fa نرمالیزاسیون اتوماتیک تصاویر ماهواره‌ای چندزمانه‌ با استفاده از شبکه‌های عصبی مصنوعی و پیکسل‌های تغییرنیافته پژوهشي Research نرمالیزاسیون رادیومتریک نسبی اغلب در آنالیزهای تصاویر سنجش از دور، مخصوصا در آنالیزهای آشکارسازی تغییرات پوششی اراضی مورد استفاده قرار می‌گیرد. نرمالیزاسیون، اختلافات رادیومتریکی بین تصاویر، ناشی از نابرابری شرایط تصویربرداری و نه به خاطر تغییرات واقعی در بازتاب سطحی را کاهش می‌دهد. در این مقاله، یک روش نرمالیزاسیون اتوماتیک، مبتنی بر شبکه‌های عصبی و پیکسل‌های تغییرنیافته، معرفی می‌گردد. در روش پیشنهادی ابتدا پیکسل‌های تغییرنیافته با استفاده از روش طرح شده در این تحقیق که بر مبنای استفاده از روش آشکارسازی تغییرات CVA، تبدیل مؤلفه‌های اصلی و قطعه‌بندی کا-مینز می‌باشد، تعیین شده و در مرحله مدل‌سازی، معماری‌های مختلفی از شبکه‌های عصبی به منظور تعیین بهترین معماری برای این کاربرد خاص، بررسی شده و شبکه با معماری بهینه برای تهیه تصویر نرمالیزه مورد استفاده قرار گرفته است. ایده مورد نظر روی دو جفت تصویر مرجع-هدف اخذ شده توسط سنجنده TM پیاده‌سازی شده است. نتایج نرمالیزاسیون حاصل از روش پیشنهادی با نتایج حاصل از 8 روش نرمالیزاسیون شامل: تطابق هیستوگرام(HM)، تصحیح haze(HC)، نرمالیزاسیون مینیمم-ماکزیمم(MM)، نرمالیزاسیون میانگین-انحراف‌ معیار(MS)، رگرسیون ساده(SR)، رگرسیون بهبود داده شده درجات اول، دوم و سوم و رگرسیون بهبود داده شده خطی-قطعه‌ای مقایسه گردید. ارزیابی صورت گرفته از الگوریتم پیشنهادی، قابلیت این روش را هم در آشکارسازی اتوماتیک تغییرات و هم در کاهش تاثیرات شرایط تصویربرداری(اتمسفر و سایر عوامل تاثیرگذار) نسبت به روشهای متداول نشان می‌دهد. روش آشکارسازی تغییرات پیشنهادی، قابلیت بالایی در شناسایی تغییرات پوشش گیاهی صورت گرفته در منطقه داشته و استفاده از این روش باعث بهبود نتایج نرمالیزاسیون در تمامی باندهای تصویر، مخصوصا در باندهای سوم و چهارم که در محدوده طیفی نور قرمز و مادون قرمز قرار می‌گیرد، شده است. در مرحله مدل‌سازی نیز استفاده از شبکه‌های عصبی سبب کاهش خطای کمترین مربعات نرمالیزاسیون داده‌های ارزیابی در مقایسه با روشهای متداول نرمالیزاسیون(مدل‌های خطی و غیرخطی) شده است. Relative Radiometric Normalization is often required in remote sensing image analyses particularly in the land cover change detection process. The normalization process minimizes the radiometric differences between two images caused by inequalities in the acquisition conditions rather than changes in surface reflectance. In this paper a new automatic Relative Radiometric Normalization (RRN) method is proposed which uses an Artificial Neural Network (ANN) and unchanged pixels. The proposed method includes the following stages: 1) automatic detection of unchanged pixels based on a new idea that uses CVA method, PCA transformation and K-means clustering technique, 2) evaluation of different architectures of perceptron neural networks in order to find the best architecture for this specific task and 3) use of the aforementioned network for normalizing the subject image. The method has been implemented on two paires of reference and subject images taken by the TM sensor. Normalization results obtained from the proposed method compared with the 8 conventional methods includes: Histogram matching, Haze Correction, Minimum-Maximum, Mean-Standard deviation, Simple Regression, Linear, Quadratic and Cubic Simple Regression Using Unchanged pixels and Multi Line Regression Using Unchanged Pixels. Experimental results confirm the effectiveness of the presented technique in the automatic detection of unchanged pixels and minimizing any imaging condition effects (i.e., atmosphere and other effective parameters). The proposed method for automatic change detection shows a high capability in detection of changes in covered vegetation areas. Using of this proposed method improves normalization results in all bands, especially in the third and fourth bands which are located in the red and infrared portion of the electromagnetic spectrum. The evaluation results of modeling stage reveal that the normalization using ANN in all 6 bands of all images has produced the more optimum results compared to those of normalization with conventional methods. تصاویر ماهواره‌ای‌چندزمانه, آشکارسازی تغییرات, نرمالیزاسیون رادیومتریک نسبی, شبکه‌های عصبی مصنوعی. Rheology, Finite-element methods, Brittle, Geotherm, Iran. 17 39 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-23&slc_lang=fa&sid=1 Vahid Sadeghi وحید صادقی vahid.sadeghi.1985@gmail.com 10031947532846004707 10031947532846004707 Yes K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Hamid Ebadi حمید عبادی 10031947532846004708 10031947532846004708 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Farshid Farnood Ahmadi فرشید فرنوداحمدی 10031947532846004709 10031947532846004709 No University of Tabriz دانشگاه تبریز