تقطیح  داده های پلاریمتری با کمک مدل های اماری

عنوان پایان‌نامه

تقطیح داده های پلاریمتری با کمک مدل های اماری

دانشجو در تاریخ ۲۳ شهریور ۱۳۹۲ ، به راهنمایی ، پایان نامه با عنوان "تقطیح داده های پلاریمتری با کمک مدل های اماری" را دفاع نموده است.

رشته تحصیلی: مهندسی عمران- نقشه برداری- سنجش ازدور

مقطع تحصیلی: کارشناسی ارشد

محل دفاع: کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 2924;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 67838

تاریخ دفاع: ۲۳ شهریور ۱۳۹۲

دانشجو: مسعود مهدیان پری

استاد راهنما: محمدعلی شریفی

چکیده

لینک فایل چکیده

امروزه استفاده داده‌های پلاریمتریک راداری در بسیاری از شاخه‌های سنجش از دور مورد توجه محققان قرار گرفته است. داده‌های پلاریمتریک با توجه به ویژگی‌های منحصر به فردی که دارند، امکان شناسایی بهتر پدیده‌ها را فراهم می‌کنند و با توجه به عدم وابستگی به شرایط جوی و نور خورشید، به عنوان منبع عظیم اطلاعات در کاربردهای گوناگون در نظر گرفته ‌می‌شوند. با توجه به برخی محدودیت‌های داده‌های راداری، روش‌های مرسوم مورد استفاده در داده‌های نوری کارایی بالایی روی این تصاویر ندارند. از این رو باید روش‌هایی سازگار با ماهیت این داده‌ها ارائه و استفاده شوند. یکی از زمینه‌های مورد مطالعه‌ی داده‌های سنجش از دور، استفاده از آنالیزهای آماری روی این داده‌ها است. طبقه‌بندی تصاویر پلاریمتریک، با توجه به توانایی بالای آن‌ها در جداسازی کلاس‌های مختلف پوششی، یکی از کاربردهای اصلی این داده‌ها محسوب می‌شود. روش‌های مختلف طبقه‌بندی داده‌ها، معمولا به دو دسته‌ی نظارت شده و بدون نظارت تقسیم می‌شوند. روش‌های بدون نظارت با توجه به عدم نیاز به اطلاعات زمینی، بیشتر مورد توجه کاربران است. تکنیک‌های بدون نظارت متنوعی برای طبقه‌بندی یا تقطیع داده‌های سنجش از دور مطرح است که یکی از روش‌های بسیار کاربردی و با قابلیت بالا در این زمینه، استفاده از روش‌های آماری در بررسی تصاویر پلاریمتریک است. مدل‌های متنوعی برای آنالیز آماری داده‌های پلاریمتریک با توجه به توابع توزیع احتمالی انواع داده‌ها ارائه شده است. یکی از مدل‌های مطرح در بررسی همبستگی‌های آماری داده‌ها، استفاده از زنجیره‌ی مارکو است. این روش با در نظر گرفتن همبستگی‌های بین پیکسلی، این امکان را فراهم می‌کند تا داده‌ها به‌صورت سازگارتر و با قابلیت اعتماد بیشتری وارد الگوریتم‌های مورد نظر شوند. در بخش اول این پایان‌نامه از روشی مبتنی بر زنجیره‌ی مارکو و ترکیب اطلاعات پیکسل‌مبنا و هم‌چنین استفاده از آنالیزهای متنی، برای کاهش اثر نویز اسپکل استفاده شده است. این روش که بر اساس آنالیز آماری داده‌ها کار می‌کند، قدرت خود را در حذف نویز اسپکل و نگهداری اطلاعات زمینه‌ی تصویر نشان داده است. تکنیک آماری دیگری که در مطالعه‌ی داده‌های پلاریمتریک مطرح است، استفاده از تبدیلات ملین برای به دست آوردن توابع توزیع بهینه و منطبق بر داده‌ها و هم‌چنین یافتن پارامترهای مختلف آن‌ها است. با استفاده از این ایده، امکان جداسازی کلاس‌های پوششی زمین با توجه به توابع توزیع احتمالی کلاس‌ها با دقت قابل قبولی به وجود می‌آید. در نهایت برای تقطیع داده‌های پلاریمتری از روش بیشینه کردن امید ریاضی آماری استفاده شده است. این روش، یک روش تکراری بوده و نیاز به یک نقشه طبقه بندی اولیه به عنوان مقادیر اولیه الگوریتم دارد. برای این منظور در این تحقیق، از سه روش برای تعیین مقادیر اولیه این الگوریتم استفاده شده است. نتایج به دست آمده نشان می‌دهد، روشی که مقادیر اولیه آن بر اساس تبدیلات ملین به‌ دست آمده است، نقشه طبقه‌بندی نهایی را با دقت بالاتری فراهم می‌کند. عملکرد هر کدام از الگوریتم‌های مطرح شده، با استفاده از شاخص‌های ارزیابی دقت روی سه دسته از داده‌های پلاریمتریک راداری مورد بررسی و ارزیابی قرار گرفته است. این داده‌های‌ پلاریمتری کامل مربوط به باند L سنجنده‌ی AIRSAR، از شهر San Francisco در کشور آمریکا، تصاویر باند L سنجنده‌ی EMISAR، از شهر Winnipeg درکشور کانادا، و داده‌های باند L سنجنده‌ی PALSAR، ماهواره‌ی ALOS از شهر تهران هستند. الگوریتم ارائه شده برای کاهش نویز اسپکل با توجه به معیارهای ارزیابی دقت در حذف نویز و نگهداری اطلاعات، با روش‌های متداول کاهش نویز اسپکل مقایسه شده‌اند. روش ارائه شده برای تقطیع داده‌ها نیز با توجه به معیارهای مربوطه، با روش‌های متداول مورد استفاده در این زمینه مقایسه شده‌اند. نتایج بصری و عددی به‌دست آمده، نشان دهنده‌ی دقت و کارایی بالای روش‌ها در طبقه‌بندی بدون نظارت تصاویر پلاریمتری راداری است. کلمات کلیدی: آنالیز آماری تصاویر راداری، تقطیع داده‌های راداری، طبقه‌بندی بدون نظارت، تصاویر پلاریمتریک راداری، زنجیره مارکو، تبدیلات ملین، بیشینه امید ریاضی.

Abstract

Recently, using polarimetric radar data in all of remote sensing fields have been taken into consideration by researchers. Since the unique characteristics of these kinds of data, they are able to provide better identification of phenomena. According to the independence of weather condition and sunlight, they seem as a suitable source of gathering information in variety of applications. Due to some limitations of the radar data, the conventional methods used in optical data are not in high performance for them. Hence the methods must be consistent with the nature and use of the provided data. Statistical analysis of the data is one of the important fields in remote sensing domain. Classification of polarimetric images, due to their high ability to separate different classes of land cover, is considered as one of the main uses of these data. Different classification methods usually are divided into two main categories: supervised and unsupervised techniques. Unsupervised methods are more attractive for most of users because these techniques do not need ground data information. Various unsupervised techniques are introduced for segmentation of remote sensing data which one of mostly used and with high performance is based on statistical analysis of polarimetric data. Several models of statistical analysis are presented according to the probability distribution function of polarimetric data. Using Markovian chain is one of the proposed models for data correlation investigation. This method by considering correlations between pixels makes it possible to enter data as more consistent and reliable in desired algorithms. In the first part of this thesis, by a method based on Marco chain and synthesizing Pixel-based information and Contextual analysis the effect of speckle noise is reduced. This method which works based on statistical analysis of data, also showes its power in speckle removal and remaining background information of polarimetric data. Mellin transform is another statistical technique which has been used in the study of obtaining the optimal distribution functions of data, and also defining their parameters. With this idea, the possibility of separation of different land cover classes arises according to the probability distribution function with acceptable accuracy. Finally the method based on statistical expectation maximization is used for segmentation of polarimetric data. This method is an iterative method which requires an initial classification map as initial input for the algorithm. For this purpose, in this study three methods were used to determine the initial input of the algorithm. The results show that the way in which the initial values are obtained based upon the mellin transform provides a higher accuracy of the final classification map. Each of the proposed algorithms used three sets of polarimetric radar data to assess the efficiency of the algorithm by accuracy indicators. The data relating to full polarimetric L -band AIRSAR sensor of the city of San Francisco in America, the images of L -band EMISAR sensor in the City of Winnipeg in Canada, and L -band ALOS PALSAR data of Tehran are used in this study. The proposed algorithm for reduction of speckle noise is compared with the conventional methods based on accuracy indices by evaluation of criteria carefully in reduction of noise and storing information. The proposed segmentation method according to relevant criteria is compared with common methods used in this field. The visual and numerical results demonstrate the accuracy and efficiency of the methods in unsupervised classification of polarimetric radar images. KeyWords: data segmentation, unsupervised classification, statistical analysis of radar images, polarimetric radar, markovian chain, Mellin teransform, expectation maximization.