AU - moghimi, armin AU - Khazai, safa AU - ebadi, hamid TI - Unsupervised Change Detection in Multitempolar SAR Images Based on Integration of Clustering and Active Contour Model PT - JOURNAL ARTICLE TA - kntu-jgit JN - kntu-jgit VO - 5 VI - 1 IP - 1 4099 - http://jgit.kntu.ac.ir/article-1-421-fa.html 4100 - http://jgit.kntu.ac.ir/article-1-421-fa.pdf SO - kntu-jgit 1 AB  - 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. CP - IRAN IN - LG - eng PB - kntu-jgit PG - 21 PT - Research YR - 2017