شناسایی نظارت‌نشده تغییرات مناطق جنگلی مبتنی‌بر تلفیق شاخص‌های تغییرات به روش موجک گسسته غیر کاهشی و بهبود میدان تصادفی زنجیره مارکوف

پایش و شناسایی تغییرات یکی از مهم‌ترین پردازش‌ها در فتوگرامتری و سنجش‌ازدور به‌شمار می‌آید که در آن تغییرات رخ‌داده در یک منطقه‌ی جغرافیایی در اثر گذر زمان مورد مطالعه و بررسی قرار می‌گیرد. جنگل‌ها از سرمایه‌های ملی هر کشوری محسوب می‌شوند که نقش مهمی در تعدیل آب و هوا، شکل‌گیری آب‌های زیرزمینی و جلوگیری از وقوع سیل و فرسایش خاک دارند. بنابراین شناسایی هرچه دقیق‌تر تغییرات در مناطق جنگلی، می‌تواند نقشی مهم و انکارناپذیر در راستای حفظ و مدیریت این مناطق ایفا کند. در این تحقیق یک روش نظارت‌نشده‌ی دقیق برای شناسایی تغییرات در مناطق جنگلی ارائه شده‌است. مناطق مورد مطالعه در این تحقیق، جنگل‌های کشورهای آمریکا و استرالیا است که در اثر آتش‌سوزی تخریب شده‌اند. در روش ارائه‌شده، ابتدا شاخص تغییرات نهایی از طریق تلفیق شاخص‌های تغییرات ndvi (dn) و gndvi (dg) با روش تبدیل موجک گسسته ایجاد شد. سپس برای کاهش تغییرات نویزی از فیلتر پخش‌کننده استفاده شد. برای خوشه‌بندی اولیه شاخص تلفیقی از روش خوشه‌بندی kmeans بهبودیافته و برای در نظرگرفتن اطلاعات همسایگی در روند خوشه‌بندی، از میدان تصادفی مارکوف (mrf) پس از اعمال دو مرحله بهبود در ساختار تابع انرژی آن استفاده شد. مقایسه‌ی روش پیشنهادی در دو حالت استفاده از مدل mrf مرسوم و نوع بهبودیافته آن، برتری مدل mrf بهبودیافته را به اندازه‌ی 0.49% و 0.61%، به‌ترتیب در مجموعه‌داده‌ی اول و دوم نشان داد. همچنین روش پیشنهادی در مقایسه با روش‌های otsu، pcakmeans، gafcm و gmmmrf داری عملکرد بهتری بود، بطوریکه میزان خطای کل را در آن ها به طور میانگین به اندازه 0.93% و 5.31%، به ترتیب در مجموعه‌داده اول و دوم کاهش داد. براساس نتایج بدست‌آمده می‌توان گفت، روش ارائه‌شده در این تحقیق پتانسیل بالایی برای شناسایی نظارت‌نشده‌ی تغییرات در مناطق جنگلی دارد.

An Integrated Unsupervised Change Detection Method Based on the Discrete Wavelet Transform Fusion and An Improved Markov Random Field Model

Change detection is one of the most important processes in photogrammetry and remote sensing, in which occurred changes in a same geographical area are identified over time. Forests are one of the national assets of any country that has a vital role in climate change, groundwater formation and prevention of floods and soil erosion. Thus, an accurate change detection method should be exploited to monitor and maintain forest regions. In this paper, an efficient unsupervised change detection method is proposed for this purpose. Here, two bitemporal sattelite images, acquired at the forest areas of Unitted stasted and Australia are employed to evaluate the proposed change detection method. In the first step of the proposed approach, discrete wavelet transform was used to generate an efficient change index by fusing of two difference images derived by NDVI and GNDVI vegetation indices. Anisotropic diffusion filtering was then applied to obtain robust change index in which noises was reduced while change regions was highlited. In the next step, the generated index was segmented into changed and unchanged classes using an improved kmeans algorithm. Finally, improved MRF model initialed with the initial change map is employed to generate final change map. The proposed MRF model include two novel improvements in the main energy function, resulting in preserveing changed region details. The proposed improved MRF contained superiority of 0.49% and 0.61% compared to traditional MRF in datasets 1 and 2, respectively. The proposed MRF also outperformed Otsu, PCAkmeans, GAFCM and GMMMRF methods, so that reduced the total error rate by an average of 0.93% and 5.31% in data sets 1 and 2, respectively. In general, the proposed method has a high capability for accurate identifying changes for vegetated areas.