تناظريابي تصاوير ماهواره‌اي بر پايه‌ي تبديل پروجكتيو و با استفاده از شبكه‌ي عصبي هاپفيلد

Matching of Remote Sensing Images based on Projective Transformation and Using Hopfield Neural Network

به دلیل وجود اختلافاتی همچون مقیاس، دوران و شدت روشنایی و تغییر شكل ناشی از ارتفاع در بین تصاویر ماهواره‌ای، تناظریابی این تصاویر یكی از چالش‌برانگیزترین مسائل در سنجش از دور می‌باشد. این فعالیت به صورت گسترده‌ای در سنجش از دور به منظور طبقه‌بندی چند منبعی، مانیتورینگ محیط، بازرسی تغییرات، موزائیك نمودن تصاویر و ... كاربرد دارد. روش‏های زیادی برای تناظریابی ارائه شده‌اند، یكی از این روش‌ها تناظریابی سراسری با استفاده از شبكه عصبی هاپفیلد می‌باشد. عمدۀ تحقیقات انجام شده در این روش تناظریابی در حوزۀ شناسایی هدف و مربوط به تصاویر برد كوتاه می‌باشند و تا كنون بر روی تصاویر ماهواره ای مورد آزمون قرار نگرفته‌اند. هدف اصلی این تحقیق، پیاده سازی روش تناظریابی با استفاده از شبكه عصبی هاپفیلد بر روی تصاویر ماهواره‌ای می‌باشد. در تحقیقات انجام شده، شبكه عصبی مورد استفاده برای تناظریابی بر پایه تبدیل پروجكتیو، شبكه عصبی هاپفیلد مرتبه 5 می‌باشد. این شبكه با افزایش تعداد نقاط سرعت و كارایی خود را در تناظریابی از دست می‌دهد. از این رو، در این تحقیق با كاهش مرتبۀ شبكه عصبی هاپفیلد از مرتبه 5 به شبكه عصبی هاپفیلد مرتبه 2 كارایی و سرعت روش تناظریابی بهبود می‌یابد. نتایج عملی بر روی دو جفت تصویر ماهواره‌ای بیانگر كارایی این روش می‌باشد.

Because there are differences of scale, rotation and intensity and deformation caused by the high of the satellite images, matching is one of the challenging problems in remote sensing. This activity intensively is used in remote sensing for many purposes such as multi source classification, environment monitoring, change detection, image mosaicking, etc. Among the variety of matching methods, one of them is global matching by Hopfield neural network. This method is mainly applied in object recognition and close range dominant and up to now it is not evaluated on aerial and remote sensing images. Implementing the matching method using Hopfield neural network on remote sensing images is the main goal of this study. In research conducted, fifth-order Hopfield neural network is used to perform the projective invariant matching. This network with increasing number of points loses its speed and efficiency in matching. Therefore, in this paper by reducing the order of Hopfield neural network from fifth-order to second-order improves the efficiency and speed of matching method. Practical results on two pairs remote sensing images shows the efficiency of this method.