روﺷﯽ ﺗﺮﮐﯿﺒﯽ ﺑﺮ ﻣﺒﻨﺎی اﻟﮕﻮرﯾﺘﻢﻫﺎی vfc ،kaze و tps ﺑﻪ ﻣﻨﻈﻮر ﻫﻢﻣﺮﺟﻊﺳﺎزی ﺗﺼﺎوﯾﺮ ﻣﺎﻫﻮاره ای

هم ‌مرجع ‌سازی تصاویر، فرایند مرتبط ‌سازی دو یا چند تصویر با یک تصویر مرجع است که همگی از یک منطقه یکسان اخذ شده‌اند. تصاویری که ممکن است از نقطه ‌نظر زمانی، موقعیت و سنسور اخذ تصاویر متفاوت باشند. این فرایند از پردازش ‌های مهم و پایه در فتوگرامتری و سنجش‌ از دور است که یکی از مهمترین کاربردهای آن فرآیند آشکارسازی تغییرات است. مطالعه تغییرات شهری در یک بازه‌ی زمانی دلخواه، با محدودیت دسترسی به داده ‌های موردنیاز مواجه است. یک منبع مناسب برای این منظور، تصاویر ماهواره‌ ای محیط گوگل ‌ارث است که یک محدودیت اساسی در این نرم‌افزار، خطای هم‌مرجع‌سازی مربوط به تصاویر ثبت‌شده در زمان‌های مختلف است. در این تحقیق یک روش ترکیبی به منظور هم‌مرجع‌سازی تصاویر ماهواره‌ای گوگل‌ارث با حد تفکیک مکانی بالا توسعه داده شده‌است. روش پیشنهادی از سه مرحله اساسی تشکیل شده است. در مرحله اول از الگوریتم kaze برای استخراج ویژگی‌های تصویری که پایداری بالایی در برابر تغییرات روشنایی زیاد دارند، استفاده می‌شود. در مرحله دوم فرآیند تناظریابی اولیه با معیار فاصله‌ی اقلیدسی و حذف تناظرهای اشتباه با استفاده از روش vfc انجام می‌شود. در نهایت در مرحله سوم، ارتباط هندسی بین تصاویر مبدا و هدف از طریق مدل تبدیل انطباقی tps برقرار می‌شود. برای ارزیابی کیفیت و کارایی ویژگی‌ها و نقاط متناظر نهایی حاصل از الگوریتم kaze، عملکرد آن با الگوریتم‌های sift و surf در 4 جفت‌تصویر ماهواره‌ای مرتبط با مناطق شهری مختلف موردمقایسه و ارزیابی قرار گرفته‌است. در روند هم‌مرجع‌سازی مجموعه‌داده‌های یک تا چهار، بیشترین میزان نرخ مطابقت صحیح به ترتیب برابر با 0.63، 0.81، 0.6 و 0.76 برای نقاط متناظر نهایی حاصل از الگوریتم kaze در مقایسه با الگوریتم‌های دیگر بدست آمده‌است. علاوه بر این، مدل تبدیل tps به ترتیب با مقادیر rmse 2.1، 1.8، 2.1 و 1.7 پیکسل، دقیق‌ترین ارتباط هندسی را در مقایسه با مدل تبدیل چندجمله‌ای، بین دو تصویر مبدا و هدف در هر یک از مجموعه‌داده‌های یک تا چهار برقرار کرد. نتایج بدست‌آمده، قابلیت روش ترکیبی پیشنهادی را در استخراج ویژگی‌های پایدار و هم‌مرجع‌سازی تصاویر ماهواره‌ای گوگل‌ارث با تغییرات قابل توجه عوارض و اختلافات شدید روشنایی نشان می‌دهد.

an integrated satellite stereo image registration method based on kaze, vfc and tps algorithms

image registration is the technique of aligning two or more images with a reference image all acquired at the same geographical area with different acquisition dates, viewpoints, and imaging sensors. this technique is a fundamental process in photogrammetry and remote sensing tasks, and change detection is known as one of its important applications. urban change detection with an arbitrary time difference between the two images faces limited access to the required datasets. the google earth software is known as an appropriate resource to achieve such datasets. nevertheless, a significant limitation of this software is the co-registration error of the images acquired at different times. in this work, a combined image registration approach has been proposed to cope with this problem. the proposed method is made up of three major steps. in the first step, the kaze algorithm is applied to extract and describe image features with high stability against illumination distortions. in the second step, the image matching and mismatch elimination procedures are conducted using the vfc (vector field consensus) technique. finally, in the third step, the geometric relation between the two images is established using the tps (thin-plate spline) adaptive transformation model. the results derived from the kaze feature extraction and matching algorithm are compared with those of the sift and surf algorithms in four satellite image pairs related to various urban areas. for datasets 1 to 4, the highest correct correspondence rates of 0.63, 0.81, 0.6, and 0.76 were obtained using the kaze algorithm compared to the other algorithms. moreover, the tps transformation model established the most accurate and reliable geometric relation between the two images with rmse values of 2.1, 1.8, 2.1, and 1.7 pixels for datasets 1 to 4, respectively. accordingly, the results indicate the efficacy of the proposed integrated method for robust feature extraction and image registration of the google earth imagery with significant brightness and landscape differences.