تهيه نقشه در سطح زيرپيكسل براساس مدل جذب مكاني- طيفي و روش نوين برچسب‌گذاري

Super Resolution Mapping Based on Spatial-Spectral Attraction Model and the New Class Allocation Approach

پيكسل­ هاي مخلوط، دقت كلي نقشه ­هاي پوششي تهيه شده از تصاوير سنجش از دور با قدرت تفكيك مكاني مختلف را تحت تاثير قرار مي ­دهند. يكي از الگوريتم ­هايي كه در سال­ هاي اخير به منظور حل مشكل پيكسل­ هاي مخلوط ارائه شده است تكنيك تهيه نقشه در سطح زيرپيكسل نرم­-سپس-سخت موسوم به STHSRM (Soft-Then-Hard Super resolution mapping)است. در اين تكنيك ابتدا با توجه به ضريب بزرگنمايي، هر يك از پيكسل­ هاي تصوير اوليه به تعدادي زيرپيكسل تقسيم، و براي هر يك از آن­ها مقدار شاخصي تخمين زده مي­ شود؛ سپس با مقايسه اين مقادير، برچسب زيرپيكسل­ ها مشخص مي­ گردد. مدل جذب مكاني با تخمين ميزان جاذبه ميان زيرپيكسل­ ها و پيكسل­ هاي همسايه يكي از روش ­هاي محاسبه مقدار شاخص زيرپيكسل­ ها است. تكنيك برچسب­ گذاري در واحد كلاس (Unit Of Class) نيز از جمله روش ­هاي برچسب­ گذاري زيرپيكسل­ ها است، كه براساس ترتيب كلاسي تعريف شده به مقايسه مقادير شاخص زيرپيكسل ­ها در هر يك از كلاس ­هاي حاضر در سطح پيكسل مخلوط و برچسب­ گذاري آنها مي­ پردازد. تحقيق حاضر، با توسعه مدل جذب مكاني و تعريف مدل جذب مكاني-طيفي و همچنين ارائه روش برچسب­ گذاري نوين مبتني بر تكنيك (Unit Of Class) UOC، به تعيين بهترين حالت ممكن آرايش مكاني زيرپيكسل­ ها پرداخته است. روش برچسب­ گذاري پيشنهادي با تعريف تابع هزينه و محاسبه هزينه متناظر با آرايش مكاني زيرپيكسل­ ها در حالات مختلف ترتيب كلاسي، حالت بهينه جانمايي زيرپيكسل­ ها را تعيين مي­ كند. پياده ­سازي اين مدل بر روي دو تصوير Worldview-3 و ROSIS-03 و مقايسه نتايج آن با روش ­هاي پيشين تهيه نقشه در سطح زيرپيكسل نرم-سپس-سخت گوياي بهبود دقت نقشه تهيه شده در سطح زيرپيكسل با روش پيشنهادي به ويژه در عوارض خطي و مرز كلاس ­ها است. مقدار بهبود شاخص كاپا اصلاح شده الگوريتم پيشنهادي نسبت به مدل جذب مكاني همراه با روش برچسب­ گذاري در واحد كلاس تطبيقي (AUOC) در ضريب بزرگنمايي2، به­ترتيب براي تصاوير مذكور 0/053 و 0/032 است.

The mixed pixels influence the overall accuracy of land cover maps produced by using the remote sensing images with different spatial resolutions. In recent years, soft-then-hard super resolution mapping (STHSRM) has been proposed to solve the problem of mixed pixels. This method estimates soft attribute values for land cover classes at the subpixel scale level and then allocates classes for subpixels according to the soft attribute values. Subpixel/pixel spatial attraction model (SPSAM) calculates soft attribute values for each class at fine pixels by spatial attraction between subpixels and their neighboring pixels. UOC (Units of Class) allocates classes to subpixels in units of class. First, a visiting order for all classes is predetermined. Then, according to the visiting order, the subpixels belonging to the being visited class are determined by comparing the soft attribute values of this class. The remaining subpixels are used for the allocation of the next class. This paper proposed a new spatial-spectral attraction model to estimate the soft attribute value for each class at each subpixel. Also it presents a novel class allocation approach based on UOC technique for STHSRM algorithm. The proposed class allocation approach produces the optimal location of subpixels by defining the cost function and calculating the corresponding cost of spatial arrangement of sub-pixels in different visiting order of classes. The technique is applied to Worldview-3 and ROSIS-03 images. A comparison between the results obtained through the proposed approach and an existing super-resolution mapping technique is introduced. The results show that the proposed algorithm is able to produce higher SRM accuracy than the other approaches especially in linear feature and class boundaries. The improvement value of the adjusted Kappa coefficient of the proposed algorithm related to the spatial attraction model with the AUOC class allocation technique in the scale factor 2, is 0.053 and 0.032, respectively.