fa شناسایی مناطق بارز در تصاویر ماهواره‌ای با استفاده از ترکیب آشکارساز عوارض موضعی MSER و مدل‌های برجستگی تصویر فتوگرامتری Aerial Photogrammetry پژوهشي Research <span style="font-family:b nazanin;">امروزه با توجه به پیشرفت تصاویر ماهواره‌ای در زمینه کیفیّت بحث تشخیص اتوماتیک اهداف بر روی این تصاویر مورد توجه محققان قرارگرفته است</span><em><span dir="LTR"><span style="font-size:8.0pt;">.</span></span></em><span style="font-family:b nazanin;"> تصاویر سنجش‌ازدور مرئی شامل اهداف مکانی متنوعی هستند. این اهداف عموماً دست‌ساز بشر بوده و دارای یک ساختار مشخص و متمایز از نواحی اطراف خود می‌باشند. روش‌های مختلفی جهت شناسایی اتوماتیک اهداف مکانی ارائه شده است که در اکثر این روش‌ها جستجوی اهداف در تصاویر جهت استخراج و یا تطبیق ویژگی‌ها به منظور شناسایی اهداف مکانی صورت می&shy;پذیرد. در همین راستا در این تحقیق با هدف سرعت بخشیدن به مراحل شناسایی، مناطقی در تصویر انتخاب می‌شوند که در آنها احتمال وجود اهداف</span> <span style="font-family:b nazanin;">مکانی بسیار بالا خواهد بود. این امر به اتوماتیک نمودن فرآیند و نیز سرعت بخشیدن به پردازش‌های آتی مرتبط کمک شایانی خواهد نمود. برای این منظور از ترکیب مدل‌های برجستگی تصویر و ویژگی‌های الگوریتم‌های آشکارسازی عوارض موضعی بهره گرفته ‌شده است. روش ارائه‌ شده از سه مرحله اصلی تشکیل شده است. این مراحل شامل </span><span style="font-family:b nazanin;">استخراج عوارض موضعی توسط الگوریتم </span><em><span dir="LTR"><span style="font-size:8.0pt;">MSER</span></span></em><span style="font-family:b nazanin;"> (</span><em><span dir="LTR"><span style="font-size:8.0pt;">Maximally Stable </span></span></em><em><span dir="LTR"><span style="font-size:8.0pt;">Extremal Regions</span></span></em><span style="font-family:b nazanin;">)،</span><span style="font-family:b nazanin;"> تولید نقشه‌های برجستگی با اعمال مدل‌های </span><em><span dir="LTR"><span style="font-size:8.0pt;">AWS</span></span></em> <em><span dir="LTR"><span style="font-size:8.0pt;">(Adaptive Whitening&nbsp; Saliency)</span></span></em><span style="font-family:b nazanin;"> و</span> <em><span dir="LTR"><span style="font-size:8.0pt;">WMAP</span></span></em><span style="font-family:b nazanin;"> (</span><em><span dir="LTR"><span style="font-size:8.0pt;">Weighted Maximum Alignment Phase</span></span></em><span style="font-family:b nazanin;">) بر‌روی تصویر و تعیین مناطق بارز تصویری است. </span><span style="font-family:b nazanin;">در این تحقیق حدآستانه&shy;ای با محاسبه مقادیر برجستگی در کل تصویر تعریف شده است که با اعمال آن به هر ناحیه استخراج شده، مناطق بارز تصویر شناسایی می‌&shy;شوند. این روش، روی تصاویر متعددی شامل ۶ تصویر ماهواره‌ای از سنجنده&shy;های مختلف و ۶ تصویر ماهواره‌ای اخذ شده از نرم‌افزار گوگل ارث که حاوی اهداف مکانی مختلف با پس‌زمینه‌های متفاوت هستند؛ آزمایش شد. به‌منظور ارزیابی کمّی مناطق شناسایی‌شده از دو معیار استفاده شده است. همچنین این روش با رویکرد اعمال الگوریتم قطعه‌بندی انتقال میانگین جهت شناسایی مناطق بارز مورد مقایسه قرار گرفت. نتایج به‌دست آمده از اعمال روش پیشنهادی نشان می‌دهد، به طور متوسط مساحت مناطق شناسایی شده معادل با ۱_/۵ درصد از مساحت کل تصاویر استفاده شده است؛ به طوری‌که حدود ۲۸_/۹۸ درصد از اهداف مکانی در این مناطق واقع شده&shy;اند. همچنین میزان متوسط زمان محاسباتی برابر ۱_/۲۲&nbsp; ثانیه گزارش شده است. نتایج نشان دهنده برتری روش پیشنهادی از نظر دقت و سرعت محاسبات است.</span> Nowadays, due to quality development of satellite images, automatic target detection on these images has been attracted many researchers&#39; attention. Remote-sensing images follow various geospatial targets; these targets are generally man-made and have a distinctive structure from their surrounding areas. Different methods have been developed for automatic target detection.&nbsp; In most of these methods, target searching was used for features extraction or matching in order to detect the geospatial targets. Hence, in this paper, in order to improve computational time in target detection process, the areas of images with&nbsp; high probability of geospatial target existence, were selected. This will significantly improve the automation level of the process and computational time in following processes. For this purpose, a combination of saliency models and the of-local features detector&#39;s algorithm were used. The proposed method consists of three main steps, including local feature extraction by applying MSER algorithm, saliency maps generation by applying AWS and WMAP models and regions determination with high probability of geospatial target existence. In this paper, a threshold was defined by calculating the saliency values in the whole image. Salient regions were detected by applying the threshold for each extracted area. This method was implemented on six satellite images by different sensors and the mentioned six satellite images derived from Google Earth software that consist several geospatial targets with various backgrounds. Two criteria were used in order to quantitatively assess the results. Moreover, this method was compared with the mean shift segmentation algorithm in the color space images that was applied to detect saliency regions of an image. The results of the proposed method showed that the average of the detected areas was 5.1% of the total area of the images in which 98.28% of the targets were located in these regions. In addition, the average amount of computational time was 22.1 seconds. The results showed the superiority of the proposed method in terms of accuracy and computational speed. مناطق بارز, تصاویر ماهواره‌ای, الگوریتم AWS, الگوریتم WMAP, الگوریتم MSER Salient areas, Satellite images, AWS algorithm, WMAP algorithm, MSER algorithm 1 20 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-260-2&slc_lang=fa&sid=1 Fariborz Ghorbani فریبرز قربانی 10031947532846007469 10031947532846007469 Yes K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Hamid Ebadi حمید عبادی 10031947532846007470 10031947532846007470 No K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Amin Sedaghat امین صداقت 10031947532846007471 10031947532846007471 No Tabriz University دانشگاه تبریز