بهبود الگوریتم میدان تصادفی مارکوف با هدف آشکارسازی نظارت‏نشده تغییرات تصاویر sar چندکاناله

استفاده از داده‏های چندکاناله1 سنجنده‏های رادار با روزنه مجازی (sar)2، به‌دلیل مستقل‌بودن از شرایط جوی و نور خورشید و نیز دارابودن قابلیت بالا در استخراج تغییرات، در مقایسه با حالت تک‌کاناله، در کاربردهای متفاوتی مانند نظارت بر محیط‌زیست و مدیریت بلایای طبیعی بسیار توجیه‏پذیر است. با این حال، بهره‏برداری از این قابلیت‏ها به استفاده از روش‏های دقیق و اتوماتیک برای تولید نقشه‏های 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 نرم‌شدن مرزهای مکانی بین مناطق تغییریافته و تغییرنیافته در نقشه تغییرات نهایی می‏شود. به‌منظور حذف یا دست‌کم کاهش این اثر نامطلوب، استفاده از مدل‏ مارکوف با هدف دخیل‌کردن اطلاعات لبه‏ها‏ در فرایند برچسب‏گذاری پیشنهاد می‏شود. این روند دقت لبه‏ها در محل مرزهای مکانی را بهبود می‌بخشد و دقت آشکارسازی تغییرات را ارتقا می‏دهد. در این تحقیق، یک مدل مارکوف به‌منظور 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. به‌منظور برآورد پارامترهای مدل، الگوریتم‏ بیشینه‏سازی امید ریاضی (em)3 با روش مشتقات لگاریتمی (molc)4 ترکیب شده است. الگوریتم پیشنهادی با استفاده از تصاویر asarenvisat به‌روش 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. به‌طورکلی، بیشترین دقت الگوریتم، براساس روش پیشنهادی، 67/99% برآورد شد.