آشکارسازی تغییرات در تصاویر سنجش از دور چندزمانه با حدآستانه‏گذاری شاخص تغییرات تلفیقی مبتنی بر الگوریتم توده ذرات

آشکارسازی صحیح و به موقع تغییرات پوشش و کاربری اراضی یکی از مهمترین موضوعات در حوزه برنامه ریزی و مدیریت اراضی میباشد. در دهه های اخیر، تصاویر سنجش از دور به منابع ارزشمندی برای شناسایی تغییرات پوشش و کاربری اراضی تبدیل شده اند. حدآستانه گذاری تصویر اختلاف، از متداولترین تکنیک های آشکارسازی تغییرات در تصاویر ماهوارهایی چندزمانه میباشد. نظر به اینکه تکنیک های متداول حدآستانه گذاری برای فضاهای تک بعدی توسعه داده شده اند، برای شناسایی تغییرات در فضاهای چند طیفی تصاویر سنجشاز دور مناسب نیستند. یک راهکار متداول برای رفع این نقیصه، استفاده از تکنیک تلفیق داده ها در سطح ویژگی و یا تصمیمگیری میباشد. تکنیکهای متنوعی برای این منظور توسعه داده شده اند. هرچند مشخص نیست کدامیک از این تکنیکها، نسبت به بقیه کارآیی بالاتری دارد، ولی یک خصوصیت مشترک در همه آنها (بغیر از تکنیکهای رایگیری و بیزین)، ماهیت تحتنظارت بودن آنهاست. طوری که تحلیلگر باید یکسری پارامترها را، به نحوی که بهترین همخوانی را با داده ها و کاربرد مورد نظر داشته باشد، تعیین نماید. از طرف دیگر، تکنیکهای نظارت نشده ای که برای این منظور توسعه داده شده اند، عموماً منجر به صحت پایین در آشکارسازی تغییرات میشوند. به منظور توسعه تکنیک های حدآستانه گذاری جهت پشتیبانی تصاویر چندطیفی، یک تکنیک ساده و در عین حال کارآمد برای تلفیق داده ها پیشنهاد میشود. روش پیشنهادی مبتنی بر تلفیق شاخص های تغییرات (باندهای تصویر اختلاف) در یک مدل خطی میباشد که منجر به تشکیل یک شاخص تغییرات جدید با محتوای بالای اطلاعاتی میشود. وزنهای بکار رفته در این مدل با الگوریتم توده ذرات (pso) بهینه شده و سپس از تکنیک otsu برای آشکارسازی باینری تغییرات استفاده میشود. روش پیشنهادی بر روی یک جفت تصویر دوزمانه سنجنده tm پیادهسازی و نتایج حاصله با تکنیکهای رایج مقایسه شد. صحت کلی 90.68% روش پیشنهادی، در مقایسه با صحت کلی 79.06% و 70.81% حاصل از دو تکنیک متداول رایگیری (تلفیق در سطح تصمیم گیری) و صحت کلی 80.77% حاصل از الگوریتم بیزین (تلفیق در سطح ویژگی)، بیانگر قابلیت بالای روش پیشنهادی در آشکارسازی نظارت نشده تغییرات در تصاویر ماهواره ای چند زمانه چند طیفی می باشد.

Change Detection in Multitemporal Remote Sensing Imagery with Thresholding of PSO-Based Fused Change Index

Timely and accurate detection of land cover/use changes is one of the most important issues in land planning and management. Remote sensing (RS) images have become an important data source for change detection (CD) in recent decades. Thresholding of difference image (DI) is a prevalent approach for RSbased CD. It can be shown that the changes in an environment are occurred in such a way that the different spectral changes of phenomenon can be detected in different parts of electromagnetic spectrum. Hence, utilization of several spectral bands can offer a higher accuracy in CD process. However, prevalent thresholding techniques are developed for onedimensional space and they are not appropriate for CD in multidimentional space of RS images. The common approach to overcome this deficiency is to fuse data at feature and/or decision level. Some methods have already been developed for this purpose. Whereas, it is enigmatic to decide which of data fusion technique is the most appropriate one, a common particularity in all these approaches (except: voting and Bayesian) is their supervised nature, as the analyst must determine some parameters which can be the best fit to a certain application and dataset. On the other hand, unsupervised approaches, generally have low accuracy in CD process.In order to develop the thresholding technique to support multispectral images, a simple yet effective data fusion approach is proposed in this paper. The developed method is a linear combination of multispectral change image based on fusion. Applied weights in linear combination are optimized using Particle Swarm Optimization (PSO) algorithm.The proposed approach consists of the following two major steps. In the first step a multispectral change image is generated. Several methods can be used for that purpose. In this research, we chose difference image operation as it is simple to implement and easy to interpret. It includes a simple and straightforward arithmetic difference between the digital values of the two images obtained on different dates. In the next step, PSO is initialized with arbitrary weights and the weighted image fusion is then carried out as follows: . Where denotes the weight associated to ith band of multispectral difference image ( ), such that Afterwards, the OTSU thresholding technique is applied to produce binary change mask (BCM) and evaluate the fitness of the fused change index (FCI). If any of the termination conditions (optimum fitness or maximum number of iteration) is satisfied, the current weights are saved as optimum weights of a weighted linear combination or else they are updated with PSO algorithm to reach the optimum values.The performance of the developed technique is evaluated on a bitemporal multispectral images acquired by the Landsat5 Thematic Mapper (TM) sensor in July 2000 and 2009. This data set is characterized by a spatial resolution of 30m×30m and 7 spectral bands ranging from blue light to shortwave infrared (0.45~2.35 µm). It is worth noting that the 6th band of these images (thermal infrared band), is not utilized due to low spatial resolution. The selected area is coregistered subsets of size (470×830 pixels) of two full scenes, including Khodafarin Dam (an earthfillembankment damon the Aras Riverstraddling the border betweenIranandAzerbaijan).Moreover to visual assessment of CD results, quantitative analysis has been carried out by selecting 2799 samples of changed regions and 5168 samples of unchanged regions, according to field work and image interpretation. The proposed linear combination of multispectral difference images based on fusion which is the development of the thresholding technique to support the multispectral images, has better accuracy in CD in comparison with individual spectral bands of DI and the other stateoftheart image fusion algorithms at feature and/or decision level. Overall accuracy of 90.68% using the proposed method in comparison to an overall accuracy of 79.06% and 70.81% related to the prevalent voting algorithms (data fusion at decision level) and 80.77% related to the Bayesian algorithm (data fusion at feature level), confirms the effectiveness of the proposed method for unsupervised CD in multispectral and multitemporal RS images.