تلفیق تصاویر رادار با روزنه مجازی و اپتیک با استفاده از تبدیل کرولت

ماهواره های سنجش از دور، داده هایی با خصوصیات طیفی و مکانی مختلفی از سطح زمین جمع آوری می کنند که هرکدام بخشی از خصوصیات عوارض را نمایان می سازند. گاهاً اطلاعات بدست آمده از یک سنجنده به تنهایی پاسخگوی نیازهای مورد نظر ما نیست. با وجود اینکه داده های چند طیفی اطلاعات غنی طیفی را از عوارض مختلف به ما می دهد، اما به طور قابل توجهی تحت تاثیر عوامل محیطی مانند دود، مه، ابر و میزان نور خورشید قرار می گیرد. برخلاف سنجنده های اپتیک، سنجنده های رادار با روزنه مجازی (sar) در همه نوع شرایط آب و هوایی و شبانه روز توانایی اخذ داده را دارند. داده های sar می توانند اطلاعات غنی از بافت و ساختار ارائه داده و به مولفه های شکل، جهت، زبری و رطوبت از عوارض روی زمین حساس است. اما تصاویر sar نمی توانند جزئیات و لبه اشیاء را به وضوح مشخص کنند. بنابراین ترکیب خصوصیات مختلف از تصاویر اپتیک و داده های sar با استفاده از تکنیک های تلفیق تصویر، می تواند یک دید کامل تر از تارگت موردنظر به ما دهد و دقت و اعتمادپذیری بالاتری برای نتیجه های بدست آمده از این روش ارائه دهد. تبدیل کرولت، در تجزیه و تحلیل لبه های منحنی شکل و دقت بالای آن برای تقریب و توصیف پراکندگی ها و جهت ها، در مقایسه با بسیاری از تبدیل های دیگر در زمینه تجزیه و تحلیل اطلاعات تصویر و تلفیق تصاویر مناسب تر است. با توجه به محدودیت قدرت تفکیک مکانی و زمانی برای تصاویر چندطیفی و محدودیت داده های sar برای کاربردهای شهری و طبقه بندی و مناسب بودن تبدیل کرولت برای تلفیق این دو نوع داده، تلفیق این تصاویر باعث بهبود ضعف های آن ها می شود. در این مقاله با استفاده از تبدیل کرولت، تصاویر sar و اپتیک را به فضای کرولت انتقال می دهیم، سپس با روش میانگین وزن دار در فضای کرولت تلفیق انجام می گردد و در نهایت با اعمال تبدیل کرولت معکوس تصویر تلفیق شده بدست می آید. بدین منظور داده های منطقه ای از شهر شیراز برای پیاده سازی روش پیشنهادی استفاده شد. دو روش آماری و طبقه بندی برای ارزیابی تصاویر تلفیق شده مورد استفاده قرار گرفت. برای مقایسه، روش پیشنهادی با دو روش تلفیق با استفاده از تبدیل ihs و wavelet استفاده شد. با استفاده از پارامترهای آماری انحراف معیار، آنتروپی، معیار فرکانس مکانی، ضریب همبستگی و اندکس کیفیت تصویر شاهد بهبود تصویر تلفیقی نسبت به روش های دیگر هستیم. با توجه به اینکه دقت طبقه بندی به میزان اطلاعات طیفی و مکانی تصویر بستگی دارد، به منظور ارزیابی تاثیر تلفیق در توان تفکیک طیفی و مکانی، تصاویر را طبقه بندی می کنیم. با طبقه بندی تصویر اپتیک ورودی و تصویر تلفیقی، بهبود 4 درصدی دقت کلی طبقه بندی و افزایش 0.05 ضریب کاپا نسبت به تصویر ورودی مشاهده شده است. نتایج بدست آمده نشان دهنده مناسب بودن الگوریتم پیشنهادی برای تلفیق تصاویر sar و اپتیک است.

Fusion of Synthetic Aperture Radar Data and Optic Images based on Curvelet Transform

Satellite remote sensing (RS), gathered data with different spatial and spectral characteristics of objects or phenomena from a distance that each of them represents part of the object properties. Although multispectral data gives rich spectral information from objects, but significantly influenced by environmental factors such as smoke, fog, clouds and the sunlight. In contrast to optical sensor, the virtual aperture radar sensors have the ability to take data in all types of weather conditions or day and night. Synthetic Aperture Radar (SAR) data can highlight the structural and textural details in the image. It is sensitive to terrain components of shape, direction, roughness, and moisture. So optical data provide detailed spectral information useful for discriminating between surface cover types, while the radar imagery highlights the structural detail in the image. Therefore image fusion techniques can help us for combining of different properties of optical images and SAR data that it can give us a complete view of the target and present higher accuracy and reliability of results obtained by this method. Curvelet transformation is more suitable in comparison with many other transformations for analysis of curved edges, high precision to approximate, describe scattering and directions. In this paper, transition SAR and optical images to Curvelet space by using Curvelet transformation, then the weighted average method is used for fusion in Curvelet space and finally fused images obtained by applying a reverse Curvelet transformation. Our case study is Shiraz city that we used data from this city for implementation of proposed method. Statistical methods and classification were used to evaluate the fused images. IHS and Wavelet transform methods is used for comparison to proposed method. Statistical parameters include standard deviation, entropy, standard spatial frequency, correlation and image quality index show improvement of fused images by proposed method than other methods. Considering that accuracy of classification depends on the image spatial and spectral information, for evaluate the effectiveness of fusion on the spatial and spectral resolution, images are classified. With the classification of input optics image and fusion image, overall accuracy improved 4 percent and Kappa coefficient increased 0.05 compared to the input image. The results show the suitability of the proposed algorithm for fusion SAR and optical images.