يك الگوريتم جديد براي تشخيص نواحي پوشش‌ گياهي و سايه در تصاوير هوايي/ماهواره‌اي با تفكيك مكاني بالا بر اساس روش تحليل مولفه‌هاي اصلي

A New Algorithm for Detection of Vegetation and Shadow Regions in High Resolution Aerial/Satellite Images Based on Principal Component Analysis

استفاده از داده‌هاي سنجش از دور در بررسي خصوصيات پوشش‌گياهي مي‌تواند منجر به صرف هزينه و زمان كمتر و دستيابي به اطلاعات دقيق‌تر گردد. در اين مقاله روشي خودكار براي شناسايي نواحي پوشش‌گياهي و سايه در تصاوير هوايي و ماهواره‌اي با تفكيك مكاني بالا ارائه شده است. روش پيشنهادي تنها از اطلاعات سه كانال اصلي تصوير (RGB) استفاده نموده و داراي دو فاز مدل‌سازي و تست مي‌باشد. در فاز مدل‌سازي، ويژگي‌هاي بافت و رنگ از پيكسل‌هاي تعداد محدودي نمونه آموزشي استخراج شده و با استفاده از روش تحليل مولفه‌هاي اصلي، مدلي كمي براي كلاس‌هاي پوشش گياهي و سايه بدست مي‌آيد. در فاز تست، ابتدا بردار ويژگي متناظر با هر يك از پيكسل‌هاي تصوير ورودي محاسبه مي‌گردد. سپس، ميزان انطباق هر يك از بردارهاي ويژگي با مدل استخراجي بررسي شده و خطاي عدم تطبيق محاسبه مي‌گردد. به اين ترتيب، براي هر يك از مدل‌هاي پوشش گياهي و سايه، يك تصوير خطا بدست خواهد آمد. در نهايت، با اعمال آستانه مناسب به هر يك از تصاوير مذكور، نواحي پوشش گياهي و سايه از پس‌زمينه تفكيك مي‌شوند. نتايج تجربي بيانگر عملكرد مناسب روش پيشنهادي در مقايسه با چند الگوريتم رقيب مي‌باشد.

Evaluation of vegetation cover by using the remote sensing data can provide enhanced results with less time and expense. In this paper, we propose a new automatic algorithm for detection of vegetation and shadow regions in high-resolution satellite/aerial images. It uses only color channels of the image and involves two modeling and evaluation phases. In the modeling phase, after extracting color and texture features for the pixels within a few manually-indicated vegetation areas, two distinct models are obtained based on the principle component analysis. In the evaluation phase, the same color and texture features are primarily computed for every pixel of the given image. Then, an error value is computed for each pixel which determines the model mismatch score. Finally, by thresholding the error image which includes all the error values, the vegetation and shadow regions are distinguished from the background. Experimental results demonstrated outstanding solution quality of the proposed algorithm compared to a number of counterpart algorithms.