كليدواژه :
داده SAR , تبديل كرولت , تبديل موجك , تبديل چندمقياسي , تلفيق تصاوي
چكيده فارسي :
ماهواره هاي سنجش از دور، داده هايي با خصوصيات طيفي و مكاني مختلفي از سطح زمين جمع آوري ميكنند كه هركدام بخشي از خصوصيات عوارض را نمايان مي سازند. گاهاً اطلاعات بدست آمده از يك سنجنده به تنهايي پاسخگوي نيازهاي مورد نظر ما نيست. با وجود اينكه داده هاي چند طيفي[1] اطلاعات غني طيفي را از عوارض مختلف به ما ميدهد، اما به‌طور قابل توجهي تحت تأثير عوامل محيطي مانند دود، مه، ابر و ميزان نور خورشيد قرار ميگيرد. برخلاف سنجنده هاي اپتيك، سنجنده هاي رادار با روزنه مجازي[2] (SAR) در همه نوع شرايط آب و هوايي و شبانه روز توانايي اخذ داده را دارند. داده هاي SAR ميتوانند اطلاعات غني از بافت و ساختار ارائه داده و به مؤلفه‌هاي شكل، جهت، زبري و رطوبت از عوارض روي زمين حساس است. اما تصاوير SAR نميتوانند جزئيات و لبه اشياء را به‌وضوح مشخص كنند. بنابراين تركيب خصوصيات مختلف از تصاوير اپتيك و داده هاي SAR با استفاده از تكنيكهاي تلفيق تصوير، ميتواند يك ديد كامل‌تر از تارگت موردنظر به ما دهد و دقت و اعتمادپذيري بالاتري براي نتيجه هاي بدست آمده از اين روش ارائه دهد. تبديل كرولت، در تجزيه‌وتحليل لبه هاي منحني شكل و دقت بالاي آن براي تقريب و توصيف پراكندگي‌ها و جهت‌ها، در مقايسه با بسياري از تبديل هاي ديگر در زمينه تجزيه و تحليل اطلاعات تصوير و تلفيق تصاوير مناسبتر است. با توجه به محدوديت قدرت تفكيك مكاني و زماني براي تصاوير چندطيفي و محدوديت داده هاي SAR براي كاربردهاي شهري و طبقه بندي و مناسب بودن تبديل كرولت براي تلفيق اين دو نوع داده، تلفيق اين تصاوير باعث بهبود ضعفهاي آنها ميشود. در اين مقاله با استفاده از تبديل كرولت[3]، تصاوير SAR و اپتيك را به فضاي كرولت انتقال ميدهيم، سپس با روش ميانگين وزندار در فضاي كرولت تلفيق انجام ميگردد و در نهايت با اعمال تبديل كرولت معكوس تصوير تلفيق شده بدست ميآيد. بدين منظور داده هاي منطقه اي از شهر شيراز براي پياده سازي روش پيشنهادي استفاده شد. دو روش آماري و طبقه بندي براي ارزيابي تصاوير تلفيق شده مورد استفاده قرار گرفت. براي مقايسه، روش پيشنهادي با دو روش تلفيق با استفاده از تبديل IHS و wavelet استفاده شد. با استفاده از پارامترهاي آماري انحراف معيار، آنتروپي، معيار فركانس مكاني، ضريب همبستگي و اندكس كيفيت تصوير شاهد بهبود تصوير تلفيقي نسبت به روشهاي ديگر هستيم. با توجه به اينكه دقت طبقه بندي به ميزان اطلاعات طيفي و مكاني تصوير بستگي دارد، به منظور ارزيابي تأثير تلفيق در توان تفكيك طيفي و مكاني، تصاوير را طبقه بندي ميكنيم. با طبقه بندي تصوير اپتيك ورودي و تصوير تلفيقي، بهبود 4 درصدي دقت كلي طبقه بندي و افزايش 0.05 ضريب كاپا نسبت به تصوير ورودي مشاهده شده است. نتايج بدست آمده نشان دهنده مناسب بودن الگوريتم پيشنهادي براي تلفيق تصاوير SAR و اپتيك است.
چكيده لاتين :
Satellite remote sensing (RS), gathered data with different spatial and spectral characteristics of objects or phenomena from a distance that each of them represents part of the object properties. Although multispectral data gives rich spectral information from objects, but significantly influenced by environmental factors such as smoke, fog, clouds and the sunlight. In contrast to optical sensor, the virtual aperture radar sensors have the ability to take data in all types of weather conditions or day and night. Synthetic Aperture Radar (SAR) data can highlight the structural and textural details in the image. It is sensitive to terrain components of shape, direction, roughness, and moisture. So optical data provide detailed spectral information useful for discriminating between surface cover types, while the radar imagery highlights the structural detail in the image. Therefore image fusion techniques can help us for combining of different properties of optical images and SAR data that it can give us a complete view of the target and present higher accuracy and reliability of results obtained by this method. Curvelet transformation is more suitable in comparison with many other transformations for analysis of curved edges, high precision to approximate, describe scattering and directions. In this paper, transition SAR and optical images to Curvelet space by using Curvelet transformation, then the weighted average method is used for fusion in Curvelet space and finally fused images obtained by applying a reverse Curvelet transformation. Our case study is Shiraz city that we used data from this city for implementation of proposed method. Statistical methods and classification were used to evaluate the fused images. IHS and Wavelet transform methods is used for comparison to proposed method. Statistical parameters include standard deviation, entropy, standard spatial frequency, correlation and image quality index show improvement of fused images by proposed method than other methods. Considering that accuracy of classification depends on the image spatial and spectral information, for evaluate the effectiveness of fusion on the spatial and spectral resolution, images are classified. With the classification of input optics image and fusion image, overall accuracy improved 4 percent and Kappa coefficient increased 0.05 compared to the input image. The results show the suitability of the proposed algorithm for fusion SAR and optical images.
