ارائه يك روش خودكار كشف تغييرات مبتني بر كرنل در مناطق شهري با استفاده از تصاوير چندطيفي ماهواره‌ لندست، مطالعه موردي: شهر كرج

An Automated Kernel-based Change Detection Method in Urban Area Using Landsat Multispectral Images, Case Study: City of Karaj

در چند دهه‏ی گذشته جمعیت شهر نشین و در نتیجه توسعه مكانی مناطق شهری شتابی فزاینده داشته‏است. این مهم به بروز تغییرات محیطی در این مناطق منجر شده است. از این رو، كشف تغییرات در بازه­های زمانی مختلف در مناطق شهری از اهمیت بالایی برخوردار است. روش­های كشف تغییرات متداول با استفاده از تصاویر سنجش از دوری، بیشتر مبتنی بر تشخیص تغییرات طیفی و محاسبه فاصله طیفی بین پیكسل­ها بوده و ماهیت تغییرات بصورت خطی در نظر گرفته می­شود. این درحالیست كه، معمولاً تصاویر سنجش از دوری تحت تاثیر نویز و یا تغییرات رادیومتریكی هستند و در نتیجه ماهیت تغییرات می­تواند به صورت غیرخطی باشد. از طرف دیگر، یكی از چالش­های اصلی در تولید نقشه تغییرات در مناطق شهری، محدودیت در جداسازی طیفی زمین­های ساخته شده و زمین‍های بایر از یكدیگر در این مناطق است. بدین منظور، در این مقاله یك روش آشكارسازی تغییرات خودكار مبتنی بر كرنل ­و با قابلیت استفاده هم‎زمان از اطلاعات طیفی و شاخص­های طیفی مختلف پیشنهاد شده است. در مرحله اول، شاخص­های طیفی مناسب برای جداسازی كلاس­های پوششی در منطقه شهری از تصاویر چندزمانه استخراج می­شوند. به كمك آنالیز مولفه بردار تغییر و تعیین خودكار حد آستانه، نمونه­های شبه آموزشی غیر دقیق مربوط به كلاس‏های تغییر یافته و بدون تغییر استخراج می شوند. به منظور محاسبه تصویر تفاضلی، دو روش تفاضلی جدید در فضای اولیه طیف و در فضای هیلبرت ارائه شد. نمونه­های شبه آموزشی بدست آمده از مرحله قبل به عنوان ورودی به الگوریتم خوشه‎بندی وارد شده و به طور همزمان با بهینه­سازی یك تابع هزینه، مقادیر دقیق پارامترهای الگوریتم خوشه‎بندی و نمونه­های آموزشی دقیق استخراج می­شوند. از نمونه­های آموزشی دقیق برای آموزش طبقه­بندی­كننده حداقل فاصله مبتنی بر كرنل استفاده می­شود. در مرحله آخر هر یك از پیكسل های مجهول به طبقه­بندی كننده وارد شده و كلاس هریك از این پیكسل­ها مشخص می شود. به منظور ارزیابی دقت و كارایی الگوریتم كشف تغییرات پیشنهادی، این الگوریتم بر روی تصاویر ­چندطیفی و چندزمانه ماهواره لندست 5 سنجنده TM از شهر كرج مربوط به دو تاریخ 1366 و 1390 اعمال شد. به منظور آنالیز حساسیت روش پیشنهادی كشف تغییرات نسبت به نوع ویژگی­های مورد استفاده، از 5 مجموعه ویژگی مختلف به عنوان ورودی به الگوریتم استفاده شد. به منظور انجام ارزیابی مقایسه­ای، دقت روش­ پیشنهادی­ مبتنی بر كرنل در دو حالت استفاده از روش تفاضلی تصاویر در فضای ورودی اولیه (DFSS) (دقت كلی: 86.40 و كاپا: 0.83) و روش تفاضلی تصاویر در فضای ویژگی (DFHS) (دقت كلی: 85.54 و كاپا: 0.82)، با روش­های كشف تغییرات مبتنی بر تبدیل MNF (دقت كلی: 77.42 و كاپا: 0.76) ، نگارنده زاویه طیفی (SAM) (دقت كلی: 64.60 و كاپا: 0.60) و روش تفاضلی ساده (DIFF) (دقت كلی: 73.44 و كاپا: 0.70) برای این 5 مجموعه ویژگی مقایسه شد. نتایج بدست آمده نشان­دهنده كارایی و دقت بالای الگوریتم پیشنهادی نسبت به روش‍های مرسوم كشف تغییرات و توانایی بالای آن در جداسازی انواع كلاس­های طیفی در مناطق شهری است.

In the past few decades as a result of urban population, spatial development of urban areas has been growing fast. This has led to some changes in the environment in these areas. Hence, detecting changes in different time periods in urban areas has a great importance. Conventional CD methods partition the observation space linearly or rely on a linear combination of the multitemporal data. As a result, they can be inefficient for images corrupted by either noise or radiometric differences that cannot be normalized. On the other hand, one of the main challenges in the production of maps of changes in urban areas, Constraints on the spectral separation of bare land and built-up area from each other in these areas. Therefore, in this paper, an automatic kernel based change detection method with the ability to use a combination of spectral data and spectral indices have been proposed. First, the spectral index for the separation of classes covering the urban area of multi-temporal images are extracted. In next step, differential image was generated via two approaches in high dimensional Hilbert space. By using change vector analysis and determining automatically a threshold, the pseudo training samples of the change and no-change classes were extracted. These training samples were used for determining the initial value of kernel C-means clustering parameters. Then, an optimizing a cost function with the nature of geometrical and spectral similarity in the kernel space is employed in order to estimate the kernel based C-means clustering’s parameters and to select the precise training samples. These training samples were used to train the kernel based minimum distance (KBMD) classifier. Lastly, the class’s label of each unknown pixel was determined using the KBMD classifier. To assess the accuracy and efficiency of the proposed change detection algorithm, this algorithm were applied on multi-spectral and multi-temporal Landsat 5 TM images of the city of Karaj in 1987 and 2011. Respect to the features used, the sensitivity analysis for proposed method carried out using five different feature sets. In order to assess the performance of the proposed automatic kernel-based CD algorithm in the case of using DFSS (Accuracy: 86.40 and Kappa: 0.83) and DFHS (Accuracy: 85.54 and Kappa: 0.82) differencing methods, we compared this technique with well-known CD methods, namely, the MNF based (Minimum Noise Fraction) CD method (Accuracy: 77.42 and Kappa: 0.76), SAM (Spectral Angle Mapper) CD method (Accuracy: 64.60 and Kappa: 0.60), and simple Image differencing CD method (Accuracy: 73.44 and Kappa: 0.70). The comparative analysis of proposed method and the classical CD techniques show that the accuracy of obtained change map can be considerably improved.