بهبود الگوريتم ميدان تصادفي ماركوف با هدف آشكارسازي نظارت نشده تغييرات تصاوير sar چند كاناله

استفاده از داده هاي چندكاناله1 سنجنده هاي رادار با روزنه مجازي sar 2، به‌دليل مستقل‌بودن از شرايط جوي و نور خورشيد و نيز دارابودن قابليت بالا در استخراج تغييرات، در مقايسه با حالت تك‌كاناله، در كاربردهاي متفاوتي مانند نظارت بر محيط‌زيست و مديريت بلاياي طبيعي بسيار توجيه پذير است. با اين حال، بهره برداري از اين قابليتها به استفاده از روشهاي دقيق و اتوماتيك براي توليد نقشه هاي تغييرات از تصاوير اخذشده از منطقه جغرافيايي يكسان، در پلاريزاسيون ها يا فركانس هاي گوناگون مربوط به زمانهاي متفاوت، نياز دارد. از سوي ديگر، حساسيت به بافت صحيح براي يك پيكسل ميتواند به حذف خطاهاي برچسبگذاري پيكسل هاي منفرد كمك كند و نقشه تغييرات را بهبود بخشد. حذف نويز لك هاي و ماهيت ايزوتروپيك مدلسازي ميدانهاي تصادفي ماركوف موجب نرم‌شدن مرزهاي مكاني بين مناطق تغييريافته و تغييرنيافته در نقشه تغييرات نهايي ميشود. به‌منظور حذف يا دست‌كم كاهش اين اثر نامطلوب، استفاده از مدل ماركوف با هدف دخيل‌كردن اطلاعات لبه ها در فرايند برچسب گذاري پيشنهاد ميشود. اين روند دقت لبه ها در محل مرزهاي مكاني را بهبود مي‌بخشد و دقت آشكارسازي تغييرات را ارتقا ميدهد. در اين تحقيق، يك مدل ماركوف به‌منظور تشخيص نظارت نشده تغييرات، ازطريق تركيب اطلاعات موجود در هريك از كانالهايsar ، اطلاعات بافت مكاني و نيز اطلاعات لبه، معرفي شده و با استفاده از «توابع انرژي» فرموله شده است. به‌منظور برآورد پارامترهاي مدل، الگوريتم بيشينهسازي اميد رياضي (em)3 با روش مشتقات لگاريتمي (molc)4 تركيب شده است. الگوريتم پيشنهادي با استفاده از تصاوير asarenvisat به‌روش شبيه سازي ارزيابي شده است. براساس نتايج، روش پيشنهادي دقت كلي را، در مقايسه با روشهاي موجود آشكارسازي تغييرات (با ميانگين 12%)، افزايش داده و قابليت شناسايي هر سه نوع تغييرات (اندك متوسط زياد) را داراست. اين در حالي است كه، با درنظرگرفتن اطلاعات باندها و بافت مكاني، قدرت شناسايي تغييرات اندك و متوسط بسيار پايين برآورد شده است. همچنين، با توجه به تعداد دفعات تكرار پايين، زمان اجراي الگوريتم بسيار كاهش يافته است. به‌طوركلي، بيشترين دقت الگوريتم، براساس روش پيشنهادي، 67/99% برآورد شد.