نقشه‌برداری آب سطح زمین با استفاده از مجموعه‌های چند مقیاسی و یک مدل برجستگی بصری از تصاویر SAR

خلاصه

نقشه برداری آب سطح زمین یکی از اساسی ترین وظایف طبقه بندی برای تشخیص توده های آبی از سطوح خشک است. در این مقاله، یک روش نقشه برداری آب بر اساس مجموعه سطوح چند مقیاسی و یک مدل برجسته بصری (MLSVS) برای غلبه بر فقدان یک راه حل عملیاتی برای استخراج خودکار، سریع و مطمئن آب از منطقه بزرگ و تفکیک فضایی خوب پیشنهاد شد. تصاویر رادار دیافراگم مصنوعی (SAR). این مقاله دو سهم اصلی دارد، به شرح زیر: (1) این روش مزایای هر دو مجموعه سطح و مدل برجسته بصری را یکپارچه می کند. ابتدا، نقشه برجستگی بصری برای شناسایی مناطق مشکوک آبی (SWR) اعمال شد، و سپس روش تنظیم سطح فقط برای استخراج دقیق بدنه‌های آبی باید در مناطق SWR اعمال شود. در نتیجه باعث کاهش همزمان هزینه و افزایش دقت می شود. (2) به منظور مناسب‌تر کردن مدل کلاسیک Itti برای استخراج آب در تصاویر SAR، یک بافت بهبود یافته وزن‌دار با مدل Itti (TW-Itti) برای شناسایی مناطق مشکوک آبی که ویژگی‌های بافت تولید شده توسط آنها را در نظر می‌گیرند، استفاده می‌شود. الگوریتم ماتریس هم‌وقوع سطح خاکستری (GLCM)، علاوه بر این، یک روش محاسباتی جدید برای تفاوت‌های مرکز – پیرامون در این مدل ادغام شد. روش پیشنهادی بر روی هر دو تصویر Radarsat-2 و TerraSAR-X آزمایش شد و آزمایش‌ها اثربخشی روش پیشنهادی را نشان دادند، دقت کلی نقشه‌برداری آب 98.48٪ و ضریب کاپا 0.856 است. یک بافت بهبود یافته وزن‌دار با مدل Itti (TW-Itti) برای شناسایی مناطق مشکوک آبی، که ویژگی‌های بافت ایجاد شده توسط الگوریتم ماتریس هم‌وقوع سطح خاکستری (GLCM) را در نظر می‌گیرد، استفاده می‌شود، علاوه بر این، یک روش محاسبه جدید برای مرکز -تفاوت های فراگیر در این مدل ادغام شد. روش پیشنهادی بر روی هر دو تصویر Radarsat-2 و TerraSAR-X آزمایش شد و آزمایش‌ها اثربخشی روش پیشنهادی را نشان دادند، دقت کلی نقشه‌برداری آب 98.48٪ و ضریب کاپا 0.856 است. یک بافت بهبود یافته وزن‌دار با مدل Itti (TW-Itti) برای شناسایی مناطق مشکوک آبی، که ویژگی‌های بافت ایجاد شده توسط الگوریتم ماتریس هم‌وقوع سطح خاکستری (GLCM) را در نظر می‌گیرد، استفاده می‌شود، علاوه بر این، یک روش محاسبه جدید برای مرکز -تفاوت های فراگیر در این مدل ادغام شد. روش پیشنهادی بر روی هر دو تصویر Radarsat-2 و TerraSAR-X آزمایش شد و آزمایش‌ها اثربخشی روش پیشنهادی را نشان دادند، دقت کلی نقشه‌برداری آب 98.48٪ و ضریب کاپا 0.856 است. یک روش محاسباتی جدید برای تفاوت‌های مرکز – محیط در این مدل ادغام شد. روش پیشنهادی بر روی هر دو تصویر Radarsat-2 و TerraSAR-X آزمایش شد و آزمایش‌ها اثربخشی روش پیشنهادی را نشان دادند، دقت کلی نقشه‌برداری آب 98.48٪ و ضریب کاپا 0.856 است. یک روش محاسباتی جدید برای تفاوت‌های مرکز – محیط در این مدل ادغام شد. روش پیشنهادی بر روی هر دو تصویر Radarsat-2 و TerraSAR-X آزمایش شد و آزمایش‌ها اثربخشی روش پیشنهادی را نشان دادند، دقت کلی نقشه‌برداری آب 98.48٪ و ضریب کاپا 0.856 است.

کلید واژه ها:

نقشه برداری آب ؛ مجموعه های سطح ؛ مدل برجستگی بصری ; تصویر SAR

1. معرفی

منابع آب یک منبع استراتژیک بی بدیل برای بقای انسان است. آب سطح زمین (LSW) بخش مهمی از چرخه آب است. نقشه برداری LSW با استفاده از تکنیک های سنجش از دور، نقش مهمی در پایش تالاب، پایش سیل، ارزیابی بلایای سیل، تخمین سطح آب های سطحی و مدیریت منابع آب ایفا می کند. اگرچه مشخص شده است که تصاویر نوری چند طیفی زمانی که آسمان صاف است موثر هستند، در شرایط آب و هوایی ابری محدودیت هایی وجود دارد. با این حال، داده‌های تصویر SAR به دلیل قابلیت‌های پوشش منطقه بزرگ، نفوذ ابر و جذب در همه شرایط آب و هوایی، می‌توانند ضعف در تصاویر نوری را در چنین شرایطی برای نقشه‌برداری LSW جبران کنند [1] .]. این مقاله یک روش سریع و قابل اعتماد نقشه برداری آب سطح زمین را از تصاویر SAR با مساحت بزرگ و با وضوح بالا پیشنهاد می کند. فقط آب های آرام شامل رودخانه ها و دریاچه های آرام در نظر گرفته شد، نه گودال ها و شالیزارها.

طبقه‌بندی آب یک مورد خاص از طبقه‌بندی تصویر SAR است که تنها دو کلاس دارد. به طور گسترده ای در کاربردهایی مانند نظارت بر تالاب، پایش سیل، تخمین سطح آب و غیره استفاده می شود. با این حال، به دلیل وجود لکه های منسجم، که می تواند به عنوان نویز قوی و ضربی مدل شود، تقسیم بندی تصاویر SAR به طور کلی به عنوان یک مشکل دشوار شناخته می شود [ 2 ]. تاکنون، الگوریتم‌های تقسیم‌بندی زیادی مانند روش آستانه [ 3 ]، روش تشخیص لبه [ 4 ، 5 ]، روش مبتنی بر ناحیه [ 6 ] و روش مبتنی بر فازی [6] ارائه شده‌اند. 7] ارائه شده‌اند.]. علاوه بر این، در تحقیقات اخیر، میدان‌های تصادفی مارکوف (MRFs) و مدل‌های کانتور فعال (ACMs) دو مورد از مفیدترین روش‌ها برای تقسیم‌بندی تصویر SAR هستند. در مورد روش تقسیم بندی MRF، دنگ و همکاران. [ 8 ] یک مدل جدید میدان تصادفی مارکوف (MRF) برای تولید نتایج دقیق تقسیم‌بندی دریا و یخ بدون نظارت پیشنهاد کرد. Stéphane و Grégoire [ 9 ] یک مدل زنجیره مارکوف پنهان برداری (HMC) را توسعه دادند که با یک توصیف چند مقیاسی برای تقسیم لکه نفتی از تصاویر SAR دریا تطبیق داده شد. گان و همکاران [ 10 ] و وانگ و همکاران. [ 11] یک روش تقسیم‌بندی تصویر SAR بدون نظارت را بر اساس میدان‌های مارکوف سه‌گانه پیشنهاد کرد. پس از آن، طرح مونت کارلو زنجیره مارکوف پرش برگشت پذیر برای شبیه سازی مدل تقسیم بندی تصویر SAR [ 12 ] طراحی شده است. در مورد روش مدل‌های کانتور فعال، هوانگ و همکاران. [ 13 ] از روش تنظیم سطح مبتنی بر معادله دیفرانسیل جزئی (PDE) برای تقسیم‌بندی لکه روغن در تصاویر SAR استفاده کرد. سیلویرا و هلنو [ 14] ترکیبی از چگالی لگ نرمال را برای تقسیم بندی تصویر SAR بین آب و خشکی اتخاذ کرد و نتایج عملکرد خوب روش پیشنهادی آنها را نشان داد. علاوه بر این، یک روش جدید تقسیم‌بندی مجموعه سطحی که از یک مدل بهم ریختگی ناهمگن استفاده می‌کند برای غلبه بر مشکل لکه‌ها و بافت قوی در تصاویر SAR با وضوح فضایی خوب پیشنهاد شده است [15 ] . یین و یانگ [ 16 ] کاربرد یک روش مجموعه سطح را برای تقسیم بندی خودکار چند فازی تصاویر رادار دیافراگم مصنوعی چند باندی و پلاریمتری (SAR) بررسی می کند.

با این حال، این روش‌های تقسیم‌بندی را نمی‌توان مستقیماً برای تقسیم‌بندی آب در تصاویر SAR به دلایل زیر استفاده کرد: (1) بیشتر این روش‌های تقسیم‌بندی برای تقسیم‌بندی آب در تصاویر SAR طراحی نشده‌اند، زیرا ویژگی‌های آب در تصاویر SAR در نظر گرفته نمی‌شوند. علاوه بر این، در روش های تقسیم بندی موجود نیز مشکلاتی وجود دارد. به عنوان مثال، تکنیک تشخیص لبه با مشکلاتی مواجه است که شامل نقاط مرزی ناپیوسته و یک مرز شبه در ناحیه همگن است که باعث مشکلات قابل توجهی در پردازش بعدی می شود. رویکرد رشد منطقه در طول رشد و ادغام مناطق کوچک همسایه به کاربر وابسته است، در حالی که روش‌های تقسیم‌بندی مبتنی بر آستانه سطوح خاکستری اغلب برای تصاویر SAR به دلیل وجود نویز لکه‌ای نامناسب هستند. روش MRF هزینه محاسباتی بالایی دارد و از این رو در عمل به طور گسترده ای استفاده نمی شود، به خصوص برای تصاویر با مساحت بزرگ. (2) ACM های هندسی، که به عنوان مجموعه سطح [17 ]، از مزیت مستقل بودن از پارامترسازی برخوردار بوده و قادر به تغییر خودکار توپولوژی هستند. در روش مجموعه سطح، یک منحنی به عنوان مجموعه سطح صفر از یک سطح ابعاد بالاتر تعبیه شده است. در مرحله بعد، کل سطح برای به حداقل رساندن یک متریک تعریف شده توسط انحنا و گرادیان تصویر تکامل می یابد، به عنوان مثال ، شرایط سرعت مجموعه سطح با رسیدن به مرز جسم به صفر کاهش می یابد. اگرچه روش‌های تنظیم سطح عملکرد خوبی در تقسیم‌بندی تصویر SAR دارند، اما هنوز مشکلاتی وجود دارد. منحنی در مجموعه‌های سطح معمولاً روی کل تصویر SAR ایجاد می‌شود، بنابراین اشیاء غیر از بدنه آب نیز استخراج می‌شوند. به طور خاص، نتایج تقسیم‌بندی برای تصاویر مساحت بزرگ با وضوح فضایی بالا اغلب طیف گسترده‌ای از اشیاء تصویری در مقیاس بسیار کوچک را به دست می‌دهد.به عنوان مثال ، اثرات “نمک و فلفل”). (3) اشیایی با سطح مقطع راداری کم شبیه به آب های آرام، مانند جاده ها، فرودگاه ها، سایه های رادار، یا زمین های شالیزاری، ممکن است بر نتایج استخراج آب تأثیر بگذارند.

مناطق آب اشیای برجسته در تصاویر SAR هستند، زیرا این مناطق اغلب یک منطقه بزرگ را اشغال می کنند و به عنوان تیره ترین مقدار خاکستری ظاهر می شوند. بنابراین، چشم انسان معمولا توجه اولیه خود را بر روی مناطق آبی متمرکز می کند. توجه بصری انتخابی مکانیزمی است که به وسیله آن می توانیم به سرعت نگاه خود را به سمت اشیاء مورد علاقه در محیط بصری خود هدایت کنیم و برخی از اطلاعات را که مهم نیستند نادیده بگیریم [ 18 ]. این مکانیسم زمان محاسبه را در حین پردازش اطلاعات کاهش می دهد. بنابراین، معرفی این مکانیسم در پردازش تصاویر سنجش از دور می تواند کارایی آن را به طور قابل توجهی بهبود بخشد. اخیرا Itti و همکاران. [ 19] یک مدل کلاسیک از توجه بصری انتخابی را پیشنهاد کرد و از این مدل می توان برای جستجوی اشیاء برجسته در صحنه های پیچیده استفاده کرد. از آن زمان، بسیاری از روش های تشخیص اشیاء با استفاده از این مدل توسعه یافته اند. به عنوان مثال، Itti و همکاران. [ 20 ] این مدل را با استفاده از محرک های مصنوعی و طبیعی در طیف وسیعی از وظایف تشخیص هدف به کار برد. والتر و همکاران [ 21 ] روشی را برای تشخیص چندین اشیاء در صحنه های بهم ریخته بر اساس مدل توجه بصری از پایین به بالا پیشنهاد کرد. لی و همکاران [ 22 ] یک مدل برجستگی تبدیل موجک برای ایجاد یک نقشه برجستگی برای تشخیص اشیاء طبیعی پیشنهاد کرد. گائو و همکاران [ 23] یک مدل تشخیص جدید مبتنی بر مکانیزم توجه بصری برای تشخیص کشتی ها در تصاویر سنجش از دور ارائه کرد. لی و ایتی [ 24 ] ویژگی‌های برجسته‌ای را که توسط یک مدل برجستگی بصری و با ویژگی‌های اصلی به‌دست می‌آیند، برای تشخیص اشیاء، مانند کشتی‌ها، ساختمان‌ها و هواپیماها در تصاویر سنجش از دور، به‌دست می‌آورند. با این حال، این مدل‌ها با هدف تجزیه و تحلیل تصاویر طبیعت یا استخراج کشتی‌ها، هواپیماها و غیره از تصاویر ماهواره‌ای نوری هستند و برای تصاویر SAR طراحی نشده‌اند که استفاده مستقیم از آنها را دشوار می‌کند.

هدف اصلی این مقاله ارائه یک روش نقشه برداری سریع و دقیق از آب سطح زمین است و مهمتر از همه این است که بتواند موقعیت های پیچیده ای مانند سایه، سردرگمی زمین های کشاورزی و غیره را حل کند. ساختار باقیمانده این مقاله به شرح زیر است. در بخش 2 ، روش ما فرموله شده و برای استخراج آب تصویر SAR اعمال می شود. در ابتدا، یک مدل TW-Itti پیشنهاد شده است. در مرحله دوم، ما روش مجموعه سطوح چند مقیاسی تطبیقی را بر اساس مدل گاما توصیف می‌کنیم. سوم، یک روش پس از پردازش توضیح داده شده است. برخی از نتایج تجربی در بخش 3 نشان داده شده است ، قبل از اینکه مقاله را در بخش 4 نتیجه گیری کنیم .

2. روش پیشنهادی

با توجه به مشکلات فوق، یک روش جدید تقسیم‌بندی آب بر اساس ادغام مجموعه‌های سطوح چند مقیاسی و یک مدل برجسته بصری پیشنهاد شد، به شرح زیر، (1) برای بهبود دقت و کارایی استخراج آب، ابتدا مدل کلاسیک Itti است. معرفی شده برای تشخیص SWR. پس از آن، روش مجموعه سطح را می توان تنها برای این مناطق اعمال کرد و در عین حال، از نقشه برجسته بصری برای مقداردهی اولیه تابع مجموعه سطح صفر استفاده کرد. بنابراین، ما می‌توانیم با استفاده از مدل Itti به سرعت مناطق آبی را شناسایی کنیم و می‌توانیم با استفاده از مجموعه‌های سطح، آب را از آن مناطق به طور دقیق تقسیم کنیم. (2) مدل کلاسیک Itti برای تصاویر آب SAR طراحی نشده است، بنابراین، یک مدل توجه برجسته بصری بهبود یافته ارائه شد. ابتدا تصاویر رنگی مدل Itti را با تصاویر بافت دار جایگزین می کنیم. که با استفاده از الگوریتم ماتریس همزمانی سطح خاکستری (GLCM) تولید می شوند. بر اساس مقادیر خاکستری بدنه آب، یک ضریب وزن برای محاسبه تفاوت های مرکز و اطراف معرفی شده است. (3) به منظور اجتناب بهتر از اثرات “نمک و فلفل”، فناوری چند مقیاسی در روش مجموعه سطح معرفی شده است. یک روش مجموعه سطوح چند مقیاسی توسط Sui پیشنهاد شدو همکاران [ 25 ]، تفاوت با رویکرد ما این است که از الگوریتم‌های OTSU [ 26 ] برای تعریف تطبیقی تابع مجموعه سطح اولیه استفاده می‌کنیم. (4) برای تشخیص اشیایی که ممکن است با آب آرام اشتباه گرفته شوند، یک روش پس پردازش بر اساس ویژگی های هندسی شی گرا پیشنهاد شد.

در این بخش، چارچوب روش استخراج سریع آب ما برای تصاویر SAR، همانطور که در شکل 1 نشان داده شده است، ارائه شد .

مراحل اصلی روش ما به شرح زیر است.

مرحله 1 : با استفاده از مدل بهبودیافته Itti، یک نقشه برجسته بصری ایجاد کنید.

مرحله 2 : تصویر اصلی و نقشه برجسته بصری را با الگوریتم درون یابی دوخطی به مقیاس های L تجزیه کنید. اجازه دهید K = L.

مرحله 3 : مناطق SWR به دست می آیند: با استفاده از روش OTSU، نقشه برجسته را به تصاویر باینری در هر مقیاس تقسیم کنید، و سپس اشیاء در این تصاویر باینری را می توان با استفاده از الگوریتم ناحیه اتصال علامت گذاری کرد. در مرحله بعد، مناطق SWR (مستطیل های سیاه در تصویر SAR نشان داده شده در شکل 1 ) را می توان با محاسبه حداکثر مستطیل خارجی هر جسم علامت گذاری شده به دست آورد.

مرحله 4 : از الگوریتم های OTSU برای مقداردهی اولیه تابع مجموعه سطح در مقیاس L استفاده کنید. نتایج تقسیم بندی مقیاس K را با استفاده از روش مجموعه سطح با مدل گاما بدست آورید.

مرحله 5 : K = K − 1. اگر K ≥ 0 باشد، به مرحله 4 برگردید تا نتیجه تقسیم بندی نهایی به دست آید.

مرحله 6 : پس پردازش: وزن صافی درون شکل به تصویر باینری نهایی اعمال می شود تا شالیزارها را از رودخانه ها یا دریاچه ها متمایز کند (به بخش 2.3 مراجعه کنید ).

2.1. مدل TW-Itti بهبود یافته

مدل ارائه شده در این مقاله از مدل توجه پایین به بالا پیشنهاد شده توسط Itti و همکارانش الهام می گیرد. [ 20 ] (بخش چپ شکل 1 را ببینید). سهم ما عمدتاً بر استخراج ویژگی های بصری اولیه متمرکز است. به جای استفاده از اطلاعات رنگ، بافت های تولید شده توسط GLCM برای بدست آوردن نقشه های ویژگی اعمال می شوند. از آنجایی که ما از تصاویر SAR تک قطبی و تک باندی استفاده کردیم، هیچ رنگی نمی توان به دست آورد. بنابراین، ما ویژگی بافت را برای تولید تصاویر رنگی ترکیب کردیم. مزیت انجام این کار افزایش دید بدنه آبی و پس زمینه است. علاوه بر این، با توجه به مقدار خاکستری تیره آب، یک روش محاسباتی جدید برای تفاوت‌های مرکز – اطراف ارائه شده است. مرکز فراگیر در مدل به عنوان تفاوت بین مقیاس های ریز و درشت پیاده سازی شده است، مرکز یک پیکسل در مقیاس است. ج∈{2،3،4}، و فراگیر پیکسل مربوطه در مقیاس است س=ج+δ، با δ∈{3،4}. تفاوت در مقیاس بین دو نقشه، نشان داده شده است ” ⊝” زیر، با درون یابی به مقیاس دقیق و تفریق نقطه به نقطه به دست می آید. ورودی به‌عنوان یک تصویر خاکستری ساکن ارائه می‌شود و نه مقیاس فضایی با استفاده از اهرام گاوسی دوتایی ایجاد می‌شود که به تدریج پایین‌گذر را فیلتر می‌کنند و تصویر ورودی را نمونه‌برداری می‌کنند. از I برای ایجاد یک هرم گاوسی I(σ) استفاده می شود که σ∈(0…8) مقیاس است. تفاوت های مرکز و اطراف ( ⊝ که قبلاً تعریف شده بود) بین یک مقیاس ریز “مرکزی” c و یک مقیاس درشت تر “محاطره” نقشه های ویژگی را نشان می دهد.

اولین مجموعه از نقشه های ویژگی مربوط به کنتراست شدت است که در پستانداران توسط نورون های حساس به مراکز تاریک در اطراف روشن یا به مراکز روشن در اطراف تاریک تشخیص داده می شود. در اینجا، هر دو نوع حساسیت به طور همزمان (با استفاده از یک اصلاح) در مجموعه ای از شش نقشه محاسبه می شوند. من(ج،س).

من(ج،س)=|من(ج)⊝من(س)|، ج∈{2،3،4}،س=ج+σ،σ∈{3،4}

(1)

با در نظر گرفتن مقدار خاکستری تیره آب، یک ضریب وزنی برای محاسبه تفاوت های مرکز و اطراف، عمدتا برای حفظ ارزش بازتابی پایین آب، معرفی شده است. بنابراین، معادله (1) را می توان به صورت زیر بازنویسی کرد:

من(ج،س)=|ω·من(ج)⊝من(س)|

(2)

جایی که ωضریب وزنی است و ω∈[0،1].

مجموعه دومی از نقشه ها به طور مشابه برای کانال های بافت ساخته شده است. یک تصویر بافت T با استفاده از الگوریتم GLCM و تجزیه و تحلیل اجزای اصلی (PCA) تولید می‌شود. در اینجا، T از پنج بافت معمولی، یعنی انرژی، همبستگی، اینرسی، آنتروپی و گشتاور اختلاف معکوس تشکیل شده است . اندازه پنجره 7 × 7، مقدار فاصله 1 پیکسل و 16 سطح خاکستری وجود دارد. پس از به دست آوردن این بافت ها، از روش PCA برای به دست آوردن اولین جزء اصلی که تصویر بافت T را نشان می دهد استفاده می شود . نقشه های ویژگی بافت T(c,s) را می توان به صورت زیر نشان داد:

تی(ج،س)=|تی(ج)⊝تی(س)|

(3)

ویژگی های مبتنی بر GLCM، پیشنهاد شده توسط Haralick و همکاران. [ 27 ]، به طور گسترده در تقسیم بندی بافت استفاده شده است. آنها برای همسایگی یک تصویر ورودی تعریف می شوند و با استفاده از چگالی احتمال شرط مشترک مرتبه دوم p _ij نشان داده می شوند که فرکانس نسبی است که در آن دو پیکسل تصویر به هم مرتبط هستند. ساخت GLCM به سه پارامتر بستگی دارد، یعنی فاصله نسبی ( د، اندازه پنجره ( wو جهت گیری ( θ) بین پیکسل ها در یک جفت. در این مقاله، فاصله بر روی یک پیکسل، اندازه پنجره 7 × 7 پیکسل تنظیم شده است، در حالی که جهت برابر با مقدار متوسط چهار جهت است ( 0درجه، 45درجه، 90درجهو 135درجه). در مرحله بعد، پنج ویژگی را از GLCM استخراج می کنیم، به شرح زیر:

انرژی:

آاسم=∑من∑jپ(من،j)2

(4)

همبستگی:

سیOن=[∑من∑j((منj)پ(من،j)-توایکستوy)]/σایکسσy

(5)

اینرسی:

مننتی=∑من∑j(من-j)2پ(من،j)

(6)

آنتروپی:

Eنتی=-∑من∑jپ(من،j)ورود به سیستمپ(من،j)

(7)

لحظه اختلاف معکوس

منDم=∑من∑j11+(من-j)2پ(من،j)

(8)

جایی که توایکس، توy، σایکس، σyمیانگین و انحراف معیار توزیع حاشیه ای مرتبط با پ(من،j)/آر، و آریک ثابت نرمال کننده است.

پس از به دست آوردن این پنج ویژگی بافت، آنها با استفاده از PCA ترکیب می شوند که در آن اجزای اصلی برای اهداف تقسیم بندی استفاده می شوند. در نهایت، الگوریتم فازی-C با سه جزء اصلی در طول تقسیم‌بندی تصویر انجام می‌شود.

مجموعه سوم نقشه ها جهت گیری محلی است O، اینجا Oاز I با استفاده از اهرام گابور جهت دار بدست می آید O(σ،θ)، جایی که σ∈(0…8)نشان دهنده مقیاس و θ∈{0درجه،45درجه،90درجه،135درجه}گرایش ترجیحی است. نقشه های ویژگی جهت گیری، O(ج،س،θ)، به صورت گروهی با یک کنتراست جهت محلی بین مقیاس مرکزی و محیطی به شرح زیر کدگذاری می شوند:

O(ج،س،θ)=|O(ج،θ)⊖O(س،θ)|

(9)

در مجموع، 36 نقشه ویژگی محاسبه شد: شش برای شدت، شش برای بافت، و 24 برای جهت. پس از پردازش ترکیبات در مقیاس، نرمال سازی و ترکیبات خطی با شش برای شدت، شش برای بافت و 24 برای جهت. همانطور که در [ 20 ] ذکر شد، نقشه برجستگی بهبود یافته تولید می شود.

پس از به دست آوردن نقشه برجستگی، مناطق مشکوک آبی را می توان با استفاده از روش Otsu یافت. الگوریتم Otsu یک روش ناپارامتریک و بدون نظارت برای انتخاب آستانه خودکار برای تقسیم‌بندی تصویر است و یک روش کلاسیک برای تقسیم‌بندی تصویر نوری است. با این حال، به دلیل نویز لکه ای قوی تصاویر SAR، به ویژه برای تصاویر SAR با وضوح فضایی خوب، روش Otsu می تواند باطل شود. بنابراین برای نقشه برجستگی بصری که نویز لکه ای ندارد اعمال شد و برای بخش بندی نقشه برجستگی بصری و به دست آوردن مناطق مشکوک آبی استفاده می شود. در عین حال، می‌توانیم از این نتیجه تقسیم‌بندی نقشه برجستگی بصری برای مقداردهی اولیه تابع مجموعه سطح صفر نیز استفاده کنیم، با فرض اینکه نتیجه تقسیم‌بندی نقشه برجستگی بصری تی(ایکس)جزئیات استفاده از نقشه برجسته بصری برای مقداردهی اولیه تابع مجموعه سطح صفر را می توان در قسمت آخر بخش 2.2 مشاهده کرد .

2.2. روش مجموعه سطوح چند مقیاسی تطبیقی بر اساس مدل گاما

به منظور حذف تأثیر لکه و حفظ اطلاعات ساختاری مهم، یک الگوریتم مجموعه سطوح چند مقیاسی معرفی شده است. با تجزیه تصویر SAR با استفاده از الگوریتم میانگین بلوک، تصاویر چند مقیاسی را در چندین مقیاس به دست می آوریم. از آنجایی که مدل گاما می تواند توزیع تصاویر SAR را به خوبی نشان دهد اگر لکه کاملاً توسعه یافته و از نظر فضایی همبستگی نداشته باشد و پراکندگی عقب راداری منطقه ثابت باشد، برای تعریف عملکرد انرژی تابع مجموعه سطح برای تصویر SAR اصلی استفاده می شود. . حتی اگر بین پیکسل‌های همسایه همبستگی وجود داشته باشد، یا بافت رادار پس‌پراکنده باشد، توزیع گاما همچنان می‌تواند به عنوان تقریبی با تنظیم تعداد ظاهر L استفاده شود.. برای تصاویر مقیاس تجزیه شده توسط الگوریتم میانگین بلوکی، تابع چگالی احتمال (PDF) شدت پیکسل نیز می تواند توسط توزیع گاما داده شود. برای یک تصویر داده شده تو(ایکس)، تو˜(ایکس)تصویر تجزیه شده تولید شده توسط الگوریتم میانگین بلوکی است. اگر تو(ایکس)توسط یک توزیع گاما مدل سازی شده است تو(ایکس)~Γ(μ،L)، سپس تو˜(ایکس)~Γ(μ،4L). پس از استفاده از روش مقداردهی اولیه مجموعه سطح آستانه در درشت ترین مقیاس، نتیجه تقسیم بندی اولیه که با یک برچسب مشخص شده است، تولید می شود. این برچسب نه تنها برای مقداردهی اولیه مجموعه سطح در مقیاس های دقیق تر، بلکه به عنوان یک محدودیت اضافی برای هدایت تکامل کانتور استفاده می شود. در نتیجه، بهترین مقیاس تصویر به عنوان نتیجه نهایی استخراج می شود.

چان و ویس [ 17 ] مدلی را پیشنهاد کردند که تابع مامفورد-شاه را از طریق تابع مجموعه سطح به منظور تقسیم بندی دووجهی پیاده سازی کرد. تقسیم بندی با استفاده از یک مدل کانتور فعال بدون مرز انجام می شود. اجازه دهید Ωیک زیر مجموعه باز محدود از آر2، با ∂Ωمرز آن است اجازه دهید تو0(ایکس،y):Ω¯→آریک تصویر داده شده باشد، و سییک منحنی در حوزه تصویر باشد Ω. تقسیم بندی از طریق تکامل منحنی به دست می آید سی، که ایده اصلی مدل کانتور فعال است. در روش تنظیم سطح، سی⊂Ωبا مجموعه سطح صفر تابع Lipschitz نشان داده می شود ϕ:Ω→آر، و متغیر مجهول را جایگزین می کنیم سیبا متغیر مجهول ϕ.

در این مقاله، فرض کنید که تصویر به دو کلاس تقسیم شده است Ω1و Ω2، که با یک منحنی از هم جدا می شوند سی، و آن کلاس ها Ω1و Ω2با استفاده از توابع چگالی احتمال (pdf) مدل‌سازی می‌شوند. پ1و پ2، به ترتیب.

پارتیشن با به حداقل رساندن تابع انرژی زیر به دست می آید:

اف(سی،پ1،پ2)=μLهngتیساعت(سی)-λ1🔻Ω(ورود به سیستمپ1دایکس)-λ2🔻Ω(ورود به سیستمپ2دایکس)

(10)

یک مدل گاما برای تقسیم بندی تصویر SAR با وضوح بالا استفاده شد. فرض کنید توSAR(ایکس،y) یک تصویر SAR است، ما تصویر را در هر ناحیه R _i با توزیع گامای میانگین شدت u _i و تعداد ظاهر L مدل می کنیم:

پ(توSAR(ایکس،y))=LLتومنΓ(L)(توSAR(ایکس،y)تومن)L-1ه-LتوSAR(ایکس،y)تومن

(11)

با استفاده از تابع Heaviside H و تابع یک بعدی دیراک δ ₀ که به ترتیب توسط

اچ(z)={1اگر z≥00اگر z<0 و δ(z)=داچ(z)دz

(12)

تقسیم بندی از طریق تکامل انجام می شود ϕبا به حداقل رساندن تابع انرژی زیر:

اف(∅،پ1،پ2)=μ🔻را∇اچ(∅)دایکس-λ1🔻رااچ(∅)ورود به سیستمپ1دایکس-λ2🔻را(1-اچ(∅))ورود به سیستمپ2دایکس

(13)

جایی که μ، λ1، λ2پارامترهای وزنی غیر منفی هستند. تابع ∅نشان دهنده کلاس است Ω1 برای ∅>0، و Ω2 برای ∅<0.

تکامل ϕتوسط معادله حرکت دیفرانسیل جزئی زیر اداره می شود:

∂ϕ∂تی=δε(ϕ)[μ بخش(∇ϕ|∇ϕ|)+v+λ1ورود به سیستمپ1(y|θ^1)+λ2ورود به سیستمپ2(y|θ^2)]

(14)

جایی که δε(ϕ) یک نسخه منظم از تابع دیراک است.

سپس، هدف ما تخمین پارامترهای گاما θ = { μ _i } است. استفاده از تخمین حداکثر احتمال θ*=ارگحداکثرθورود به سیستمپ(y|θ). با فرض اینکه نمونه ها yj،j=1،…،ندر هر منطقه مستقل و به طور یکسان توزیع شده است، احتمال ورود به سیستم است ورود به سیستمپ(y|θ)=ورود به سیستم∏j=1نپ(yj|θ)=∑j=1نورود به سیستمپ(yj|θ). گرفتن مشتق از ورود به سیستمپ(y|θ)با توجه به θو آنها را برابر با صفر قرار دهید μمن=∑j=1نمنyj/نمنبه دست آمد، در کجا نمنعدد پیکسل در است Ωمن.

همانطور که می دانیم نتیجه تقسیم بندی نقشه برجستگی بصری است تی(ایکس)، سپس به سادگی تابع مجموعه سطح را مقداردهی اولیه می کنیم ϕبه شرح زیر است:

ϕ=تی(ایکس)

(15)

مرحله اصلی روش مجموعه سطوح به شرح زیر است (جزئیات مرحله 4 روش ما را نیز ببینید):

(1): با استفاده از معادله (15) تابع مجموعه سطح را راه اندازی کنید.
(2): عملکرد تنظیم سطح را تکامل دهید ϕبا توجه به معادلات (13) و (14)؛
(3): بررسی کنید که آیا تکامل ثابت است یا خیر. اگر نه، به مرحله 2 بازگردید.

2.3. پس پردازش: با استفاده از ویژگی هندسی شی گرا

اشیاء آبی در تصاویر SAR مناطق پیوسته با نور کم هستند و برخی از اجسام با سطح مقطع راداری کم شبیه به آب آرام، مانند جاده‌های شهری، فرودگاه، سایه‌های ساختمان یا زمین‌های شالیزاری ممکن است بر نتایج استخراج آب تأثیر بگذارند.

در مقایسه با یک منطقه آبی بزرگ، جاده‌های شهری، فرودگاه‌ها و سایه‌های ساختمان قابل توجه نیستند، بنابراین، پس از بدست آوردن مناطق SWR با استفاده از مدل برجسته بصری، این مناطق نادیده گرفته می‌شوند. با این حال، برخی از شالیزارها به دلیل اشغال مناطق بزرگ به عنوان اشیاء برجسته باقی می مانند. در این مطالعه، از ویژگی های هندسی برای پس پردازش برای تشخیص شالیزارها از توده های آبی استفاده شده است. ابتدا، یک روش برچسب گذاری سریع پیکسل برای جستجوی مناطق متصل در تصاویر باینری اعمال می شود (جزئیات بیشتر را می توان در [ابتدا، یک روش برچسب گذاری سریع پیکسل برای جستجوی مناطق متصل در تصاویر باینری اعمال می شود (جزئیات بیشتر را می توان در [ 28]]). سپس می توان ویژگی های هر شی مانند مساحت، محیط و تعداد اشیاء را به دست آورد. در تصاویر SAR، ویژگی‌های هندسی شالیزارها معمولاً به صورت مستطیل‌های منظم ظاهر می‌شوند، در حالی که بدنه‌های آبی مانند رودخانه‌ها و دریاچه‌ها عمدتاً به صورت شکل هندسی نامنظم ظاهر می‌شوند. بنابراین، با الهام از راهنمای کاربر نرم افزار eCognition (Definiens AG، مونیخ، آلمان) [ 29 ]، وزن همواری (WS) در شکل معرفی شد تا مزارع برنج را از بدنه های آبی متمایز کند، همانطور که در معادله (16) نشان داده شده است.

دبلیواس=مساحت حداقل مستطیل محصورمساحت جسم

(16)

ما با استفاده از روش پیشنهادی، نتایج تقسیم‌بندی خوبی به دست آوردیم، و بیشتر زمین‌های شالیزاری دارای اشکال هندسی بودند که در شکل 2 الف نشان داده شده است. با این حال، پس از تکامل مجموعه های سطح، برخی از شالیزارها به یکدیگر متصل شدند، مانند شکل نشان داده شده در شکل 2 ب. شکل 2 c شکل یک رودخانه و شکل 2 را نشان می دهدd شکل جسم یک دریاچه را نشان می دهد. مستطیل های چین دار قرمز حداقل مستطیل های محصور کننده برای هر جسم هستند. در حین تقسیم بندی تصویر، از نسبت حداقل مساحت مستطیل محصور به مساحت جسم استفاده می شود تا شکل شی تقسیم بندی منظم تر شود، و مقدار نسبت بسیار نزدیک به 1 است، بنابراین شکل جسم بسیار نزدیک به مستطیل است. مقادیر نسبت برای شکل 2 a-d به ترتیب 1.344، 2.143، 6.524 و 2.5869 است. بنابراین، بر اساس مقدار تجربه (3000 شی با 15 تصویر آزمایش شد)، فرض می کنیم که یک شی “کلاس آب” است، اگر مقدار وزن صافی در یک شی بیشتر از 2 باشد، و همه کلاس های آب دیگر را می توان حذف کرد. در طول پس پردازش

3. مجموعه داده های تجربی

تصاویر دامنه SAR (Radarsat2 و TerraSAR-X) از مناطق حوضه رودخانه در چین در آزمایش استفاده شد، توضیحات دقیق داده های آزمایش را می توان در جدول 1 مشاهده کرد. مشاهده کرد .

(1): منطقه مطالعه رودخانه Huai : حوضه آبریز رودخانه Huai در اطراف شرق چین به عنوان یکی از مناطق مورد مطالعه در نظر گرفته شده است. تصاویر رادارست 2 (قطبی شدن VV) با وضوح فضایی 3 متر در 7 دسامبر 2009 به دست آمد. یک تصویر نقشه گوگل با وضوح 0.5 متر با همان منطقه و فصل مشابه به عنوان تصویر کلاس آب واقعی، سپس استخراج دستی آب استفاده شده است. در این تصویر گوگل به عنوان مرجع برای بررسی صحت فرآیند استخراج آب استفاده شده است.
(2): منطقه مطالعه رودخانه هانجیانگ و چانگجیانگ : رودخانه هانجیانگ بزرگترین شاخه رودخانه چانگجیانگ است و در شهر ووهان، استان هوبی، چین واقع شده است. تصاویر TerraSAR-X (پلاریزاسیون VV) با وضوح فضایی 1 متر در 9 اکتبر 2008 به دست آمد. نقشه برداری از همان منطقه که توسط مؤسسه نقشه استان هوبی پشتیبانی می شود برای مرجع برای بررسی دقت فرآیند استخراج آب استفاده می شود. .

4. نتایج و بحث

سه روش زیر برای ارزیابی عملکرد روش پیشنهادی مقایسه شد.

ALG1: یک روش تقسیم بندی MRF پیشنهاد شده توسط Picco و Placio [ 30 ].

ALG2: روشی برای جداسازی زمین و آب در تصاویر SAR که توسط Silveira و Heleno [ 14] ارائه شد. ] پیشنهاد شد.

ALG3: یک روش مجموعه سطح چند مقیاسی برای تقسیم‌بندی تصویر SAR که توسط Sui و همکارانش پیشنهاد شد. [ 25 ].

توجه داشته باشید که همه تصاویر ما در هنگام استفاده از روش پیشنهادی بدون فیلتر آزمایش شدند و سطح مقیاس 2 بود. مقدار شاخص صاف WS = 2، یعنی اگر مقدار شاخص هموارسازی شی کمتر از 2 بود، این شی را می توان حذف کرد ضریب وزنی تفاوت های مرکز-محور ω برابر با 0.1 است.

4.1. آزمایش بر روی تصویر Radarsat-2

شکل 3 نقشه های برجسته تولید شده با استفاده از مدل Itti و مدل ما را مقایسه می کند. این به وضوح نشان می دهد که مدل ما به راحتی مناطق آب را متمایز می کند. شکل 3 a رودخانه Huai در شرق چین را نشان می دهد که توسط Radarsat-2 در سال 2009 در حالت قطبش نزولی VV با وضوح 3 متر و اندازه 3024 × 2263 پیکسل خریداری شد. شکل 3 b,c نقشه برجسته تولید شده با استفاده از مدل Itti و مدل TW-Itti ما را نشان می دهد. این آزمایش عملکرد مدل ما را بسیار بهتر از مدل Itti تأیید می کند. در شکل 3 ب، به جز بدنه آبی، سایر ویژگی ها نیز به اشتباه به عنوان برجسته در نظر گرفته شده اند که باعث ناپیوستگی بدنه آبی شده است. شکل 3d نتیجه تقسیم بندی Otsu را پس از پردازش پس از شکل 3 c نشان می دهد. از شکل 3 d می توان دید که تقسیم بندی با استفاده از نقشه برجسته می تواند خطوط اصلی را به دست آورد، با این حال، جزئیات لبه را از دست داده است. مشاهده می شود که لبه ها ناهموار و نامنظم هستند. به این ترتیب، برای اصلاح لبه و صاف کردن آن باید از روش تنظیم سطح استفاده کنیم.

شکل 4 نتایج استخراج آب را برای رودخانه Huai نشان می دهد. شکل 4 a SWR است که توسط نقشه برجسته تولید می شود ( شکل 3 د) را پس از پردازش پس از پردازش مشاهده کنید. به طور کلی، موقعیت واقعی مرزها در یک صحنه SAR ناشناخته است. بنابراین، معیارهای کیفیت بخش‌بندی اصلاح شدند تا امکان مقایسه روش‌های تقسیم‌بندی خودکار و تقسیم‌بندی دستی را فراهم کنند، همانطور که در شکل 4 ب نشان داده شده است. شکل 4 c-f نتایج تقسیم بندی را به ترتیب با ALG1، ALG2، ALG3 و روش ما نشان می دهد. شکل 4 g نتایج پس از پردازش روش پیشنهادی را نشان می دهد. آزمایش تأیید می کند که روش ما ( شکل 4 را ببینید g) بهترین عملکرد را در تشخیص آب و جلوگیری از ایجاد لکه دارد. مقایسه دقیق دقت و کارایی در جدول 1 آورده شده است .

4.2. روی تصاویر TerraSAR-X آزمایش کنید

شکل 5 یک نقشه برجستگی مقایسه ای را با استفاده از تصویر TerraSAR-X نشان می دهد. شکل 5 a رودخانه هانجیانگ در مرکز چین را نشان می دهد که توسط TSX-1 در سال 2008 در حالت پلاریزاسیون VV نزولی با وضوح 1 متر و اندازه 7153 × 1948 پیکسل خریداری شد. پس از مقایسه شکل 5 b,c، همان نتیجه گیری در مورد بهبود مدل در Radarsat-2 قابل اجرا بود.

شکل 6 نتایج استخراج آب را برای رودخانه هانجیانگ نشان می دهد. شکل 6 a SWR تولید شده با استفاده از نقشه برجسته را نشان می دهد ( شکل 5 ج را ببینید). شکل 6 b نتیجه تقسیم بندی دستی است. شکل 6 c-f نتیجه تقسیم بندی را به ترتیب با ALG1، ALG2، ALG3 و روش ما نشان می دهد. شکل 6 g نتیجه پس از پردازش روش پیشنهادی را نشان می دهد. آزمایش همچنین تأیید می کند که روش ما می تواند بهترین نتیجه بخش را به دست آورد. نویز لکه ای در این تصویر بسیار قوی است، و ما می توانیم ببینیم که بسیاری از اشیاء در مقیاس بسیار کوچک ( به عنوان مثال ، اثرات نمک و فلفل) در شکل 6 ، و بسیاری از ویژگی های دیگر وجود دارد که به اشتباه به عنوان آب معرفی شده اند.شکل 6 وجود دارد.e بسیار بهتر از روش های قبلی است، با این حال، در مقایسه با شکل 6 f، هنوز برخی از اثرات نویز وجود دارد. مقایسه دقیق دقت و کارایی در جدول 1 آورده شده است .

4.3. برنامه های کاربردی برای تصاویر SAR با مساحت بزرگ

برای نشان دادن سرعت و قابلیت اطمینان روش ما، روش پیشنهادی را با استفاده از تصاویر SAR واقعی با مساحت بزرگ آزمایش کردیم. حوضه رودخانه Changjiang که یکی از حوضه های اصلی رودخانه در چین است برای این آزمایش انتخاب شد. شکل 7 نتایج استخراج آب را برای رودخانه Changjiang نشان می دهد. شکل 7 a تصویر اصلی SAR را با اندازه تصویر 15540 × 14550 پیکسل نشان می دهد. شکل 7 ب نقشه برجسته تولید شده توسط مدل Itti را نشان می دهد. شکل 7 c نقشه برجسته تولید شده با استفاده از مدل TW-Itti است و شکل 7 d نتیجه تقسیم بندی آب را با استفاده از روش ما نشان می دهد. زمان لازم برای تولید این تصویر 1209.463 ثانیه بود.

4.4. تجزیه و تحلیل دقیق و بحث

به منظور انجام تجزیه و تحلیل کمی، دقت کلی (مخفف OA) و ضریب کاپا به عنوان ابزار ارزیابی دقت در این مقاله اتخاذ شده است. با فرض اینکه اندازه یک تصویر SAR اصلی است م×ن، تصویر برچسب را به عنوان نشان می دهیم ایکس’، که اندازه آن نیز می باشد م×ن. به همین ترتیب، R تصویر برچسب را از استخراج دستی نشان می دهد (همچنین یک استخراج آب ایده آل را نشان می دهد) برای همان تصویر SAR اصلی. بنابراین تصویر خطا به صورت تعریف می شود E=ایکس”-آر.

Oآ=1-لم×ن×100%

(17)

که در آن l تعداد پیکسل های غیر صفر در E را نشان می دهد .

ضریب کاپا را می توان به صورت زیر توصیف کرد:

کآپپآ=(م×ن)∑منrایکسمنمن-∑(ایکسمن+ایکس+من)(م×ن)2-∑(ایکسمن+ایکس+من)

(18)

جایی که rاعداد ردیف ماتریس سردرگمی است، ایکسمنمنمقدار مورب اصلی است، ایکسمن+و ایکس+منبه ترتیب مقدار مجموع ردیف i و ستون i هستند.

جدول 2 دقت کلی و ضریب کاپا روش های فوق را مقایسه می کند.

بر اساس تجزیه و تحلیل کیفی (آزمایش 1 و 2) و تجزیه و تحلیل کمی ( جدول 1 )، می توان به نتایج زیر دست یافت:

(1): در مقایسه با مدل کلاسیک Itti، مدل برجستگی بصری بهبود یافته، اطلاعات آب را بهبود می‌بخشد و سایر ویژگی‌های سطحی را سرکوب می‌کند ( شکل 2 c,d را برای آزمایش 1 و شکل 4 b, c را برای آزمایش 2 ببینید).
(2): در مقایسه با روش‌های پیشرفته (ALG1، ALG2 و ALG3)، روش ادغام با استفاده از تکنیک چند مقیاسی و مدل برجسته بصری دقت بهتری ایجاد کرد.
(3): در همه موارد، روش ما اغلب نتایج برتر را تولید می‌کند و دقیق‌ترین نتایج را در کوتاه‌ترین زمان تولید می‌کند ( شکل 4 g برای آزمایش 1، شکل 6 g برای آزمایش 2 و خط پررنگ در جدول 1 را ببینید ).

علاوه بر این، به منظور ارزیابی بهتر عملکرد روش پیشنهادی، ماتریس خطای نتایج برای ALG1، ALG2، ALG3 و روش ما برای اعتبارسنجی محاسبه شد. در این مقاله، ما فقط مجموعه داده Radarsat-2 (آزمایش 1) را به عنوان مثال در نظر می گیریم. ماتریس خطا روشی بسیار موثر برای ارزیابی دقت است، زیرا دقت هر دسته به همراه خطاهای حذف و اشتباه موجود در طبقه بندی به وضوح توضیح داده شده است. ماتریس های خطای آزمایش 1 در جدول 3 ، جدول 4 ، جدول 5 و جدول 6 نشان داده شده است .

دقت کلی برای ALG1، ALG2، ALG3 79.22% و 92.39%، 91.38% و ضرایب کاپا 0.262، 0.53 و 0.511 است. دقت کلاس های فردی بسیار متغیر بود و از 20.27٪ تا 99.51٪ متغیر بود. برای روش ما، دقت کلی 98.48٪ و ضریب کاپا 0.856 است. علاوه بر این، دقت کلاس های فردی همه بسیار بالا هستند، بالای 80%. این ثابت می کند که طبقه بندی کننده ما دقیق و قوی است.

5. نتیجه گیری ها

هدف اصلی این مطالعه ابداع یک روش نقشه‌برداری آب است که با استفاده از روش مبتنی بر توجه بصری برای مجموعه‌های سطوح چند مقیاسی، به‌ویژه در مناطقی با جاده‌ها، فرودگاه‌ها، سایه‌های رادار و میدان‌های شالیزاری که اغلب دلایل اصلی هستند، دقت را بهبود می‌بخشد. دقت طبقه بندی پایین آزمایش‌ها نشان داد که روش ما به طور قابل‌توجهی دقت را در مناطقی که سایه و سایر سطوح تاریک منابع اصلی خطاهای طبقه‌بندی بودند، بهبود بخشید. روش ما بدنه‌های آبی آرام را هدف قرار داد و بنابراین، آب‌های پویا، مانند سیلاب با باد شدید را در نظر نگرفت. در کار آینده، ما بیشتر بر روی انواع دیگر بدنه‌های آبی تمرکز خواهیم کرد، به عنوان مثال، تغییرات پس‌پراکندگی ناشی از سیل در داده‌های SAR [ 31 ] و غیره را بررسی خواهیم کرد.

اگرچه آزمایش‌ها نشان داده‌اند که روش ما نتایج رضایت‌بخشی دارد، کار زیادی باقی مانده است که باید انجام شود. چارچوب تحلیل چند مقیاسی یک جزء جدید در روش مجموعه سطح است. در کار آینده، روش مجموعه‌های سطح چند منطقه‌ای را می‌توان با تحلیل چند مقیاسی ادغام کرد و به این ترتیب، ویژگی‌های زمین بیشتری را می‌توان در نظر گرفت. علاوه بر این، ما روش خود را برای استفاده در تصاویر SAR تمام قطبی شده برای دستیابی به طبقه بندی دقیق تر توسعه خواهیم داد.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

SAR	رادار دیافراگم مصنوعی
MLSVS	مجموعه سطوح چند مقیاسی و برجستگی بصری
SWR	مناطق مشکوک آبی
GLCM	ماتریس همزمانی سطح خاکستری
LSW	آب های سطح زمین

منابع

توماس، اچ. ساندرو، م. آندره، تی. آخیم، ر. مانفرد، ب. استخراج مناطق آب و سیل از داده های SAR. در مجموعه مقالات هفتمین کنفرانس اروپایی رادار دیافراگم مصنوعی (EUSAR)، فردریشهافن، آلمان، 2 تا 5 ژوئن 2008. صص 1-4.
لی، جی اس. Iurkevich، I. بخش بندی تصویر SAR. IEEE Trans. Geosci. Remote Sens. 1989 , 27 , 981-990. [ Google Scholar ] [ CrossRef ]
Sahoo, PK; سلطانی، س. وونگ، AKC بررسی تکنیک‌های آستانه‌گذاری. محاسبه کنید. Vis. نمودار. فرآیند تصویر 1988 ، 41 ، 233-260. [ Google Scholar ] [ CrossRef ]
فیورتافت، آر. لوپس، آ. Marthon, P. یک آشکارساز چند لبه بهینه برای تقسیم بندی تصویر SAR. IEEE Trans. Geosci. Remote Sens. 1998 , 36 , 793-802. [ Google Scholar ] [ CrossRef ]
الیور، سی. Connell، IM; سفید، RG تشخیص لبه بهینه در SAR. SPIE Satell. Remote Sens. 1995 ، 2584 ، 152-163. [ Google Scholar ] [ CrossRef ]
کوک، آر. Connell, IM; Oliver، CJ MUM Segmentation for SAR Images. Proc. SPIE 1994 ، 2316 ، 92-103. [ Google Scholar ]
Udupa، JK; Samarasekera، S. اتصال فازی و تعریف شی: نظریه، الگوریتم‌ها و کاربردها در تقسیم‌بندی تصویر. نمودار. فرآیند تصویر مدل ها 1996 ، 58 ، 246-261. [ Google Scholar ] [ CrossRef ]
دنگ، اچ. Clausi، D. بخش‌بندی بدون نظارت تصاویر یخ دریا رادار با دهانه مصنوعی با استفاده از یک مدل میدان تصادفی جدید مارکوف. IEEE Trans. Geosci. Remote Sens. 2005 ، 43 ، 528-538. [ Google Scholar ] [ CrossRef ]
استفان، دی. Grégoire، M. تقسیم‌بندی لکه نفتی چند مقیاسی بدون نظارت از تصاویر SAR با استفاده از مدل HMC برداری. تشخیص الگو 2007 ، 40 ، 1135-1147. [ Google Scholar ]
گان، ال. وو، ی. وانگ، اف. ژانگ، پی. Zhang، Q. تقسیم‌بندی تصویر SAR بدون نظارت بر اساس فیلدهای مارکوف سه‌گانه با برش‌های نمودار. IEEE Geosci. سنسور از راه دور Lett. 2014 ، 11 ، 853-857. [ Google Scholar ] [ CrossRef ]
وانگ، اف. وو، ی. ژانگ، کیو. ژائو، دبلیو. لی، ام. Liao، GS تقسیم‌بندی تصویر SAR بدون نظارت با استفاده از مدل میدان‌های مارکوف سه‌گانه مبتنی بر محله بالاتر. IEEE Trans. Geosci. Remote Sens. 2014 , 52 , 5193–5205. [ Google Scholar ] [ CrossRef ]
وانگ، ی. لی، ی. Zhao، QH بخش بندی تصویر SAR با وضوح بالا با تعداد نامشخص کلاس بر اساس الگوریتم تسلیت معمولی و RJMCMC. بین المللی J. Remote Sens. 2015 ، 36 ، 1290-1306. [ Google Scholar ] [ CrossRef ]
هوانگ، بی. لی، اچ. Huang, X. یک روش تنظیم سطح برای تقسیم بندی لکه نفتی در تصاویر SAR. بین المللی J. Remote Sens. 2005 ، 26 ، 1145-1156. [ Google Scholar ] [ CrossRef ]
سیلویرا، م. Heleno، S. جداسازی بین آب و خشکی در تصاویر SAR با استفاده از مجموعه‌های سطح مبتنی بر منطقه. IEEE Geosci. سنسور از راه دور Lett. 2009 ، 6 ، 471-475. [ Google Scholar ] [ CrossRef ]
زو، پی اف. لی، ز. تیان، BS; Guo, LJ یک روش مجموعه سطحی برای تقسیم‌بندی تصاویر SAR قطبی با وضوح بالا با استفاده از یک مدل درهم‌آمیزی ناهمگن. سنسور از راه دور Lett. 2015 ، 6 ، 548-557. [ Google Scholar ] [ CrossRef ]
یین، جی جی؛ یانگ، جی. رویکرد مجموعه سطح اصلاح شده برای تقسیم بندی تصاویر SAR قطبی چند باند. IEEE Trans. Geosci. Remote Sens. 2015 , 52 , 7222–7232. [ Google Scholar ]
چان، تی. Vese, L. خطوط فعال بدون لبه. IEEE Trans. فرآیند تصویر 2001 ، 10 ، 266-277. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Itti, L. مدل سازی توجه بصری نخستی ها. در علوم اعصاب محاسباتی: یک رویکرد جامع . Feng, J., Ed. CRC Press: Boca Raton، FL، USA، 2003; صص 635-655. [ Google Scholar ]
ایتتی، ال. کوچ، سی. Niebur، E. مدل توجه بصری مبتنی بر برجسته بودن برای تجزیه و تحلیل صحنه سریع. IEEE Trans. الگوی مقعدی ماخ هوشمند 1998 ، 20 ، 1254-1259. [ Google Scholar ] [ CrossRef ]
ایتتی، ال. طلا، سی. Koch, C. توجه بصری و تشخیص هدف در صحنه های بهم ریخته طبیعی. انتخاب کنید مهندس 2001 ، 40 ، 1784-1793. [ Google Scholar ]
والتر، دی. روتیشاوزر، یو. Koch, C. توجه بصری انتخابی، یادگیری و تشخیص اشیاء متعدد را در صحنه های درهم و برهم امکان پذیر می کند. محاسبه کنید. Vis. تصویر زیر. 2005 ، 100 ، 41-63. [ Google Scholar ] [ CrossRef ]
لی، ZQ; نیش، تی. Huo, H. یک مدل برجسته مبتنی بر تبدیل موجک و توجه بصری. SCIENCE CHINA Inf. علمی 2010 ، 53 ، 738-751. [ Google Scholar ] [ CrossRef ]
گائو، LN؛ بی، FK; یانگ، جی. مدل مبتنی بر توجه بصری برای تشخیص هدف در تصاویر میدان بزرگ. جی. سیست. مهندس الکترون. 2011 ، 22 ، 150-156. [ Google Scholar ] [ CrossRef ]
Li، ZC; Itti, L. Saliency و ویژگی های اصلی برای تشخیص هدف در تصاویر ماهواره ای. IEEE Trans. فرآیند تصویر 2011 ، 20 ، 2017–2029. [ Google Scholar ] [ PubMed ]
سوئی، اچ جی; خو، سی. لیو، جی. خورشید، کیلومتر؛ Wen, CF یک روش جدید مجموعه سطح چند مقیاسی برای تقسیم بندی تصویر SAR بر اساس یک مدل آماری. بین المللی J. Remote Sens. 2012 , 33 , 5600–5614. [ Google Scholar ] [ CrossRef ]
Otsu، N. روش انتخاب آستانه از هیستوگرام سطح خاکستری. IEEE Trans. سیستم مرد سایبرن. 1979 ، 9 ، 62-66. [ Google Scholar ]
هارالیک، آر.ام. شانموگام، ک. Dinstein, I. ویژگی های بافتی برای طبقه بندی تصویر. IEEE Trans. سیستم مرد سایبرن. 1973 ، 3 ، 610-621. [ Google Scholar ] [ CrossRef ]
او، LF; چائو، YY; سوزوکی، KJ یک الگوریتم برچسب‌گذاری دو اسکن مبتنی بر اجرا. IEEE Trans. فرآیند تصویر 2008 ، 17 ، 749-756. [ Google Scholar ] [ PubMed ]
راهنمای کاربر eCognition به زبان چینی. در دسترس آنلاین: http://vdisk.weibo.com/s/zt_sYprKIffXK (در 12 اکتبر 2015 قابل دسترسی است).
پیکو، ام. Palacio, G. طبقه بندی بدون نظارت تصاویر SAR با استفاده از فیلدهای تصادفی مارکوف و gمن0مدل. IEEE Geosci. سنسور از راه دور Lett. 2011 ، 8 ، 350-353. [ Google Scholar ] [ CrossRef ]
مارتینیس، اس. توله، ا. Voigt, S. استخراج بدون نظارت تغییرات پس پراکندگی ناشی از سیل در داده های SAR با استفاده از مدل سازی تصویر مارکوف بر روی نمودارهای نامنظم. IEEE Trans. Geosci. Remote Sens. 2011 , 49 , 251-263. [ Google Scholar ] [ CrossRef ]

شکل 1. اصل اساسی روش پیشنهادی. (مرحله 1، نقشه برجستگی تولید شده از تصویر اصلی؛ مرحله 2، تجزیه نقشه برجستگی به مقیاس های L؛ مرحله 3، مناطق SWR به دست آمده در مقیاس های مختلف؛ مرحله 4، تقسیم آب در مناطق SWR؛ مرحله 5، پالایش نتیجه تقسیم شده؛ مرحله 6، پس از پردازش برای به دست آوردن آب دقیق.)

شکل 2. نمایش وزن صافی درون اجسام. ( الف ) شالیزار تک؛ ( ب ) شالیزارهای متصل؛ ج ) رودخانه ؛ ( د ) دریاچه.

شکل 3. مقایسه نقشه برجستگی (رودخانه هوآی). ( الف ) تصاویر اصلی؛ ( ب ) نقشه برجسته تولید شده توسط مدل Itti. ( ج ) نقشه برجسته تولید شده توسط مدل TW-Itti ما. ( د ) نتیجه تقسیم بندی Otsu پس از پردازش پس از تصویر (c).

شکل 4. نتایج تقسیم بندی (رودخانه هوآی). ( الف ) منطقه SWR تولید شده توسط شکل 3 d. ( ب ) تقسیم بندی دستی. ( ج – ث ) نقشه LSW به‌دست‌آمده به ترتیب با استفاده از ALG1، ALG2 و ALG3. ( f ) نقشه LSW بدست آمده با استفاده از روش پیشنهادی. ( ز ) نقشه LSW که پس از پردازش پس از پردازش به دست آمده است.

شکل 5. مقایسه نقشه برجستگی (رودخانه هانجیانگ). ( الف ) تصاویر اصلی؛ ( ب ) نقشه برجسته تولید شده توسط مدل Itti. ( ج ) نقشه برجسته تولید شده توسط مدل ما.

شکل 6. نتایج تقسیم بندی (رودخانه هانجیانگ). ( الف ) منطقه SWR تولید شده توسط شکل 4 d. ( ب ) تقسیم بندی دستی. ( ج – ث ) نقشه LSW به‌دست‌آمده به ترتیب با استفاده از ALG1، ALG2 و ALG3. ( f ) نقشه LSW به دست آمده با استفاده از روش ما. ( ز ) نقشه LSW که پس از پردازش پس از پردازش به دست آمده است.

شکل 7. مقایسه نقشه برجسته و نتیجه تقسیم بندی (رودخانه چانگجیانگ). ( الف ) تصویر اصلی SAR؛ ( ب ) نقشه برجسته تولید شده توسط مدل Itti. ( ج ) نقشه برجسته تولید شده توسط مدل TW-Itti. ( د ) نقشه LSW با استفاده از روش ما به دست آمده است.

جدول 1. داده های تجربی آب های مختلف.

جدول 2. دقت کلی و مقایسه ضریب کاپا.

جدول 3. ماتریس خطای تصویر طبقه بندی شده ALG1 (مجموعه داده 1).

جدول 4. ماتریس خطای تصویر طبقه بندی شده ALG2 (مجموعه داده 1).

جدول 5. ماتریس خطای تصویر طبقه بندی شده ALG3 (مجموعه داده 1).

جدول 6. ماتریس خطای روش پیشنهادی تصویر طبقه بندی شده (مجموعه داده 1).

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

خلاصه

1. معرفی