آشكارسازي تغييرات مناطق شهري در تصاوير بزرگ مقياس ماهواره‌اي با استفاده از عوارض محلي

Change Detection in Urban Area from High Resolution Satellite Images Using Local Features

آشكارسازی اتوماتيك تغييرات مناطق شهری با استفاده از تصاوير ماهواره‌ای بزرگ مقياس، يكی از پردازش‌های مهم در فتوگرامتری و سنجش از دور است. روش‌های معمول جهت آشكارسازی تغييرات در تصاوير ماهواره‌ای عموماً بر مبنای مقايسه پس از طبقه‌بندی تصاوير هستند. اين روش‌ها نيازمند ثبت دقيق تصاوير با يكديگر می‌باشند. تصاوير ماهواره‌ای بزرگ مقياس دارای تغيير‌شكل‌های محلی ناشی از ارتفاع عوارض زمينی بوده و ثبت دقيق آنها با يكديگر بسيار دشوار می‌باشد. در اين تحقيق روشی كارآمد و كاملاً اتوماتيك جهت شناسايی تغييرات در مناطق شهری با بهره‌گيری از تصاوير بزرگ مقياس ماهواره‌ای ارائه شده‌است. روش پيشنهادی بر مبنای خصوصيات برجسته‌ی عوارض محلی در تصوير شامل گوشه‌ها، حباب‌ها و نواحی می‌باشد. جهت شناسايی مناطق تغيير يافته در دو تصوير ماهواره‌ای مربوط به دو زمان مختلف، در ابتدا عوارض محلی شامل گوشه‌های حاصل از الگوريتم تناسب فاز، حباب‌های حاصل از الگوريتم UR-SIFT و نواحی حاصل از الگوريتم MSER در تصاوير استخراج می‌شوند. در ادامه برای هريك از عوارض مستخرج توصيفگر كارآمد SIFT ايجاد شده و فرآيند تناظريابی ميان آنها در يك ساختار شبكه‌ای انجام شده و تناظرهای اشتباه ميان آنها با استفاده از يك روش جديد بر مبنای نسبت فواصل حذف می‌شوند. در مرحله‌ی بعد‌ تصوير تشابه ميان تصاوير با استفاده از يك معيار جديد بر مبنای تناظرهای مستخرج ايجاد شده و با انتخاب اتوماتيك يك مقدار آستانه، مناطق تغيير يافته تصاوير تعيين می‌شوند. جهت ارزيابی روش پيشنهادی از دو تصوير ماهواره‌ای از دو سنجنده‌ی QuickBird و World view مربوط به سال‌های 2007 و 2011، شهر سانفرانسيسكو آمريكا استفاده شده‌است. نتايج بيانگر قابليت بالای روش پيشنهادی در شناسايی تغييرات تصاوير با دقت بالا می‌باشد.

The automatic change detection in urban environment using multitemporal high resolution satellite images is one of the fundamental processes in photogrammetry and remote sensing. Conventional approaches to automated building change detection relied to multitemporal images comparison based on multispectral classification methods. These approaches require accurate alignment between the two images to detect changes. Accurate registration of high resolution satellite images is a difficult process due to local distortion in these images due to relife displatement. This paper introduces a multi-temporal image processing approach towards an efficient and automated detection of urban changes. The proposed method is based on local features obtained from sequential images including corners, blobs and regions. In the first step, local features are extracted in each of the images using three well-known feature extractor operator incuding phase congruency, UR-SIFT method and MSER algorithm. Then, feature matching process in a gridding structure is performed between two feature sets using SIFT descriptor. This process followd by a new mismatch elimination method based on distance ratio. In the next step, a similarity image based on a new measure is estimated between multitemporal images. In final, using an automatic threshold changed regions are determined. The method has been evaluated by using QuickBird and World Wiew image for the area of the city of Sun francisco, USA. Experimental results prove the capabilities of the proposed change detection algorithm with appropriate accuracy in multitemporal high resolution satellite images.