بهبود الگوریتم میدان تصادفی مارکوف با هدف آشکارسازی نظارت نشده تغییرات تصاویر SAR چندکاناله

استفاده از داده های چندکاناله1 سنجنده های رادار با روزنه مجازی (SAR)2، به دلیل مستقل بودن از شرایط جوی و نور خورشید و نیز دارابودن قابلیت بالا در استخراج تغییرات، در مقایسه با حالت تک کاناله، در کاربردهای متفاوتی مانند نظارت بر محیط زیست و مدیریت بلایای طبیعی بسیار توجیه‏پذیر است. با این حال، بهره‏برداری از این قابلیت‏ها به استفاده از روش‏های دقیق و اتوماتیک برای تولید نقشه های تغییرات از تصاویر اخذشده از منطقه جغرافیایی یکسان، در پلاریزاسیون‏ها یا فرکانس‏های گوناگون مربوط به زمان‏های متفاوت، نیاز دارد. از سوی دیگر، حساسیت به بافت صحیح برای یک پیکسل می‏تواند به حذف خطاهای برچسب‏گذاری پیکسل‏های منفرد کمک کند و نقشه تغییرات را بهبود ‏بخشد. حذف نویز لکه‏ای و ماهیت ایزوتروپیک مدل‏سازی میدان‏های تصادفی مارکوف موجب نرم شدن مرزهای مکانی بین مناطق تغییریافته و تغییرنیافته در نقشه تغییرات نهایی می‏شود. به منظور حذف یا دست کم کاهش این اثر نامطلوب، استفاده از مدل‏ مارکوف با هدف دخیل کردن اطلاعات لبه ها در فرایند برچسب‏گذاری پیشنهاد می‏شود. این روند دقت لبه ها در محل مرزهای مکانی را بهبود می بخشد و دقت آشکارسازی تغییرات را ارتقا می‏دهد. در این تحقیق، یک مدل مارکوف به منظور تشخیص نظارت‏نشده تغییرات، ازطریق ترکیب اطلاعات موجود در هریک از کانال‏هایSAR ، اطلاعات بافت مکانی و نیز اطلاعات لبه، معرفی شده و با استفاده از «توابع انرژی» فرموله شده است. به منظور برآورد پارامترهای مدل، الگوریتم‏ بیشینه‏سازی امید ریاضی (EM)3 با روش مشتقات لگاریتمی (MoLC)4 ترکیب شده است. الگوریتم پیشنهادی با استفاده از تصاویر ASAR-ENVISAT به روش شبیه‏سازی ارزیابی شده است. براساس نتایج، روش پیشنهادی دقت کلی را، در مقایسه با روش‏های موجود آشکارسازی تغییرات (با میانگین 12%)، افزایش داده و قابلیت شناسایی هر سه نوع تغییرات (اندک- متوسط- زیاد) را داراست. این در حالی است که، با درنظرگرفتن اطلاعات باندها و بافت مکانی، قدرت شناسایی تغییرات اندک و متوسط بسیار پایین برآورد شده است. همچنین، با توجه به تعداد دفعات تکرار پایین، زمان اجرای الگوریتم بسیار کاهش یافته است. به طورکلی، بیشترین دقت الگوریتم، براساس روش پیشنهادی، 67/99% برآورد شد.