آشكارسازي تغييرات در مناطق شهري با تلفيق در سطح تصميم نقشه هاي تغييرات بدست آمده از تصاوير نوري و پلاريمتري

Change Detection in Urban Area Using Decision Level Fusion of Change Maps Extracted from Optic and SAR Images

با توجه به گسترش شهر نشيني در چند دهه ي گذشته، تغييرات ايجاد شده با بكارگيري تكنيك هاي آشكارسازي تغييرات شهري نمايان مي شود كه جهت برنامه ريزي شهري مورد استفاده قرار مي گيرد. استفاده از روش هاي مختلف آشكارسازي تغييرات و اعمال آن بر داده هاي راداري و نوري سنجش از دوري مزايا و معايبي دارند. تلفيق اين روش ها و دسته داده ها مي تواند به ما اين امكان را بدهد كه معايب شان پوشيده شود و مكمل يكديگر باشند. بدين منظور، در اين مقاله يك روش تلفيق در سطح تصميم مبتني بر راي اكثريت براي تلفيق نقشه هاي تغييرات حاصل از روش هاي مختلف اعمال شده روي دو دسته داده ي نوري و پلاريمتري پيشنهاد شده است. پس از اعمال پيش پردازش هاي لازم و استخراج ويژگي هاي مورد نظر از تصاوير نوري و پلاريمتري، به طبقه بندي آن ها به صورت جداگانه و با روش هاي مختلف مانند روش هاي طبقه بندي شي مبنا (روش نزديكترين همسايه و روش ماشين بردار پشتيبان) و روش هاي طبقه بندي پيكسل مبنا (حداكثر احتمال، شبكه عصبي، ماشين بردار پشتيبان) براي تصاوير نوري و روش هاي طبقه بندي ويشارت و ماشين بردار پشتيبان براي تصاوير پلاريمتري مي پردازيم. با اعمال روش هاي مختلف آشكارسازي تغييرات نقشه هاي تغييرات از تصاوير نوري و پلاريمتري حاصل مي شوند. در مرحله آخر نقشه تغييرات نهايي با اعمال الگوريتم راي اكثريت بر نقشه هاي تغييرات بدست آمده استخراج مي شود. به منظور ارزيابي دقت و كارايي روش پيشنهادي، اين روش بر روي تصاوير نوري حاصل از Google Earth، سنجنده QuickBird و تصاوير پلاريمتري روزنه تركيبي UAVSAR از حومه شهر اوكلند در كاليفرنيا، آمريكا مربوط به دو تاريخ 2010 و 2017 اعمال شد. به منظور روشن شدن اهميت بكارگيري هر دو تصاوير نوري و پلاريمتري، الگوريتم تلفيق راي اكثريت روي نقشه هاي تغييرات حاصل از تصاوير نوري و پلاريمتري بصورت جداگانه نيز اعمال شد. جهت انجام ارزيابي مقايسه اي، دقت نقشه تغييرات بدست آمده با استفاده از روش پيشنهادي و با بكارگيري تصاوير نوري بصورت مستقل (دقت كلي: 80.86% و كاپا: 0.67)، تصاوير پلاريمتري بصورت مستقل (دقت كلي: 75.43% و كاپا: 0.5)، استفاده همزمان از هر دو نوع تصوير (دقت كلي: 88.48% و كاپا: 0.79) و همچنين با بكارگيري نقشه هاي تغييرات هر دو دسته داده با بيشترين دقت (دقت كلي: 88.81% و كاپا: 0.79) محاسبه شد. در انتها نقشه ي تغييراتي با دقت كلي: 90.11% و كاپا: 0.82 حاصل شد.

The last few decades witnessed high urban growth rates in many countries. Urban growth can be mapped and measured by using remote sensing data and techniques along with several statistical measures. The purpose of this research is to detect the urban change that is used for urban planning. Change detection using remote sensing images can be classified into three methods algebra-based, transformation-based and classification-based. By using any of these methods and applying them to SAR and optical data has advantages and disadvantages. Fusion of these methods and datasets can give us this opportunity to overcome their disadvantages and complement each other. For this purpose, here, a decision level fusion technique based on the majority voting algorithm is proposed for integrating the change maps extracted by different methods. After extracting features for optical and polarimetric data, object-based and pixel-based classification methods applied to optic images and also Wishart and SVM classification methods applied on SAR data. Change maps extracted from applying different CD methods such as post-classification, image differencing and principal component analysis. In order to evaluate the efficiency of the proposed method, various optical and radar remote sensing images from before and after of urban growth, acquired by QuickBird and UAVSAR, were utilized. In order to clarify the importance of using both optical and polarimetric images, the majority voting fusion algorithm on the change maps extracted by optical and polarimetric images was also applied separately. The results show that by fusing optical and polarimetric data at the decision level, it is possible to obtain a better accuracy because these two types of data, due to differences, can detect changes in a different way, thus covering each other's deficiencies. Polarimetric images better detect changes in altitude changes, and optical images better detect changes resulting from spectral changes. In order to perform a comparative evaluation, the accuracy of the change map obtained using optical images (total accuracy: 80.86% and kappa: 0.67), polarimetric images (overall accuracy: 75.43% and kappa: 0.5), simultaneous applying both datasets (overall accuracy: 88.48% and kappa: 0.79), as well as using the change maps of both data sets with the highest accuracy (overall accuracy: 88.81% and kappa: 0.79) have been obtained. In the end, due to the noise characterization of the post-classification method, the obtained change map improves with an overall accuracy of 90.11% and a kappa of 0.82.