[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 308
نرخ پذیرش: 62.8
نرخ رد: 37.2
میانگین داوری: 209 روز
میانگین انتشار: 344 روز
..
:: دوره 2، شماره 1 - ( 3-1393 ) ::
جلد 2 شماره 1 صفحات 39-17 برگشت به فهرست نسخه ها
نرمالیزاسیون اتوماتیک تصاویر ماهواره‌ای چندزمانه‌ با استفاده از شبکه‌های عصبی مصنوعی و پیکسل‌های تغییرنیافته
وحید صادقی* ، حمید عبادی ، فرشید فرنوداحمدی
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (6393 مشاهده)
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.
واژه‌های کلیدی: تصاویر ماهواره‌ای‌چندزمانه، آشکارسازی تغییرات، نرمالیزاسیون رادیومتریک نسبی، شبکه‌های عصبی مصنوعی.
متن کامل [PDF 1689 kb]   (1595 دریافت)    
نوع مطالعه: پژوهشي |
دریافت: 1394/4/20 | پذیرش: 1394/4/20 | انتشار: 1394/4/20
فهرست منابع
1. [1] Yang.X and Lo, C.P., 2000. Relative Radiometric Normalization, Photogrammetric Engineering & Remote Sensing, 66(8), 967-980.
2. [2] Lo, C.P., and Yang, X. 1998. Some practical considerations of relative radiometric normalization of multidate Landsat MSS data for land use change detection, Proceedings of ASPRS/RTI 1998 Annual Convention, Tampa, Florida, 1184-1193.
3. [3] Hall, F.G., Strebel, D.E., Nickeson, J.E. and Goetz, S.J. 1991. Radiometric rectification: Toward a common radiometric response among multidate, multisensor images, Remote Sensing of Environment,(35),11-27. [DOI:10.1016/0034-4257(91)90062-B]
4. [4] Elvidge, C.D., Yuan, D., Ridgeway, D.W. and Lunetta, R.S. 1995. Relative radiometric normalization of Landsat Multispectral Scanner (MSS) data using an automatic scattergram-controlled regression, Photogmmmetric Engineering Remote Sensing, 61(10), 1255-1260.
5. [5] Alborzi, M., 2008, Neural Computing: An Introduction. Tehran: Enteshara'te Elmi (Sharif University of Technology).
6. [6] Richards, J.R., 1986. Remote Sensing Digital Image Analysis: An Introduction, Springer-Verlag. Berlin, p 281. [DOI:10.1007/978-3-662-02462-1]
7. [7] Ya'allah, S.M. and Saradjian,M.R, 2005. Automatic normalization of satellite images using unchanged pixels within urban areas, Information Fusion, (6), 235–241. [DOI:10.1016/j.inffus.2004.12.002]
8. [8] Im, J. and Jensen, J.A., 2005. change detection model based on neighborhood correlation image Analysis and decision tree classification. Remote sensing of environment, 99(3), 326-340. [DOI:10.1016/j.rse.2005.09.008]
9. [9] M Sezgin.M, and Sankur.B., 2004. Survey over image thresholding techniques and quantitative performance evaluation, Journal of Electronic Imaging 13(1), 146–165. [DOI:10.1117/1.1631315]
10. [10] Lee, H. and Park, R.H. 1990. Comments on an optimal threshold scheme for image segmentation, IEEE Trans. System,Man and Cybernetics, SMC(20), 741-742.
11. [11] Otsu, N., 1979. A threshold selection method from gray-level histogram", IEEE Trans. Systems Man Cybernet., vol(9), 62-66.
12. [12] Richards, J.A. and Jia.X, 2006. Remote Sensing Digital Image Analysis, 4th Edition: Springer-Verlag, Berlin,PP.137-154.
13. [13] Yang, G.Y., 1995. Geological mapping from multi-source data using neural networks. M.Sc. Thesis. University of Calgary, Canada,
14. [14] Mokhtarzade, M.M and Valadan Zoej, J. 2007. Road detection from high-resolution satellite images using artificial neural networks, International Journal of Applied Earth Observation and Geoinformation 9, 32–40. [DOI:10.1016/j.jag.2006.05.001]
15. [15] Demuth H, and Beale, M Neural Network Toolbox For Use with MATLAB,1998.
16. [16] Jain, A.K., Mao, J. and Mohiuddin, K.M. 1996. Artificial Neural Network: A Tutorial, IEEE, Computer, 29(3), 31-44. [DOI:10.1109/2.485891]
17. [17] Singh, A., 1989. Digital change detection techniques using remotely-sensed data., Int. J. Remote Sensing, 10(6), 989–1003. [DOI:10.1080/01431168908903939]
18. [18] ALbregtsen, f. 1993. Non-Parametric Histogram Thresholding Methods - Error Versus Relative Object Area, Proc. 8th Scadinavian Conf. Image Analysis, Tromse, Norway, 1993. 273-280.
19. [19] Schott, J.R., Salvaggio, C. and Volchok, W.J. 1988. Radiometric scene normalization using pseudo-invariant features, Remote Sensing of Environment 26 (1), 1–16. [DOI:10.1016/0034-4257(88)90116-2]
20. [20] Salvaggio, C., 1993. Radiometric scene normalization utilizing statistically invariant features, Proceedings of Workshop Atmospheric Correction of Landsat Imagery, Defense Landsat Program Office, [dates of workshop] Torrance, California, 155-159.
21. [21] S Wu,S. and Amin.A, 2003. Automatic Thresholding of Gray-level Using Multi-stage Approach, Proceedings of the Seventh International Conference on Document Analysis and Recognition (ICDAR 2003).
22. [22] Hong, G., Zhang, Y., 2005. Radiometric Normalization of Ikonos image using Quickbird image for urban area change detection. In: Proceedings of the ISPRS joint conference 3rd International Symposium Remote Sensing and Data Fusion Over Urban Areas (URBAN 2005) - 5th International Symposium Remote Sensing of Urban Areas (URS 2005), Tempe, AZ, USA
23. [23] [23] Liao, P.S., Chen, T.S., Chung, P.C., 2001. A fast algorithm for multilevel thresholding. Journal of Information Science and Engineering 17, 713–727.
24. [24] Jin-Song, D., Ke, W., Jun, L and Yan-Hua, D., 2009. Urban Land Use Change Detection Using Multisensor Satellite Images, Pedosphere 19(1): 96–103, 2009. [DOI:10.1016/S1002-0160(08)60088-0]
25. [25] Chavez, P.S., Jr. 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment, Vol. 24, pp.459-479. [DOI:10.1016/0034-4257(88)90019-3]
26. [26] [26] Karin E. Callahan, 2001. Validation of a radiometric normalization procedure for satellite derived imagery within a change detection framework. Master of science, Utah State University Logan, Utah.
27. [27] Jensen (Ed.), J.R. 1983, Urban/suburban land use analysis, in R.N. Colwell (Ed.), Manual of Remote Sensing, second edition, American Society of Photpgrammetry, FallChurch, VA, pp.1571–1666.
28. [28] Yuan, D., Christopher.D, Elvidge, 1996. Comparison of relative radiometric normalization techniques, ISPRS Journal of Photogrammetry and Remote Sensing, 15(3, p. 117-126
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


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

Sadeghi V, Ebadi H, Farnood Ahmadi F. Automatic Normalization of Multitemporal Satellite Images using Artificial Neural Network and Unchanged Pixels . jgit 2014; 2 (1) :17-39
URL: http://jgit.kntu.ac.ir/article-1-110-fa.html

صادقی وحید، عبادی حمید، فرنوداحمدی فرشید. نرمالیزاسیون اتوماتیک تصاویر ماهواره‌ای چندزمانه‌ با استفاده از شبکه‌های عصبی مصنوعی و پیکسل‌های تغییرنیافته. مهندسی فناوری اطلاعات مکانی. 1393; 2 (1) :17-39

URL: http://jgit.kntu.ac.ir/article-1-110-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 2، شماره 1 - ( 3-1393 ) 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 0.05 seconds with 37 queries by YEKTAWEB 4645