[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 5، شماره 1 - ( 3-1396 ) ::
جلد 5 شماره 1 صفحات 21-37 برگشت به فهرست نسخه ها
آشکارسازی نظارت‌نشده تغییرات از تصاویر چندزمانه SAR مبتنی بر ادغام خوشه‌بندی و مدل منحنی فعال
آرمین مقیمی*، صفا خزائی، حمید عبادی
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (2471 مشاهده)

در این تحقیق روشی جهت آشکارسازی نظارت‌نشده‌ی تغییرات در تصاویر چندزمانه SAR مبتنی بر ادغام خوشه‌بندی و مدل منحنی فعال ارائه‌شده است. در این روش، با استفاده از فیلتر گابور، در مقیاس و در جهات مختلف، اطلاعات بافتی تصویر استخراج می‌گردد و جهت کاهش وابستگی میان ویژگی‌های استخراجی و اطلاعات تصاویر، از آنالیز مؤلفه اصلی با هسته کرنل (KPCA) استفاده می‌شود. همچنین، برای تولید تصویر اختلاف از تبدیل موجک گسسته و به‌منظور تولید منحنی اولیه برای مدل منحنی فعال از خوشه‌بندی گوستافسون کِسل (GKC) استفاده می‌شود. در نهایت از مدل منحنی فعال ناحیه مبنای غیر پارامتریک برای تولید نقشه تغییرات، مبتنی بر مناطق تغییریافته و تغییرنیافته، استفاده می‌شود. جهت ارزیابی عملکرد روش پیشنهادی دو مجموعه تصاویر ماهواره‌ای چندزمانه با قدرت تفکیک مکانی بالا از سنجنده TerraSAR-x در نظر گرفته‌شده است. نتایج تجربی آشکارسازی تغییرات نشان می‌دهد که برای مجموعه داده اول میزان نرخ خطای کلِ روش پیشنهادی نسبت به مدل چان وِسChan–Vese))، روش زنجیره تصادفی مارکوف (MRF) و ادغام زنجیره مخفی تصادفی مارکوف و بیشینه‌سازی امید ریاضی (EMHMRF) به ترتیب 95/4 درصد، 30/3 درصد و 34/3 درصد کاهش‌یافته است و برای مجموعه داده دوم میزان نرخ خطای کل روش پیشنهادی نسبت به مدل Chan–Vese، روش MRF و EMMRF به ترتیب 56/2 درصد، 86/1 درصد و 87/1 درصد کاهش‌یافته است. همچنین نتایج نشان می‌دهد که استفاده از روش خوشه‌بندی GKC موجب تولید منحنی اولیه با حداقل زمان همگرایی برای مدل منحنی فعال گشته و استفاده از مدل منحنی فعال موجب افزایش دقت تولید نقشه تغییرات با استفاده از فرآیندی تکراری شده است.

واژه‌های کلیدی: تصاویر چندزمانه راداری، فیلتر گابور، خوشه بندی GKC، مدل منحنی فعال، SAR
متن کامل [PDF 1475 kb]   (1253 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1396/3/20 | پذیرش: 1396/3/20 | انتشار: 1396/3/20
فهرست منابع
1. [1] A. Singh, "Digital change detection techniques using remotely-sensed data", International journal of remote sensing, Vol. 10, pp. 989-1003, 1989. [DOI:10.1080/01431168908903939]
2. [2] T. Celik, "Unsupervised Change Detection in Satellite Images Using Principal Component Analysis And-Means Clustering", IEEE Geoscience and Remote Sensing Letters, Vol. 6, pp. 772-776, 2009. [DOI:10.1109/LGRS.2009.2025059]
3. [3] N.S. Mishra, S.Ghosh, and A.Ghosh, "Fuzzy clustering algorithms incorporating local information for change detection in remotely sensed images", Applied Soft Computing, Vol. 12, pp. 2683-2692, 2012. [DOI:10.1016/j.asoc.2012.03.060]
4. [4] A. Moghimi, H. Ebadi, and V. Sadeghi, "Review of Change Detection Methods from Multitempolar Satellite Images by Pixel-Based and Object-Based Approach", Geospatial Engineering Journal (GEJ), Vol. 7(2), pp. 99-110, 2016, (Persian).
5. [5] S.Ghosh, S.Patra, and A.Ghosh, "An unsupervised context-sensitive change detection technique based on modified self-organizing feature map neural network", International Journal of Approximate Reasoning, Vol. 50(1), pp. 37-50, 2009. [DOI:10.1016/j.ijar.2008.01.008]
6. [6] M.Volpi, G. Camps-Valls, and M.Kanevski, "Unsupervised change detection with kernels", IEEE Geoscience and Remote Sensing Letters, Vol. 9(6), pp. 1026-1030, 2012. [DOI:10.1109/LGRS.2012.2189092]
7. [7] A. Moghimi, H. Ebadi, and V. Sadeghi, "Unsupervised Change Detection from Multitemporal SAR images using clustering based on genetic algorithm and hidden markov random field model", The 1st National Conference on Geospatial Information Technology, 19, 20 Jan 2016, (Persian).
8. [8] M. Ghanbari, V. Akbari, A. A. Abkar, M. R. Sahebi. "Minimum-Error Thresholding for Unsupervised Change Detection in Multilook Polarimetric SAR Images", Journal of Geomatics Science and Technology (JGST). Vol.5 (2), pp. 17-29, 2015, (Persian).
9. [9] Y.Bazi, F.Melgani, and H.D. Al-Sharari, "Unsupervised change detection in multispectral remotely sensed imagery with level set methods", IEEE Transactions on Geoscience and Remote Sensing, Vol. 48(8), pp. 3178-3187, 2010. [DOI:10.1109/TGRS.2010.2045506]
10. [10] T.Celik and K.K. Ma, "Multitemporal image change detection using undecimated discrete wavelet transform and active contours", IEEE Transactions on Geoscience and Remote Sensing, Vol. 49(2), pp. 706-716, 2011. [DOI:10.1109/TGRS.2010.2066979]
11. [11] S.Kabir, D.He, M.Sanusi, and W.Wan Hussina, "Texture analysis of IKONOS satellite imagery for urban land use and land cover classification", the imaging Science Journal, Vol. 58, pp. 163-170, 2010.
12. [12] J.G. Daugman, "Uncertainty relation for resolution in space, spatial frequency, and orientation optimized by two-dimensional visual cortical filters", Journal of the Optical Society of America, 1985, 1160-1169. [DOI:10.1364/JOSAA.2.001160]
13. [13] M. Haghighat, S. Zonouz, and M.Abdel-Mottaleb, "Identification using Encrypted Biometrics in Computer Analysis of Images and Patterns", Springer, pp. 440-448, 2013. [DOI:10.1007/978-3-642-40246-3_55]
14. [14] L.Paul and D.P. Ramamoorthy, "Synthetic Aperture Radar Image Change Detection Using Fuzzy C-Means Clustering Algorithm", International Journal of Advanced Research in Computer and Communication Engineering, Vol. 2 (2), pp. 76-86, 2013.
15. [15] S. Nikolov, P. Hill, D. Bull, N.Canagarajah, "Wavelets for image fusion. Wavelets in signal and image analysis", Springer, pp. 213-241, 2001. [DOI:10.1007/978-94-015-9715-9_8]
16. [16] D.E. Gustafson and W.C. Kessel, "Fuzzy clustering with a fuzzy covariance matrix", In the 17th Symposium on Adaptive Processes, pp. 761-766, 1978. [DOI:10.1109/CDC.1978.268028]
17. [17] R. Babuka, P. Van der Veen, and U. Kaymak, "Improved covariance estimation for Gustafson-Kessel clustering", In proceedings of the 2002 IEEE International Conference on Fuzzy Systems, pp. 1081-1085, 2002. [DOI:10.1109/FUZZ.2002.1006654]
18. [18] T. F. Chan and L. Vese, "Active contours without edges", IEEE transactions on Image processing, Vol. 10(2), pp. 266-277, 2001. [DOI:10.1109/83.902291]
19. [19] S. Osher and J. A. Sethian, "Fronts propagating with curvature-dependent speed: algorithms based on Hamilton-Jacobi formulations", Journal of computational physics, Vol. 79(1), pp. 12-49, 1988. [DOI:10.1016/0021-9991(88)90002-2]
20. [20] K. Michael, A. Witkin, and D. Terzopoulos. "Snakes: Active contour models." International journal of computer vision, Vol. 1(4), pp. 321-331, 1988. [DOI:10.1007/BF00133570]
21. [21] C. Li, C.Xu, C.Gui, and M. D. Fox, "Level set evolution without re-initialization: a new variational formulation", In Computer Vision and Pattern Recognition, IEEE Computer Society Conference, pp. 430-436, 2005.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

moghimi A, Khazai S, ebadi H. Unsupervised Change Detection in Multitempolar SAR Images Based on Integration of Clustering and Active Contour Model. jgit. 2017; 5 (1) :21-37
URL: http://jgit.kntu.ac.ir/article-1-421-fa.html

مقیمی آرمین، خزائی صفا، عبادی حمید. آشکارسازی نظارت‌نشده تغییرات از تصاویر چندزمانه SAR مبتنی بر ادغام خوشه‌بندی و مدل منحنی فعال. مهندسی فناوری اطلاعات مکانی. 1396; 5 (1) :21-37

URL: http://jgit.kntu.ac.ir/article-1-421-fa.html



دوره 5، شماره 1 - ( 3-1396 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.04 seconds with 29 queries by YEKTAWEB 4312