مقایسه استخراج عارضه راه در مناطق شهری از تصاویر با حد تفکیک بالای TerraSAR-X و آیکونوس با استفاده از اطلاعات بافت در الگوریتم‌های شبکه عصبی

نسل جدید سنجنده‌های راداری فضایی با حد تفکیک مکانی بالا، امکان استفاده از این تصاویر را به‌منظور استخراج خودکار عوارض، به‌ویژه عارضه راه فراهم آورده‌اند. در پژوهش حاضر، استخراج عارضه راه از تصاویر راداری و اپتیک با حد تفکیک بالا با یکدیگر مقایسه شدند. بدین منظور از تصاویر آیکونوس و terrasar-x استفاده شد و بین تصاویر هم‌مرجع‌سازی انجام گرفت. سپس ویژگی‌های بافت استخراج شدند و طبقه‌بندی با استفاده از شبکه عصبی بازپس‌خور خطا انجام پذیرفت. با مقایسه نتایج حاصل از اجرای الگوریتم با داده‌های مرجعی که عامل انسانی آنها را تهیه کرده است، برای داده‌های terrasar-x و آیکونوس، به ترتیب مقادیر 10/46 و 72/57 درصد برای پارامتر rcc، 58/46 و 27/93 درصد برای پارامتر bcc و مقادیر 61/0 و 31/0 برای پارامتر rmse به دست آمد. مقایسه تصویر خروجی حاصل از دو الگوریتم نشان می‌دهد که هرکدام از تصاویر اپتیک و راداری نواقصی در استخراج راه دارند. به عنوان مثال، الگوریتم‌های اپتیک به مناطقی از تصویر که ویژگی‌های طیفی و بافتی مشابه با راه دارند ـ ازجمله محل پارکینگ‌ها و سقف بام‌های بزرگ‌ـ حساس هستند، درصورتی‌که این مناطق در تصاویر راداری ظاهری روشن و بافتی متفاوت دارند. بنابراین تصاویر راداری در مناطقی با بافت شهری ـ به‌ویژه توام با راه‌های کم‌عرض و کوچه‌ها ـ مناسب‌اند. از طرفی دیگر تصاویر راداری در مناطقی با پوشش گیاهی انبوه به خوبی عمل نمی‌کنند، درحالی‌که تصاویر اپتیک کاملاً قادر به تمایز این مناطق از راه‌ها هستند. در نتیجه با توجه قابلیت‌های مکمل‌این تصاویر در استخراج راه، تلفیق ویژگی‌های این دو منبع به‌منظور رفع نواقص و افزایش دقت الگوریتم‌های حاضر، روشی کارآمد در توسعه الگوریتم‌ها به نظر می‌رسد.