عنوان پایان‌نامه
بکار گیری برخال ها و الگوریتم ژنتیک در تشخیص تغییرات مناطق شهری با استفاده از تصا ویر رادار
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 2075;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 51885
- تاریخ دفاع
- ۲۹ بهمن ۱۳۹۰
- دانشجو
- حسین اقابابایی
- استاد راهنما
- جلال امینی
- چکیده
- تشخیص تغییرات، فرایند شناسایی و کشف تفاوت‌های ایجاد شده در حالت و وضعیت اشیاء یا پدیده‌ها، در یک جفت تصویر سنجش ازدوری از یک منطقه مشترک، در دو زمان متفاوت است. فرضیه ی اصلی در تشخیص تغییرات به کمک داده‌های سنجش‌ازدوری این است که تغییر در پدیده‌ها باعث تغییر در قابلیت انعکاس و یا تغییر بافت محلی آن‌ها می گردد. امروزه سنجنده‌های مختلفی با محدوده‌ی دید طیفی متفاوت برای مشاهده ی زمین و شناسایی تغییرات وجود دارد. از این میان، سنجنده‌های راداری بدلیل محدوده ی دید طیفی خود و دارا بودن سیستمی فعال برای تصویر برداری، نسبت به سایر سنجنده‌های سنجش‌ازدوری در تشخیص تغییرات، دارای مزیت هستند. چرا که تصویربرداری تمام وقت و در هر شرایط آب‌و‌هوایی، باعث تضمین در مشاهده پدیده‌ها حتی در زمان بوجود آمدن تغییراتی نظیر تغییرات ناشی از سیل و زلزله شده است. در صورتی‌که مشاهده تغییرات با تصاویر مرئی در زمان ایجاد آن‌ها، بدلیل تولید گرد و غبار در هنگام زلزله و یا وجود ابر در هنگام سیل با مشکلاتی همراه است. با این وجود یک مشکل عمده در تصاویر راداری (SAR)، وجود نویز لکه ای است که بسیاری از روش های کلاسیک تشخیص تغییرات نظیر تفاضل تصاویر، آنالیز مولفه اصلی، آنالیز بردار تغییرات طیفی، رگرسیون تصاویر، نسبت تصاویر و غیره متاثر از آن هستند و اغلب نتایج مختلفی ارائه می کنند. در این پایان نامه یک روش نوین در تشخیص تغییرات با تصاویر SAR برمبنای هندسه ی برخالی (فرکتالی) و الگوریتم ژنتیک تحت عنوان مدل فرکتال ژنتیک ارائه می‌گردد که نسبت به نویز لکه ای موجود در این تصاویر حساسیت بسیار کمی دارد. از لحاظ تئوری، چون سیگنال دریافت شده در یک سیستم SAR به عنوان یک پدیده ی آشوبی شناخته می شود، در نتیجه سیگنال فوق قابلیت مدلسازی در سیستم های دینامیکی آشوبی را دارد. پدیده های آشوبی در سیستم های دینامیکی می توانند با بعد فرکتالی توصیف شوند. بعد فرکتالی در هندسه ی فرکتالی به‌منظور توصیف پیچیدگی هندسی پدیده‌ها تعریف می‌شود که روش‌های مختلفی برای محاسبه آن وجود دارد. روش پیشنهادی بر مبنای ترکیب امضای طیفی و بعد فرکتالی تصاویر SAR است که در آن، تصاویر فرکتالی متناظر با تصاویر SAR محاسبه شده و سپس با ترکیب تصاویر فرکتالی و تصاویر SAR، تصویر اختلاف جدید تحت عنوان تصویر D محاسبه می شود. نقشه ی تغییرات نهایی با کمینه ساختن تابع هزینه در الگوریتم ژنتیک بدست می‌آید. مجموع وزنی مربع خطاها در نواحی تغییر و غیر تغییر به عنوان تابع هزینه در الگوریتم ژنتیک در نظر گرفته شده است. نتایج حاصل از الگوریتم پیشنهادی با استفاده از داده های ASAR onboard EnviSAT، JERS وALOS-PALSAR در مناطقی از توکو (تایوان)، بندر انزلی (ایران)، پاکدشت (ایران) و سندای در ژاپن، با روش های کلاسیک نظیرنسبت لگاریتمی تصاویر و آنالیز مولفه ی اصلی مقایسه شده است. در این مقایسه دقت کلی برای الگوریتم پیشنهادی و روش های کلاسیک نسبت لگاریتمی و آنالیز مولفه ی اصلی به ترتیب برابر با 5/97% ، 34/87% و 40/75% بوده که دقت کلی 5/97%، نشان از کارایی الگوریتم پیشنهادی را دارد. همچنین با در نظر گرفتن تشخیص تغییرات به عنوان یک حالت خاص از مسئله طبقه‌بندی، به مقایسه نتیجه ی الگوریتم پیشنهادی با نتایج حاصل از ماشین های بردار پشتیبان، شبکه های عصبی و طبقه بندی بر مبنای خوشه بندی فازی پرداخته شده و برتری الگوریتم پیشنهادی نسبت به این الگوریتم‌ها نشان داده شده است. در انتها با استفاده از تصویر اختلاف پیشهادی، نتایج برخی از روش‌های تشخیص تغییرات بهبود داده شده است.
- Abstract
- Change detection is a process that analyzes a pair of remote sensing images acquired on the same geographical area at different times in order to identify changes that may have occurred between the considered acquisition dates. The basic premise in using remote sensing data for change detection is that changes in land cover must result in changes in radiance values. Todays there are many satellites with different wave length to observe the earth and detecting the changes. Among these, SAR systems have advantages in comparison to the optics and infrared remote sensing systems. Because observing the phenomenon even in changes time like flood and earthquake is guaranteed by acquiring SAR data under all weather and all day. While observing the changes with optics systems in change times associate with problems because of dust during the earthquake or cloud during the flood. However a downside in SAR images is speckle noise and most of classical change detection methods like image difference, principal component analysis, change vector analysis, image ratio and etc. are affected by noise and their results are unacceptable. In this thesis a new change detection algorithm for SAR images based on the fractal geometry and genetic algorithm called fractal genetic model (FGM) is proposed. Theoretically, SAR signals can be characterize as a chaotic phenomenon. Accordingly, SAR signal can be represented by non-linear dynamic system and characterize by its fractal dimension. Fractal dimension is introduced in fractal geometry to describe highly complex forms and there are several methods for its computation. The proposed method is based on integration of fractal dimension and spectral signature. In the method, the fractal images correspond to the used SAR images obtain and then a new measure is computed by integration of fractal and SAR images. The final change map derives by minimizing a cost function using genetic algorithm on the proposed measure. The weighted sum of the mean square error of the changed and unchanged regions is used as a cost value for the corresponding change detection mask realization. Comparison of the proposed method results in some areas like Anzali seaport, Pakdasht in Tehran province, Sendai (Japan) and Tuku (Taiwan) with classical change detection methods like log-ratio image and principal component analysis on JERS, ALOS-PALSAR and ASAR onboard EnviSAT images show the efficiency and the noise resistance of the proposed method and the overall accuracy improves from 75.40% and 87.34% in log-ratio and PCA to 97/5% in the proposed method. We also compare the results of the method by viewing change detection as a particular case of the multi-temporal image classi?cation problem, with some classification methods like support vector machine, fuzzy c-means clustering and neural network with back propagation training. Comparisons show the efficiency of proposed method in change detection. Finally the results of used methods are improved with the proposed measure in detection of SAR images changes.
