كليدواژه :
معيار تأثيرگذاري , آشكارسازي تغييرات , ويژگيهاي بافتي , بهينه‌سازي ازدحام ذرات , بهينه‌سازي ژنتيك
چكيده فارسي :
امروزه داده‌هاي مكاني و شهرها تحت تأثير عوامل طبيعي يا مصنوعي به سرعت دچار تغييرات مي‌شوند. اين تغييرات سبب از دست رفتن اعتمادپذيري اطلاعات جهت برنامه‌ريزي‌هاي شهري، مديريت صحيح منابع و ناكارامدي سيستم‌هاي اطلاعات مكاني مي‌شود. از اين رو آشكارسازي هر چه دقيق‌تر تغييرات يكي از دغدغه‌هاي متخصصين و پژوهشگران سنجش‌ازدور و فتوگرامتري مي‌باشد. علي‌رغم وجود اطلاعات طيفي غني و مفيد در تصاوير ماهواره‌اي با حد تفكيك بالا، گاهاً استفاده‌ي صرف از اين اطلاعات بدليل افزايش تنوع داخلي مناطق همگن متعلق به يك كلاس، پاسخگوي دستيابي به دقت‌هاي مورد نياز نخواهد بود و در عمل نياز به اين است كه روش‌هاي پيشرفته جهت آناليز اين داده‌ها بكار گرفته شود كه يكي از اين آناليزها استفاده از ويژگي‌ها و اطلاعات مكاني موجود در تصوير مي‌باشد. تنوع و گوناگوني ويژگيهاي استخراجي، استفاده از الگوريتم‌هاي بهينه‌سازي به منظور دستيابي به ويژگيهاي بهينه را ايجاب مي‌كند. جهت دستيابي به ويژگيهاي بهينه و يافتن پارامترهاي بهينه‌ي ماشين بردار پشتيبان بصورت همزمان، از الگوريتم‌هاي بهينه‌سازي ازدحام ذرات باينري و ژنتيك باينري استفاده شده است. همچنين با توجه به ضعف عمده‌ي روش پس از طبقه‌بندي در آشكارسازي تغييرات درون‌كلاسي و برخورداري تصاوير مورد استفاده از شرايط بد راديومتريكي كه كار قطعه‌بندي را با دشواري مواجه مي‌سازد، از طبقه‌بندي دوكلاسه تفاضل ويژگيهاي استخراجي، جهت آشكارسازي تغييرات استفاده شده است. در اين مقاله علاوه بر ويژگيهاي طيفي، از ويژگيهاي بافتي استخراجي از حوزه‌ي مكان و فركانس جهت توليد نقشه باينري تغييرات تصاوير با حد تفكيك بالاي شهرك آزادشهر تهران بهره گرفته شده است. دقت كلي 45/93 و ضريب كاپاي 87/0 در مقابل دقت كلي 03/91 و ضريب كاپاي 82/0 حاكي از برتري الگوريتم ازدحام ذرات نسبت به الگوريتم ژنتيك در انتخاب ويژگي و يافتن پارامترهاي بهينه‌ي ماشين بردار پشتيبان بصورت همزمان جهت دستيابي به نقشه باينري تغييرات دارد. محاسبه‌ي سهم هر يك از 10 نوع ويژگي مورد استفاده، توسط سه معيار معرفي‌شده در اين مقاله (تأثيرگذاري، تأثيرگذاري جزئي و تأثيرگذاري كلي)، نشان‌دهنده‌ي كارايي استفاده از ساير فضاهاي رنگي، ويژگيهاي استخراجي از تبديل ويولت و ويژگيهاي استخراجي از حوزه مكان (ماتريس رخداد توأم) بوده و همچنين منعكس‌كننده‌ي ضعف استفاده‌ي صرف از اطلاعات طيفي جهت آشكارسازي تغييرات در تصاوير با حد تفكيك بالا مي‌باشد. مقايسه روش پيشنهادي با ساير تحقيقات نشان از كارايي روش پيشنهادي دارد.
چكيده لاتين :
Nowadays spatial data and urban areas rapidly changing due to the many kinds of natural and artificial factors. These changes lead to the loss of reliability of the information for urban planning, resource management and inefficiency of spatial information systems. so, monitoring of these changes and obtaining update information about the land use and the kind of its changes is essential for urban planning, proper resource management, damage determination assessment and the updating of geospatial information systems. Therefore, more accurate change detection is a challenge for experts and researchers of remote sensing and photogrammetry. In recent years, various techniques have been developed for change detection especially on high-resolution images that choosing the appropriate method and algorithm to identify changes is not easy. Despite all the efforts of researchers to develop different methods for change detection, all techniques and methods have advantages and limitations. This article introduces a new category of changes detection methods. In general, methods and techniques of change detection in urban areas can be categorized into four major categories: direct comparison- post classification dipole, object based- pixel based dipole, supervised- unsupervised dipole, textural and spatial information and features. Despite a rich and useful spectral information in high-resolution satellite images of remote sensing and photogrammetry, just use of this kind of information, will not be enough to achieve the required accuracy due to increased variability within homogenous land-cover classes. So, in this paper, in addition to the spectral features, it is also used texture features extracted from the spatial and frequency domain (Spectral, Anomaly, Edge, Morphological building index (MBI), Other color space, Gray Level Co-occurrence Matrix (GLCM), Features extracted from wavelet transform, Features extracted from Gabor filter, Features extracted from Fourier transform and Features extracted from curvelet transform) to solving this problem and generating changes mask of high-resolution images. The diversity and variety of extracted features from the spatial and frequency domain require optimization algorithms to achieve optimum features. Therefore, particle swarm optimization and genetic algorithms have been used to achieve optimum features and optimum parameters of support vector machine simultaneously. Also according to the major weakness of post classification method for detection of intra-class changes and bad radiometric conditions of used images for segmentation, 2-class classification of differential features is used to detect changes. QuickBird (0.6 m - October 2006) and GeoEye (0.5 m - August 2010) satellite imagery of AzadShahr/Tehran/Iran are used to evaluate the proposed method. The overall accuracy 93.45 and kappa coefficient 0.87 versus 91.03 and 0.82 show that particle swarm optimization is better than a genetic algorithm to achieve optimum features and optimum parameters of support vector machine simultaneously. It also calculates the effectiveness of each 10 kinds of features used by three criteria introduced in this paper (Effectiveness, Minor Effectiveness, and Overall Effectiveness), indicates the efficiency of using other color spaces, features extracted from wavelet and features extracted from spatial domain (Gray Level Co-occurrence Matrix) and also reflects the weakness of using only spectral data to detect changes in high-resolution images. Compare the proposed approach with other studies (post classification and fuzzy thresholding method) show the effectiveness of proposed method.
