نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

ادغام تصویر در سطح بخش شامل تقسیم‌بندی تصویر با وضوح فضایی بالاتر (HSR) برای استخراج مرزهای اشیاء پوشش زمین، و سپس استخراج توصیف‌گرهای اضافی از بخش‌های تصویر (چند ضلعی‌ها) از یک تصویر با وضوح فضایی پایین (LSR) است. در تحقیقات گذشته، یک رویکرد همجوشی در سطح بخش بدون وزن (USF)، که اطلاعات را از یک تصویر LSR نمونه‌برداری مجدد استخراج می‌کند، منجر به طبقه‌بندی پوشش زمین دقیق‌تر از استفاده از تصاویر HSR به تنهایی شد. با این حال، ادغام ساده تصویر LSR با چند ضلعی های بخش ممکن است منجر به خطاهای قابل توجهی به دلیل سطح بالای نویز در پیکسل ها در امتداد مرزهای بخش شود (به عنوان مثال، پیکسل های حاوی چندین نوع پوشش زمین). برای کاهش این، یک روش همجوشی در سطح قطعه (SWSF) با وزن فضایی برای استخراج توصیفگرها (میانگین مقادیر طیفی) بخش‌ها از تصاویر LSR پیشنهاد شد. SWSF وزن پیکسل‌های LSR واقع در مرزهای بخش یا نزدیک به آن را کاهش می‌دهد تا خطاها در فرآیند همجوشی کاهش یابد. در مقایسه با رویکرد USF، SWSF زمانی که نسبت وضوح تصویر LSR به وضوح تصویر HSR بیشتر از 2:1 بود، ویژگی‌های طیفی دقیق‌تری از اجسام پوشش زمین استخراج کرد و همچنین نشان داده شد که SWSF دقت طبقه‌بندی را افزایش می‌دهد. SWSF را می توان برای ادغام هر نوع تصویر در سطح قطعه استفاده کرد زیرا به تفاوت های طیفی بین تصاویر LSR و HSR حساس نیست (مثلاً محدوده های طیفی مختلف تصاویر یا تاریخ های مختلف دریافت تصویر).
کلید واژه ها: 

تجزیه و تحلیل تصویر مبتنی بر شی ; جوبیا _ ادغام تصویر ; همجوشی در سطح ویژگی

 

چکیده گرافیکی

1. معرفی

تقسیم بندی تصویر به یک کار پیش پردازش کاملاً رایج در سنجش از دور تبدیل شده است. این شامل تقسیم یک تصویر به مناطق نسبتاً همگن (چند ضلعی) است که اغلب به عنوان “قطعات تصویر” یا “اشیاء تصویر” نامیده می شود [ 1 ]. سپس این بخش‌های تصویر برای پردازش تصویر بیشتر استفاده می‌شوند (به عنوان مثال، طبقه‌بندی مبتنی بر شی یا وظایف رگرسیون)، یا به جای [ 1 ، 2 ، 3 ، 4 ، 5 ] یا در ترکیب با [ 6 ، 7 ، 8 .] پیکسل های مجزا. توصیفگرهای پیکسل‌های واقع در یک قطعه تصویر، مانند مقادیر بازتاب پیکسل‌ها در طول موج‌های الکترومغناطیسی مختلف، معمولاً برای استخراج چندین توصیفگر بخش، مانند مقدار بازتاب متوسط ​​آن در طول‌موج‌های الکترومغناطیسی مختلف، استفاده می‌شوند. مقادیر متوسط ​​طیفی (به عنوان مثال، تابش، بازتاب، و غیره ) احتمالاً متداول‌ترین توصیفگرهای مورد استفاده بخش‌های تصویر هستند، اگرچه توصیف‌گرهای بافتی و توصیف‌گرهای هندسی نیز اغلب استفاده می‌شوند (به عنوان مثال، [ 2 ، 4 ، 5 ، 9 ]). در این مطالعه، تمرکز بر میانگین مقادیر طیفی بخش‌های تصویر، مشتق‌شده از پیکسل‌های درون هر بخش است.
روش‌های موجود برای محاسبه میانگین مقادیر طیفی شامل تخصیص وزن‌های مساوی به تمام پیکسل‌های داخل یک قطعه، همانطور که در شکل 1 نشان داده شده است. با این حال، به دلایل مختلف، ممکن است ترجیح داده شود که مقادیر طیفی متوسط ​​را با استفاده از یک روش محاسبه وزنی به جای وزن دادن ساده همه پیکسل ها به طور مساوی بدست آوریم. به عنوان مثال، همانطور که در شکل 2 نشان داده شده است ، در برخی موارد یک قطعه ممکن است یک یا چند پیکسل را قطع کند، که باعث می شود پیکسل ها فقط تا حدی در داخل قطعه قرار بگیرند ( یعنی، “اشیاء فرعی جزئی” بخش). این اغلب در صورتی اتفاق می‌افتد که تصویری با وضوح فضایی بالاتر (HSR) قطعه‌بندی شود و سپس چند ضلعی‌های قطعه بر روی یک تصویر با وضوح فضایی پایین‌تر (LSR) پوشانده شوند تا توصیفگرهای اضافی از بخش‌ها، مانند وضوح طیفی بالاتر [ 10 ، 11 ] یا بالاتر به دست آید. اطلاعات تفکیک زمانی در مقایسه با ادغام تصویر مبتنی بر پیکسل، که امروزه در سنجش از دور نسبتاً رایج است [ 12 ]، مطالعات کمی ادغام را در سطح بخش (چند ضلعی) بررسی کرده اند [ 10 ، 13 ، 14 ]. در اینجا، برای سادگی، این روش به عنوان ادغام در سطح قطعه (که در [ 11 ] به عنوان ادغام در سطح پیکسل/ویژگی نیز شناخته می‌شود) نامیده می‌شود.
Ijgi 04 00172 g001 1024
شکل 1. یک چند ضلعی قطعه تصویر (خط پررنگ) که روی شبکه ای از پیکسل ها با مقادیر شدت ( a ) پوشانده شده است. وزن های اختصاص داده شده به پیکسل های درون چند ضلعی ( b )؛ مقادیر جدید محاسبه شده با ضرب مقادیر شدت پیکسل در وزن آنها ( c ). مقدار میانگین شدت قطعه ( d )؛ با تقسیم مجموع مقادیر (ج) بر مجموع وزنهای (ب) محاسبه می شود.
ساده‌ترین روش همجوشی در سطح بخش، نمونه‌برداری مجدد تصویر LSR برای مطابقت با تصویر HSR است که بخش‌ها از آن مشتق شده‌اند، همانطور که در شکل 2 نشان داده شده است ، و سپس محاسبه مقدار میانگین بخش از پیکسل‌های نمونه‌گیری مجدد. در اینجا، این به عنوان رویکرد ترکیبی در سطح بخش بدون وزن (USF) نامیده می‌شود، و در بسته‌های نرم‌افزار تقسیم‌بندی تصویر رایج مانند Trimble’s eCognition [ 15 ] پیاده‌سازی می‌شود (یا اجرای آن آسان است). با این حال، اشیاء فرعی جزئی به عنوان توصیفگر بخش ایده‌آل نیستند زیرا تا حدی از مکان‌های خارج از قسمتی که توصیف می‌کنند مشتق شده‌اند. این باعث می‌شود که توصیف‌کننده‌های دقیق‌تر بخش نسبت به پیکسل‌هایی که کاملاً در داخل بخش با وضوح فضایی اصلی خود قرار دارند (به عنوان مثال، “اشیاء فرعی واقعی” بخش). علاوه بر این مشکلات مربوط به اشیاء فرعی جزئی، اشیاء فرعی واقعی یک بخش نیز ممکن است حاوی نویزهای ناخواسته از مناطق نزدیک باشد، به ویژه اشیاء فرعی واقعی که در مجاورت مرزهای بخش قرار دارند. این نویز می تواند ناشی از عوامل زیادی باشد، از جمله بازتاب الکترومغناطیسی پراکنده از اجسام پوشش زمین مجاور، تاری حرکت، و/یا خطاهای موقعیت جغرافیایی در یک یا چند تصویر. بنابراین، در بسیاری از موارد، پیکسل‌هایی که روی یا نزدیک مرز یک قطعه قرار دارند، توصیف‌کننده‌های دقیق‌تری از بخش نسبت به پیکسل‌هایی هستند که در مکان‌های داخلی بیشتری در داخل قطعه قرار دارند. بنابراین، در حالی که مطالعات قبلی در مورد همجوشی در سطح بخش از رویکرد USF استفاده کرده اند، ممکن است ترجیح داده شود که وزن پیکسل ها بر اساس فاصله آنها از مرزهای بخش تنظیم شود (به عنوان مثال، وزن پیکسل های نمونه برداری مجدد واقع در نزدیکی مرزهای بخش) را برای محاسبات مقدار میانگین بخش کاهش دهید.
Ijgi 04 00172 g002 1024
شکل 2. چند ضلعی قطعه تصویر (خط پررنگ) روی شبکه ای از پیکسل ها با مقادیر شدت ( a ) همپوشانی شده است. پیکسل های متقاطع در (a) اشیاء فرعی بخشی از بخش هستند، در حالی که پیکسل هایی که کاملاً در داخل قطعه قرار دارند، اشیاء فرعی واقعی بخش هستند. پیکسل های (a) با استفاده از نمونه برداری مجدد از نزدیکترین همسایه به ½ وضوح فضایی اولیه خود (مثلاً از 30 متر تا 15 متر) نمونه برداری می شوند و مقادیر شدت پیکسل های نمونه برداری مجدد در ( b ) نشان داده شده است.
در این مطالعه، یک رویکرد همجوشی در سطح بخش با وزن فضایی (SWSF) برای استخراج مقادیر میانگین بخش از یک تصویر LSR پیشنهاد شده‌است. رویکرد پیشنهادی شامل موارد زیر است: (1) بخش بندی یک تصویر HSR. (2) نمونه برداری مجدد از یک تصویر LSR برای مطابقت با تصویر HSR. (3) محاسبه وزن فضایی برای هر پیکسل LSR نمونه برداری مجدد بر اساس فاصله اقلیدسی آن از مرز قطعه ای که در آن قرار دارد. و (4) محاسبه مقدار میانگین هر بخش بر اساس مقادیر پیکسل های LSR نمونه گیری مجدد و وزن فضایی آنها. رویکرد SWSF پیشنهادی با رویکرد USF سنتی مقایسه می‌شود تا مشخص شود کدام یک برای ادغام تصاویر در سطح بخش با وضوح‌های فضایی متفاوت مناسب‌تر است. ما عملکرد SWSF و USF را با استفاده از دو مطالعه موردی ارزیابی کردیم.

2. روش ها

2.1. مطالعه موردی 1: منطقه شهری

2.1.1. منطقه و داده های مطالعه

در مطالعه موردی اول، یک تصویر هوایی مادون قرمز رنگی با وضوح 0.3 متر (CIR) از یک منطقه شهری در ساحل دیرفیلد، ایالات متحده (26.28 درجه شمالی، 80.08 درجه غربی) برای نشان دادن عملکرد رویکرد SWSF پیشنهادی تحت چندین سناریو مختلف استفاده شد. ( به عنوان مثال ، چندین نسبت تصویر مختلف LSR:HSR). هدف از این مطالعه موردی ارزیابی این بود که آیا USF یا SWSF می‌توانند مقادیر طیفی دقیق‌تری از ویژگی‌های پوشش زمین شهری را در این سناریوها استخراج کنند. تصویر منطقه مورد مطالعه 500 × 500 پیکسل بود و شامل انواع پوشش زمین شهری از جمله ساختمان‌ها، وسایل نقلیه (خودروها و قایق‌ها)، پیاده‌روها با ویژگی‌های بازتابی متفاوت، پوشش گیاهی مخلوط، استخرها و یک کانال بود. مقادیر پیکسل در واحدهای عدد دیجیتال (DN) از 0 تا 255 (داده 8 بیتی) بود.
یک تقسیم بندی مرجع از صحنه با دیجیتالی کردن دستی مرز هر شیء پوشش زمین در تصویر (در مجموع 415 چند ضلعی) به دست آمد. چند ضلعی های برداری دیجیتالی به وضوح 0.3 متر شطرنجی شدند تا با وضوح فضایی تصویر ارتو مطابقت داشته باشند. اغلب، روش‌های خودکار، مانند الگوریتم تقسیم‌بندی چند وضوح [ 1 ] که در eCognition [ 15 ] پیاده‌سازی می‌شود، برای تقسیم‌بندی تصویر استفاده می‌شود، اما چند ضلعی‌هایی که به صورت دستی مشخص شده‌اند نیز استفاده می‌شوند، به‌ویژه زمانی که دقت بسیار بالایی مورد نظر باشد (مثلاً برای ترسیم کردن). مرزهای مالکیت قانونی، انواع مهم پوشش گیاهی و غیره). روش SWSF پیشنهادی را می توان برای بخش های تولید شده توسط قطعه بندی تصویر خودکار یا دستی اعمال کرد. در این مطالعه موردی اول از یک تقسیم‌بندی دستی استفاده شد (در حالی که در مطالعه موردی دوم از یک تقسیم‌بندی خودکار استفاده شد).

2.1.2. استخراج میانگین مقادیر طیفی بخش ها از تصاویر شبیه سازی شده LSR

برای ادغام در سطح بخش، در حالت ایده آل، توصیفگرهای قطعه استخراج شده از یک تصویر LSR باید معادل توصیفگرهای قطعه ای باشند که اگر تصویر LSR با وضوح فضایی مشابه HSR به دست آید، استخراج می شود. به عنوان مثال، اگر یک تصویر Landsat با وضوح 30 متر قطعه بندی شود و مقادیر قطعه اضافی از یک تصویر MODIS با وضوح 250 متر استخراج شود، توصیفگرهای قطعه استخراج شده از تصویر MODIS باید در حالت ایده آل معادل توصیفگرهای قطعه ای باشند که از یک تصویر 30 متری استخراج می شوند. وضوح تصویر MODIS. از آنجایی که آزمایش این ویژگی با استفاده از داده های واقعی غیرممکن است، در این مطالعه تصویر HSR به چندین وضوح فضایی درشت تر برای تولید تصاویر شبیه سازی شده LSR تنزل داده شد. و مقادیر میانگین قطعه استخراج شده از تصویر HSR با مقادیر استخراج شده از تصاویر LSR مقایسه شد. نمونه گیری مجدد کانولوشن مکعبی [16 ]، پیاده سازی شده در ESRI ArcGIS 10، برای تولید تصاویر LSR شبیه سازی شده استفاده شد، و سپس تصاویر LSR مجدداً به وضوح 0.3 متر توسط نمونه گیری مجدد نزدیکترین همسایه برای مطابقت با تصویر HSR نمونه برداری شدند. تصاویر LSR در دو زمان (0.6 متر)، سه بار (0.9 متر)، پنج برابر (1.5 متر) و ده برابر (3.0 متر) وضوح فضایی تصویر HSR برای ارزیابی عملکرد در وضوح تصویر نسبی مختلف تولید شد (2). :1، 3:1، 5:1، 10:1). فقط از باند فروسرخ نزدیک (NIR) برای این تحلیل استفاده شد، زیرا در مطالعه قبلی منطقه [ 17 ] مفیدترین باند برای تشخیص اجسام پوشش زمین است، اما نتایج باید برای همه باندهای طیفی مشابه باشد زیرا تنها وضوح فضایی تصاویر تغییر کرد. شکل 3بخش های تصویر مرجع را نشان می دهد که روی باند NIR در چهار وضوح فضایی مختلف پوشانده شده اند.
Ijgi 04 00172 g003 1024
شکل 3. بخش های تصویر مرجع (خطوط سفید) روی تصویر مادون قرمز نزدیک منطقه مورد مطالعه با وضوح های فضایی 0.3 متر ( a )، 0.6 متر ( b )، 1.5 متر ( c ) و 3.0 متر ( d ) قرار گرفته اند.
از آنجایی که هدف در این آزمایش بدست آوردن مقادیر میانگین بخش استخراج شده از تصویر LSR است تا با مقادیر میانگین استخراج شده از تصویر مرجع HSR مطابقت داشته باشد، برای اینکه SWSF موثر باشد باید مقادیری شبیه مقادیر HSR نسبت به رویکرد USF تولید کند. . میانگین خطای میانگین (MAE) و ریشه میانگین مربعات خطا (RMSE) هر دو برای اندازه گیری تفاوت بین مقادیر میانگین بخش استخراج شده از تصاویر HSR و LSR استفاده شدند.

2.1.3. همجوشی در سطح بخش با وزن فضایی (SWSF)

همانطور که قبلاً بحث شد، SWSF وزن‌های فضایی را به پیکسل‌های LSR نمونه‌برداری‌شده (۰.۳ متر) بر اساس فاصله اقلیدسی آنها از مرزهای بخش اختصاص می‌دهد. سپس از این وزن‌های فضایی برای محاسبه میانگین وزنی (WM) مقدار هر بخش استفاده می‌شود که به‌واسطه:

دبلیوم= ∑ni = 1(wمنyمن)∑ni = 1wمندبلیوم= ∑من=1�(�من�من)∑من=1��من

که در آن n تعداد پیکسل های داخل قطعه است، w i وزن فضایی پیکسل i است و y i مقدار پیکسل پیکسل i است.

برای سادگی تصویر، فواصل بر حسب واحد پیکسل، از مرکز یک پیکسل تا نزدیکترین مرز چند ضلعی محاسبه شد، همانطور که در شکل 4 نشان داده شده است. نه طرح وزنی مختلف برای استخراج وزن‌های فضایی از این اندازه‌گیری‌های فاصله مورد آزمایش قرار گرفتند، زیرا موثرترین طرح وزن ممکن است بر اساس وضوح فضایی تصویر LSR نسبت به تصویر HSR متفاوت باشد. در هر نه طرح وزن‌دهی، وزن‌های فضایی به‌طور خطی افزایش می‌یابند تا زمانی که به آستانه‌ی مسافت معینی برسند، پس از آن افزایش آن متوقف می‌شود. تخصیص وزن فضایی 0 به هر پیکسل می تواند باعث شود برخی از بخش های تصویر دارای WM باشندمقادیر 0 (به عنوان مثال، اگر یک بخش فقط از اشیاء فرعی جزئی تشکیل شده باشد، که غیرعادی نیست)، بنابراین همه پیکسل ها در 9 طرح وزنی دارای وزن > 0 هستند. برای اولین طرح وزن‌دهی، W1، وزن‌های فضایی به‌طور خطی افزایش می‌یابد تا فاصله یک واحد پیکسل ( یعنی 0.3 متر) از مرز قطعه، همانطور که در شکل 5 نشان داده شده است. بنابراین، در این طرح وزن‌دهی، تنها پیکسل‌هایی که به صورت عمودی، افقی یا مورب مجاور مرزهای بخش هستند با وزن‌های کمتر جریمه می‌شوند (به عنوان مثال ، وزن‌های <1). هشت طرح وزنی دیگر – W2-W9 – به طور مشابه با W1 محاسبه می شوند، اما با آستانه های فاصله متفاوت. همانطور که در شکل 5 نشان داده شده استبرای W2، W3 و W4، وزن‌های فضایی به‌طور خطی افزایش می‌یابد تا به فاصله 2، 3، یا 4 واحد پیکسل ( یعنی 0.6-1.2 متر)، به ترتیب (وزن برای W5-W9 تا 5-9 واحد پیکسل افزایش می‌یابد). ، به ترتیب). بنابراین W9 بیشترین تعداد پیکسل را جریمه می کند و کمترین وزن را به پیکسل های جریمه شده اختصاص می دهد و به دنبال آن W8، W7 و غیره قرار می گیرند.
Ijgi 04 00172 g004 1024
شکل 4. فاصله اقلیدسی، بر حسب واحد پیکسل، از مرکز هر پیکسل (نقطه خاکستری) تا نزدیکترین مرز قطعه (خط سفید).
Ijgi 04 00172 g005 1024
شکل 5. وزن های فضایی محاسبه شده از فاصله، بر حسب واحد پیکسل، بین یک پیکسل و نزدیکترین مرز قطعه. طرح های وزن دهی 1-4 (W1-W4) به ترتیب در ( a – d ) نشان داده شده است.

2.2. مطالعه موردی 2: منطقه مختلط کشاورزی/جنگل

2.2.1. منطقه و داده های مطالعه

برای مطالعه موردی دوم از یک تصویر ماهواره‌ای RapidEye تصحیح‌شده از یک منطقه مختلط کشاورزی/جنگل در Tham Khae، تایلند (16.60 درجه شمالی، 102.42 درجه شرقی) استفاده شد. هدف از این مطالعه موردی تعیین این بود که آیا رویکرد SWSF می‌تواند به دقت طبقه‌بندی تصویر بالاتر از رویکرد USF منجر شود یا خیر. اگرچه RapidEye فاصله نمونه برداری از زمین 6.5 متر دارد، تصاویر تصحیح شده با اندازه پیکسل 5 متر ارائه می شوند. تصویر منطقه مورد مطالعه 778 × 721 پیکسل بود و حاوی ترکیبی از زمین های کشاورزی، جنگلی و ساخته شده بود. مقادیر پیکسل در واحدهای عددی دیجیتال (12 بیت) بود. یک تقسیم‌بندی خودکار صحنه با استفاده از الگوریتم تقسیم‌بندی چند وضوح [ 1 ] و روش بهینه‌سازی پارامتر تقسیم‌بندی در [ 17 ] به دست آمد.

2.2.2. طبقه بندی یک تصویر LSR شبیه سازی شده

همانطور که در بخش 2.1.2 ، نمونه‌برداری مجدد کانولوشن مکعبی برای تولید یک تصویر LSR با وضوح 30 متر شبیه‌سازی شده استفاده شد. وضوح این تصویر شبیه سازی شده در مقایسه با وضوح اصلی تصویر بین نسبت 4:1 و 5:1 بود و برای ادغام تصاویر RapidEye و Landsat (یا مشابه) معمولی است. سپس تصویر LSR 30 متری توسط نمونه‌گیری مجدد نزدیک‌ترین همسایه به وضوح 5 متر برای مطابقت با اندازه پیکسل تصویر HSR دوباره نمونه‌برداری شد.
برای مقایسه تأثیر SWSF و USF بر طبقه‌بندی تصویر، یک کار طبقه‌بندی نسبتاً ساده اما رایج انجام شد. یک طبقه‌بندی دوتایی “گیاهی”/”غیر پوشش گیاهی” بخش‌های تصویر با استفاده از آستانه شاخص گیاهی تفاوت نرمال شده (NDVI) [ 18]. در عمل، مقادیر قطعه مشتق شده از هر دو تصویر HSR و LSR معمولاً برای طبقه‌بندی استفاده می‌شوند، اما از آنجایی که هدف در اینجا فقط مقایسه SWSF و USF بود، فقط مقادیر بخش مشتق‌شده از LSR (به ترتیب میانگین‌های وزنی و غیروزنی NDVI) برای طبقه بندی استفاده شد. مقادیر بخش تصویر مشتق‌شده از HSR در عوض برای استخراج یک نقشه پایه «گیاهی»/«غیر گیاهی» برای مقایسه با طبقه‌بندی‌های مبتنی بر شی LSR استفاده شد. برای طبقه‌بندی پایه HSR، آستانه NDVI 0.25 برای جداسازی پوشش گیاهی و غیر گیاهی بر اساس ارزیابی بصری بهترین عملکرد را داشت، بنابراین این آستانه برای همه طبقه‌بندی‌های باینری استفاده شد. اگرچه طبقه بندی پایه 100٪ دقیق نیست، اما به دلیل وضوح فضایی بالاتر، فرض می شود که دقیق تر از طبقه بندی های LSR است. و در نتیجه برای ارزیابی آنها مفید است. بر اساس نتایج حاصل از مطالعه موردی اول (گزارش شده دربخش 3 )، طرح وزن دهی فضایی W2 برای SWSF استفاده شد (مشخص شد که برای نسبت تصویر 5:1 به خوبی کار می کند).

3. نتایج و بحث

3.1. مطالعه موردی 1: منطقه شهری

یافته‌های اصلی برای مطالعه موردی شهری، نشان‌داده‌شده در جدول 1 ، عبارت بودند از: (1) رویکرد SWSF پیشنهادی منجر به مقادیر MAE و RMSE کمتری نسبت به رویکرد USF سنتی شد، زمانی که نسبت وضوح تصویر LSR به وضوح تصویر HSR 3 بود. :1 (0.9 متر: 0.3 متر) یا بالاتر؛ (2) موثرترین طرح وزن دهی فضایی بر اساس وضوح فضایی تصویر LSR نسبت به تصویر HSR متفاوت است. و (3) مقادیر MAE و RMSE با کاهش وضوح فضایی تصویر LSR (همانطور که باید انتظار داشت) افزایش یافت.
با توجه به عملکرد طرح های مختلف وزن دهی SWSF، روندهای واضحی برای هر تصویر LSR وجود داشت. برای تصاویر 0.6 متری (نسبت 2:1) و 0.9 متری (نسبت 3:1)، MAE و RMSE با کاهش وزن پیکسل های لبه (به عنوان مثال ، از W1 به W9) افزایش یافت. برای تصویر 1.5 متری (نسبت 5:1)، با کاهش وزن پیکسل های لبه تا W2-W3، خطاها کاهش یافت و سپس با کاهش بیشتر وزن پیکسل های لبه، دوباره افزایش یافت. در نهایت، برای تصویر 3.0 متری (نسبت 10:1)، با کاهش وزن پیکسل های لبه، خطاها کاهش یافت، اما پس از W5-W6 هیچ تغییر قابل توجهی وجود نداشت. برای همه تصاویر LSR، تغییرات کمی در مقادیر MAE و RMSE برای W6-W9 وجود داشت، زیرا بسیاری از بخش‌ها هیچ پیکسلی با فاصله بیش از 6 از مرز خود نداشتند.
جدول
جدول 1. میانگین خطای میانگین (MAE) و ریشه میانگین مربعات خطا (RMSE) مقادیر میانگین بخش استخراج شده از تصاویر با وضوح فضایی پایین تر. مقادیر پررنگ نشان دهنده کمترین مقادیر MAE و RMSE برای هر تصویر است. USF، رویکرد همجوشی بدون وزن در سطح بخش. W1-W9، طرح های وزن دهی فضایی 1-9.
برای درک دلیل روندهای متفاوت و طرح‌های وزن بهینه فضایی مختلف برای هر تصویر LSR، در نظر گرفتن محدوده فاصله از مرزهای بخش که در آن اشیاء فرعی جزئی در هر تصویر LSR رخ می‌دهند، مفید است. در این مطالعه، تصاویر HSR و LSR کاملاً مشترک ثبت شدند، بنابراین محاسبه فاصله از مرزهای بخش که در آن اشیاء فرعی جزئی می‌توان یافتند، نسبتاً ساده بود. به عنوان مثال، همانطور که در شکل 2 نشان داده شده است ، در نسبت 2:1، یک شی فرعی جزئی می تواند تا یک پیکسل از یک مرز قطعه قرار گیرد زیرا یک پیکسل LSR به چهار پیکسل HSR نمونه برداری مجدد (2×2) تبدیل می شود. با توجه به این منطق، حداکثر فاصله ( D max ) محدوده به صورت زیر بدست می آید:

Dm a x= ال اسR من یک جی هستم e r e s o l u t i o n اچاسR من یک جی هستم e r e s o l u t i o n – 1�مترآایکس= �اسآر منمترآ�ه �هس�لتوتیمن��اچاسآر منمترآ�ه �هس�لتوتیمن��–1
بنابراین، در نسبت 3:1، یک شی فرعی جزئی می تواند تا دو پیکسل از مرز یک قطعه قرار گیرد. در نسبت 5:1، تا چهار پیکسل؛ با نسبت 10:1 تا 9 پیکسل. با توجه به این محدوده‌های فاصله، طرح‌های وزن‌دهی بهینه باید عبارتند از: W1 (یا احتمالاً USF) برای تصویر با وضوح 0.6 متر، بین W1-W2 برای تصویر 0.9 متر، بین W1-W4 برای تصویر 1.5 متر و بین W1-W9 برای تصویر با وضوح 3.0 متر از نظر عملکرد واقعی، برای تصویر با وضوح 0.6 متر، USF بهترین عملکرد را داشت و پس از آن W1. برای تصویر 0.9 متر، W1 بهترین عملکرد را داشت. برای تصویر 1.5 متری، طرح های وزن بهینه – W2 و W3 – در وسط محدوده مورد انتظار قرار داشتند. برای تصویر با وضوح 3.0 متر، طرح‌های وزن‌دهی بهینه W7-W9 بود، اگرچه هیچ تغییر عمده‌ای پس از W5 رخ نداد، که آن هم در حدود وسط محدوده مورد انتظار بود. این نتایج نشان می‌دهد که یک طرح وزن‌دهی فضایی مناسب برای SWSF در حدود وسط محدوده‌ای است که در آن اشیاء فرعی جزئی وجود دارند، که باید تا حدودی انتظار داشت زیرا نشان‌دهنده تعادل خوبی بین جریمه کردن پیکسل‌های خیلی زیاد یا خیلی کم در نزدیکی مرزهای بخش است. زیرا تنها کسری از اشیاء فرعی جزئی در انتهای حداکثر و حداقل محدوده قرار دارند. در عمل، تصاویر LSR و HSR ممکن است کاملاً مشترک ثبت نشوند، اما رابطه (2) همچنان باید تخمین معقولی از محدوده فاصله ای که اشیاء فرعی جزئی در آن قرار می گیرند ارائه دهد. که باید تا حدودی انتظار داشت زیرا نشان دهنده تعادل خوبی بین جریمه کردن پیکسل های بسیار زیاد یا خیلی کم در نزدیکی مرزهای بخش است (زیرا تنها کسری از اشیاء فرعی جزئی در انتهای حداکثر و حداقل محدوده قرار دارند). در عمل، تصاویر LSR و HSR ممکن است کاملاً مشترک ثبت نشوند، اما رابطه (2) همچنان باید تخمین معقولی از محدوده فاصله ای که اشیاء فرعی جزئی در آن قرار می گیرند ارائه دهد. که باید تا حدودی انتظار داشت زیرا نشان دهنده تعادل خوبی بین جریمه کردن پیکسل های بسیار زیاد یا خیلی کم در نزدیکی مرزهای بخش است (زیرا تنها کسری از اشیاء فرعی جزئی در انتهای حداکثر و حداقل محدوده قرار دارند). در عمل، تصاویر LSR و HSR ممکن است کاملاً مشترک ثبت نشوند، اما رابطه (2) همچنان باید تخمین معقولی از محدوده فاصله ای که اشیاء فرعی جزئی در آن قرار می گیرند ارائه دهد.

3.2. مطالعه موردی 2: منطقه مختلط کشاورزی/جنگل

برای مطالعه موردی منطقه کشاورزی/جنگل، نقشه “پوشش گیاهی”/”غیر گیاهی” طبقه بندی شده SWSF دارای دقت طبقه بندی کلی بالاتر (OA؛ 0.967) و ضریب کاپا ( کˆک^; 0.873) از نقشه USF (OA از 0.962 و کˆک^0.853) هنگامی که در برابر نقشه HSR پایه ارزیابی می شود، همانطور که در جدول 2 نشان داده شده است. برای آزمایش اینکه آیا نتایج طبقه‌بندی SWSF و USF از نظر آماری معنی‌دار هستند یا خیر، یک آزمون z زوجی [ 19 ] انجام شد، با فرض صفر که تفاوت معنی‌داری بین دو طبقه‌بندی وجود نداشت. نمره z 14.96 به دست آمد که نشان می دهد تفاوت بین دو طبقه بندی از نظر آماری در سطح اطمینان 99٪ معنی دار است. همانطور که در شکل 6 نشان داده شده استSWSF نتایج دقیق تری را برای بسیاری از بخش های تصویر کوچک و/یا نازک که توسط یک طبقه پوشش زمین متفاوت احاطه شده بودند، تولید کرد. با این حال، برای بخش‌های تصویر نسبتاً بزرگ، یا هر بخش که توسط بخش‌های دیگر متعلق به همان کلاس پوشش زمین احاطه شده بود، نتایج طبقه‌بندی SWSF و USF اساساً یکسان بود.
این نتایج نشان می‌دهد که SWSF می‌تواند به دقت طبقه‌بندی بالاتری نسبت به USF دست یابد، اگرچه در برخی موارد (مثلاً برای نقشه‌برداری ویژگی‌های بزرگ و غیرخطی مانند لکه‌های جنگلی بزرگ یا زمین‌های کشاورزی) ممکن است ارزش تلاش اضافی برای پردازش را نداشته باشد. از سوی دیگر، SWSF ممکن است مزایای قابل توجهی در مقایسه با USF در موارد دیگر داشته باشد، به عنوان مثال، برای نقشه‌برداری تغییر کاربری/پوشش زمین (LULC)، زیرا SWSF باید بتواند تبدیل‌های کوچک LULC و همچنین ویژگی‌های خطی نازک جدید را بهتر تشخیص دهد. مانند جاده ها که اغلب محرک تغییرات LULC آینده هستند [ 20 ].
جدول
جدول 2. ماتریس های خطا برای طبقه بندی های مبتنی بر شیء مبتنی بر ادغام با وزن فضایی (SWSF) و USF (در مقایسه با طبقه بندی تصویر با وضوح بالاتر فضایی (HSR) پایه پایه). V، “پوشش گیاهی”؛ NV، “غیر پوشش گیاهی”؛ PA، دقت سازنده؛ UA، دقت کاربر؛ OA، دقت کلی؛ کˆک^، ضریب کاپا.
Ijgi 04 00172 g006 1024
شکل 6. تصویر RapidEye از یک منطقه مختلط کشاورزی/جنگل ( a ) و طبقه بندی مبتنی بر شی پایه این تصویر ( b ). نتایج طبقه‌بندی با استفاده از SWSF ( c ) و USF ( d ) برای استخراج مقادیر طیفی (NDVI) از یک تصویر با وضوح 30 متری شبیه‌سازی‌شده. سبز نمایانگر “پوشش گیاهی” و خاکستری نشان دهنده پوشش زمین “غیر گیاهی” است. مستطیل های رنگی برخی مناطق را با تفاوت های قابل توجهی بین نتایج طبقه بندی SWSF و USF برجسته می کنند.

3.3. بحث عمومی

بر اساس نتایج این مطالعه، SWSF می‌تواند برای استخراج توصیفگرهای بخش‌های تصویر از تصاویر LSR، مانند اطلاعات با وضوح طیفی یا زمانی بالا، مفید باشد و این پتانسیل را دارد که دقت تحلیل‌های بعدی انجام شده بر روی بخش‌ها را افزایش دهد (به عنوان مثال، طبقه‌بندی استخراج پارامترهای بیوفیزیکی بر اساس مقادیر طیفی قطعات و غیره ) زمانی که نسبت وضوح تصویر LSR به HSR بیشتر از 2:1 باشد. برخلاف روش‌های همجوشی در سطح پیکسل، که معمولاً برای ترکیب تصاویر با محدوده‌های طیفی مشابه و/یا تاریخ‌های اکتساب مشابه بهترین کارایی دارند ، SWSF را می‌توان به راحتی برای ادغام هر نوع تصویر (به عنوان مثال، ادغام تصاویر رادار دیافراگم مرئی و مصنوعی، تصاویر مرئی و حرارتی و غیره) زیرا نسبت به همبستگی بین تصاویر HSR و LSR حساس نیست. با این حال، از آنجایی که در بسیاری از موارد ادغام در سطح پیکسل می تواند برای کارهای تجزیه و تحلیل تصویر مانند طبقه بندی تصویر مفید باشد [ 22 ، 23 ، 24 ، 25]، باید تاکید کرد که ادغام در سطح پیکسل نیز می تواند در ترکیب با SWSF انجام شود. به عنوان مثال، به جای نمونه‌برداری مجدد از تصویر LSR برای مطابقت با تصویر HSR (همانطور که در این مطالعه انجام شد)، می‌توان ابتدا یک روش ادغام تصویر در سطح پیکسل را برای افزایش کیفیت فضایی تصویر LSR اعمال کرد و سپس مقادیر میانگین بخش را افزایش داد. می توان از تصویر LSR بهبود یافته (به جای تصویر LSR نمونه برداری مجدد) با استفاده از SWSF استخراج کرد. کار آینده می تواند بررسی کند که آیا این ترکیب از همجوشی در سطح پیکسل و بخش منجر به تجزیه و تحلیل تصویر دقیق تری نسبت به هر یک از روش های تلفیقی به تنهایی می شود و آیا ارزش زمان/تلاش اضافی را برای پردازش دارد یا خیر.
همچنین لازم به ذکر است که کاربردهای SWSF به استخراج اطلاعات طیفی برای بخش های تصویر (چند ضلعی) تولید شده توسط یک الگوریتم تقسیم بندی خودکار محدود نمی شود و در تئوری می توان برای هر نوع همجوشی تصویر به چند ضلعی استفاده کرد. برای مثال، می‌توان از آن برای ادغام یک تصویر با چند ضلعی‌های ردپای ساختمان OpenStreetMap برای استخراج ویژگی‌های بازتابی سقف‌های منفرد (مثلاً برای تخمین پتانسیل صرفه‌جویی در انرژی ساختمان [ 26 ])، یا برای ادغام تصویر با دیجیتالی‌سازی دستی استفاده کرد. چند ضلعی از مزارع کشاورزی برای استخراج پارامترهای مربوط به محصول برای هر مزرعه. بررسی SWSF (و سایر روش‌های همجوشی تصویر به چندضلعی) برای این نوع وظایف همجوشی نیز می‌تواند یک موضوع تحقیقاتی جالب در آینده باشد.

4. نتیجه گیری

یک روش همجوشی در سطح بخش با وزن فضایی (SWSF) برای ادغام تصاویر با وضوح فضایی پایین (LSR) با تصاویر وضوح فضایی بالاتر (HSR) در سطح قطعه تصویر پیشنهاد شد. این شامل تقسیم‌بندی تصویر با وضوح فضایی بالاتر (HSR) و سپس استخراج توصیف‌گرهای اضافی (مقدار بخش متوسط) از تصاویر LSR با استفاده از روش محاسبه وزن‌دار فضایی است. SWSF اطلاعات طیفی دقیق‌تری را از ویژگی‌های پوشش زمین نسبت به روش سنتی همجوشی در سطح قطعه (USF) استخراج می‌کند، زمانی که نسبت وضوح تصویر LSR به تصویر وضوح فضایی بالاتر (HSR) 3:1 (0.9 متر تصویر LSR: 0.3) بود. m تصویر HSR) یا بالاتر. همچنین مشخص شد که SWSF دقت طبقه بندی تصویر را افزایش می دهد، به ویژه برای بخش هایی که نسبت به وضوح فضایی تصویر LSR کوچک یا باریک هستند.به عنوان مثال ، بخش هایی حاوی نسبت بالایی از پیکسل های مخلوط در امتداد مرز خود). از این نتایج و بر اساس هندسه پیکسل‌های LSR و HSR، SWSF برای همجوشی در سطح بخش زمانی توصیه می‌شود که وضوح فضایی تصویر LSR نسبت به تصویر HSR بالاتر از 2:1 باشد. تحقیقات آینده برای ارزیابی تأثیر SWSF بر سایر انواع تحلیل تصویر (به عنوان مثال، وظایف رگرسیون) ضروری است.

منابع

  1. بنز، UC؛ هافمن، پی. ویلهاک، جی. لینگنفلدر، آی. Heynen، M. تجزیه و تحلیل فازی با وضوح چندگانه، شی گرا داده های سنجش از دور برای اطلاعات آماده GIS. ISPRS J. Photogramm. Remote Sens. 2004 ، 58 ، 239-258. [ Google Scholar ] [ CrossRef ]
  2. جانسون، BA طبقه بندی پوشش زمین شهری با وضوح بالا با استفاده از رویکرد مبتنی بر شی چند مقیاسی رقابتی. سنسور از راه دور Lett. 2013 ، 4 ، 131-140. [ Google Scholar ] [ CrossRef ]
  3. یان، جی. ماس، J.-F. Maathuis، BHP; ژانگ، ایکس. ون دایک، PM مقایسه رویکردهای طبقه‌بندی تصویر مبتنی بر پیکسل و شی گرا – مطالعه موردی در منطقه آتش سوزی زغال سنگ، وودا، مغولستان داخلی، چین. بین المللی J. Remote Sens. 2006 ، 27 ، 4039-4055. [ Google Scholar ] [ CrossRef ]
  4. یو، کیو. گونگ، پی. کلینتون، ن. بیگینگ، جی. کلی، م. Schirokauer، D. طبقه بندی دقیق پوشش گیاهی مبتنی بر شی با تصاویر سنجش از دور با وضوح فضایی بالا در هوا. فتوگرام مهندس Remote Sens. 2006 ، 72 ، 799-811. [ Google Scholar ] [ CrossRef ]
  5. کیم، ام. وارنر، TA; مدن، م. Atkinson، DS GEOBIA چند مقیاسی با تصاویر هوایی دیجیتال با وضوح فضایی بسیار بالا: اشیاء مقیاس، بافت و تصویر. بین المللی J. Remote Sens. 2011 ، 32 ، 2825-2850. [ Google Scholar ] [ CrossRef ]
  6. بروزون، ال. Carlin, L. یک سیستم مبتنی بر زمینه چند سطحی برای طبقه بندی تصاویر با وضوح فضایی بسیار بالا. IEEE Trans. Geosci. Remote Sens. 2006 , 44 , 2587–2600. [ Google Scholar ] [ CrossRef ]
  7. آهنگ، م. سیوکو، دی ال. هرد، JD یک رویکرد رقابتی پیکسل-شی برای طبقه بندی پوشش زمین. بین المللی J. Remote Sens. 2005 ، 32 ، 4981-4997. [ Google Scholar ] [ CrossRef ]
  8. جانسون، بی. Xie, Z. طبقه بندی یک تصویر با وضوح بالا از یک منطقه شهری با استفاده از اطلاعات فوق اشیاء. ISPRS J. Photogramm. Remote Sens. 2013 ، 83 ، 40-49. [ Google Scholar ] [ CrossRef ]
  9. دورن، LK; مایر، بی. Seijmonsbergen، AC نقشه‌برداری جنگلی مبتنی بر Landsat را در زمین‌های شیب‌دار کوهستانی با استفاده از طبقه‌بندی مبتنی بر شی بهبود داد. برای. Ecol. مدیریت 2003 ، 183 ، 31-46. [ Google Scholar ] [ CrossRef ]
  10. ژانگ، سی. Xie، Z. ترکیب داده ها و تکنیک های گروه طبقه بندی کننده برای نقشه برداری پوشش گیاهی در اورگلیدز ساحلی. Geocarto Int. 2014 ، 29 ، 228-243. [ Google Scholar ] [ CrossRef ]
  11. ژانگ، سی. استفاده از تکنیک‌های همجوشی داده‌ها برای نقشه‌برداری و پایش زیستگاه اعماق دریا در اکوسیستم صخره‌های مرجانی. ISPRS J. Photogramm. Remote Sens. 2014 ، در دست چاپ. [ Google Scholar ]
  12. امرو، آی. متئوس، جی. وگا، م. مولینا، ر. Katsaggelos، AK بررسی روش‌های کلاسیک و روندهای جدید در شفاف‌سازی تصاویر چند طیفی. EURASIP J. Adv. فرآیند سیگنال 2011 ، 79 ، 1-22. [ Google Scholar ]
  13. اهلرز، ام. Tomowski, D. در ترکیب تصویر مبتنی بر بخش. در تجزیه و تحلیل تصویر مبتنی بر شی ; Blaschke, T., Lang, S., Hay, GJ, Eds. Springer: برلین/هایدلبرگ، آلمان، 2008; صص 735-754. [ Google Scholar ]
  14. جانسون، کارشناسی; تطیشی، ر. Hoan, NT یک رویکرد تیز کردن ترکیبی و تجزیه و تحلیل تصویر مبتنی بر شی چند مقیاسی برای نقشه برداری درختان کاج و بلوط بیمار. بین المللی J. Remote Sens. 2013 ، 34 ، 6969-6982. [ Google Scholar ] [ CrossRef ]
  15. راهنمای کاربر Trimble eCognition Developer 9.0 . Trimble Germany GmbH: مونیخ، آلمان، 2014.
  16. کلیدها، درون یابی کانولوشن مکعبی RG برای پردازش تصویر دیجیتال. IEEE Trans. آکوست. 1981 ، 29 ، 1153-1160. [ Google Scholar ] [ CrossRef ]
  17. جانسون، بی. Xie, Z. ارزیابی و اصلاح تقسیم‌بندی تصویر بدون نظارت با استفاده از رویکرد چند مقیاسی. ISPRS J. Photogramm. Remote Sens. 2011 , 66 , 473-483. [ Google Scholar ] [ CrossRef ]
  18. لاولند، TR; Merchant، JW توسعه یک پایگاه داده ویژگی های پوشش زمین برای Photogramm ایالات متحده. مهندس Remote Sens. 1991 ، 57 ، 1453-1463. [ Google Scholar ]
  19. کنگالتون، RG ارزیابی دقت داده های سنجش از راه دور: اصول و روش ها . CRC Press: Boca Raton، FL، USA، 2009. [ Google Scholar ]
  20. لامبین، EF; Geist، HJ; جذامیان، E. دینامیک تغییر کاربری و پوشش زمین در مناطق گرمسیری. آنو. کشیش محیط زیست. منبع. 2003 ، 28 ، 205-241. [ Google Scholar ] [ CrossRef ]
  21. اهلرز، ام. کلونوس، اس. یوهان استراند، پی. Rosso, P. ادغام تصویر چند سنسوری برای شفاف سازی در سنجش از دور. بین المللی J. Image Data Fusion 2010 ، 1 ، 25-45. [ Google Scholar ] [ CrossRef ]
  22. پالسون، اف. Sveinsson، JR; بندیکتسون، جی. Aanaes, H. طبقه‌بندی تصاویر ماهواره‌ای شهری شفاف. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2012 ، 5 ، 281-297. [ Google Scholar ] [ CrossRef ]
  23. Colditz، RR; ورمن، تی. باخمن، ام. استاینوچر، ک. اشمیت، ام. استرونز، جی. Dech, S. تأثیر رویکردهای ترکیب تصویر بر دقت طبقه بندی: مطالعه موردی. بین المللی J. Remote Sens. 2006 ، 27 ، 3311-3335. [ Google Scholar ] [ CrossRef ]
  24. Shackelford، AK; دیویس، CH یک رویکرد طبقه‌بندی فازی سلسله مراتبی برای داده‌های چند طیفی با وضوح بالا در مناطق شهری. IEEE Trans. Geosci. Remote Sens. 2003 , 41 , 1920-1932. [ Google Scholar ] [ CrossRef ]
  25. جانسون، کارشناسی; شیونز، اچ. Shivakoti، BR یک رویکرد پان تیز کردن گروه برای نقشه برداری در مقیاس دقیق تر از نیشکر با تصاویر Landsat 8. بین المللی J. Appl. زمین Obs. Geoinf. 2014 ، 33 ، 218-225. [ Google Scholar ] [ CrossRef ]
  26. DOE Cool Roof Calculator. در دسترس آنلاین: http://web.ornl.gov/sci/roofs+walls/facts/CoolCalcEnergy.htm (در 20 دسامبر 2014 قابل دسترسی است).

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370