP. 618-636.

Dubes R.C., & Jain, A.K., 1989, Random Field Models in Image Analysis, J. Appl. Stat., 16(2), PP. 131-163.

Fransson, J.E.S., Walter, F., Blennow, K., Gustavsson, A. & Ulander, L.M.H., 2002, Detection of Storm-Damaged Forested Areas Using Airborne CARABAS-II VHF SAR Image Data, IEEE Trans. Geosci. Remote Sens., 40(10), PP. 2170-2175.

Geman, S. & Geman, D., 1984, Stochastic Relaxation Gibbs Distribution and the Bayesian Restoration of the Image, IEEE Trans. on Pattern Analysis and Machine Intelligence, 6(6), PP. 721-741.

Jackson Q. & Landgrebe, D.A., 2001, An Adaptive Classifier Design for High-Dimensional Data Analysis with a Limited Training Data Set, IEEE Trans. Geosci. Remote Sens., 39(12), PP. 2664-2679.

Jackson, Q. & Landgrebe, D., 2002, Adaptive Bayesian Contextual Classification Based on Markov Random Fields, IEEE Trans. Geosci. Remote Sens., 40(11), PP. 2454-2463.

Li, S.Z., 2009, Markov Random Field Modeling in Image Analysis, London: Springer.

Liang, L.R. & Looney, C.G., 2003, Competitive Fuzzy Edge Detection, Applied Soft Computing, 3, PP. 123-137.

Liming, J., Mingsheng, L., Lu, Z.H. & Hui, L., 2007, Unsupervised Change Detection in Multitemporal SAR Images Using MRF Models, Geo-spatial Information Science, 10(2), PP. 111-116.

Looney, C.G., 2001, A Fuzzy Classifier Network with Ellipsoidal Epanechnikovs, Computer Science Department, University of Nevada, Reno, NV.

Moser, G. & Serpico, S.B., 2006, Generalized Minimum-Error Thresholding for Unsupervised Change Detection from SAR Amplitude Imagery, IEEE Trans. Geosci. Remote Sens., 44(10), PP. 2972-2982.

Moser, G. & Serpico, S.B., 2009, Unsupervised Change Detection from Multichannel SAR Data by Markovian Data Fusion, IEEE Trans. Geosci. Remote Sens., 47(7), PP. 2114-2127.

Moser, G. & Serpico, S.B., 2010, Unsupervised Change Detection with Very High-Resolution SAR Images by Multiscale Analysis and Markov Random Fields, IEEE Trans. Geosci. Remote Sens., 8(4), PP. 3082-3085.

Nicolas, J.M., 2002, Introduction aux statistiques de deuxième espéce: Applications des log-moments et des log-cumulants a l’analyse des lois d’images radar, Trait. Signal, 19, PP. 139-167.

Sneddon, I., 1972, The Use of Integral Transforms, New York: McGraw-Hill.

Solberg, A.H.S., Taxt, T. & Jain, A.K., 1996, A Markov Random Field Model for Classification of Multisource Satellite Imagery, IEEE Trans. Geosci.Remote Sens., 34(1), PP. 100-113.

Tso, B. & Mather, M., 2001, Classification Methods for Remotely Sensed Data, London: Taylor and Francis Ltd.

Touzi, R., Lopez, A. & Bousquet, P., 1988, A Statistical and Geometrical Edge Detector for SAR Images, IEEE Trans. Geosci. Remote Sens., 26(6), PP. 764-773.

Vaccaro, R., Smits, P.C. & Dellepiane, S.G., 2000, Exploiting Spatial Correlation Features for SAR Image Analysis, IEEE Trans. Geosci.Remote Sens., 38(3), PP. 1212-1223.


ارجاعات
  • در حال حاضر ارجاعی نیست.