ارائه یک روش خودکار کشف تغییرات مبتنی بر کرنل در مناطق شهری با استفاده از تصاویر چندطیفی ماهواره‌ لندست، مطالعه موردی: شهر کرج

در چند دهه ی گذشته جمعیت شهر نشین و در نتیجه توسعه مکانی مناطق شهری شتابی فزاینده داشته است. این مهم به بروز تغییرات محیطی در این مناطق منجر شده است. از این رو، کشف تغییرات در بازه های زمانی مختلف در مناطق شهری از اهمیت بالایی برخوردار است. روشهای کشف تغییرات متداول با استفاده از تصاویر سنجش از دوری، بیشتر مبتنی بر تشخیص تغییرات طیفی و محاسبه فاصله طیفی بین پیکسلها بوده و ماهیت تغییرات بصورت خطی در نظر گرفته میشود. این درحالیست که، معمولاً تصاویر سنجش از دوری تحت تاثیر نویز و یا تغییرات رادیومتریکی هستند و در نتیجه ماهیت تغییرات میتواند به صورت غیرخطی باشد. از طرف دیگر، یکی از چالشهای اصلی در تولید نقشه تغییرات در مناطق شهری، محدودیت در جداسازی طیفی زمینهای ساخته شده و زمین های بایر از یکدیگر در این مناطق است. بدین منظور، در این مقاله یک روش آشکارسازی تغییرات خودکار مبتنی بر کرنل و با قابلیت استفاده هم زمان از اطلاعات طیفی و شاخص های طیفی مختلف پیشنهاد شده است. در مرحله اول، شاخصهای طیفی مناسب برای جداسازی کلاسهای پوششی در منطقه شهری از تصاویر چندزمانه استخراج میشوند. به کمک آنالیز مولفه بردار تغییر و تعیین خودکار حد آستانه، نمونه های شبه آموزشی غیر دقیق مربوط به کلاس های تغییر یافته و بدون تغییر استخراج می شوند. به منظور محاسبه تصویر تفاضلی، دو روش تفاضلی جدید در فضای اولیه طیف و در فضای هیلبرت ارائه شد. نمونه های شبه آموزشی بدست آمده از مرحله قبل به عنوان ورودی به الگوریتم خوشه بندی وارد شده و به طور همزمان با بهینه سازی یک تابع هزینه، مقادیر دقیق پارامترهای الگوریتم خوشه بندی و نمونه های آموزشی دقیق استخراج میشوند. از نمونه های آموزشی دقیق برای آموزش طبقه بندی کننده حداقل فاصله مبتنی بر کرنل استفاده میشود. در مرحله آخر هر یک از پیکسل های مجهول به طبقه بندی کننده وارد شده و کلاس هریک از این پیکسلها مشخص می شود. به منظور ارزیابی دقت و کارایی الگوریتم کشف تغییرات پیشنهادی، این الگوریتم بر روی تصاویر چندطیفی و چندزمانه ماهواره لندست 5 سنجنده tm از شهر کرج مربوط به دو تاریخ 1366 و 1390 اعمال شد. به منظور آنالیز حساسیت روش پیشنهادی کشف تغییرات نسبت به نوع ویژگیهای مورد استفاده، از 5 مجموعه ویژگی مختلف به عنوان ورودی به الگوریتم استفاده شد. به منظور انجام ارزیابی مقایسه ای، دقت روش پیشنهادی مبتنی بر کرنل در دو حالت استفاده از روش تفاضلی تصاویر در فضای ورودی اولیه (dfss) (دقت کلی: 86.40 و کاپا: 0.83) و روش تفاضلی تصاویر در فضای ویژگی (dfhs) (دقت کلی: 85.54 و کاپا: 0.82)، با روشهای کشف تغییرات مبتنی بر تبدیل mnf (دقت کلی: 77.42 و کاپا: 0.76) ، نگارنده زاویه طیفی (sam) (دقت کلی: 64.60 و کاپا: 0.60) و روش تفاضلی ساده (diff) (دقت کلی: 73.44 و کاپا: 0.70) برای این 5 مجموعه ویژگی مقایسه شد. نتایج بدست آمده نشان دهنده کارایی و دقت بالای الگوریتم پیشنهادی نسبت به روش های مرسوم کشف تغییرات و توانایی بالای آن در جداسازی انواع کلاس های طیفی در مناطق شهری است.

An Automated Kernel-based Change Detection Method in Urban Area Using Landsat Multispectral Images, Case Study: City of Karaj

In the past few decades as a result of urban population, spatial development of urban areas has been growing fast. This has led to some changes in the environment in these areas. Hence, detecting changes in different time periods in urban areas has a great importance. Conventional CD methods partition the observation space linearly or rely on a linear combination of the multitemporal data. As a result, they can be inefficient for images corrupted by either noise or radiometric differences that cannot be normalized. On the other hand, one of the main challenges in the production of maps of changes in urban areas, Constraints on the spectral separation of bare land and builtup area from each other in these areas. Therefore, in this paper, an automatic kernel based change detection method with the ability to use a combination of spectral data and spectral indices have been proposed. First, the spectral index for the separation of classes covering the urban area of multitemporal images are extracted. In next step, differential image was generated via two approaches in high dimensional Hilbert space. By using change vector analysis and determining automatically a threshold, the pseudo training samples of the change and nochange classes were extracted. These training samples were used for determining the initial value of kernel Cmeans clustering parameters. Then, an optimizing a cost function with the nature of geometrical and spectral similarity in the kernel space is employed in order to estimate the kernel based Cmeans clustering’s parameters and to select the precise training samples. These training samples were used to train the kernel based minimum distance (KBMD) classifier. Lastly, the class’s label of each unknown pixel was determined using the KBMD classifier. To assess the accuracy and efficiency of the proposed change detection algorithm, this algorithm were applied on multispectral and multitemporal Landsat 5 TM images of the city of Karaj in 1987 and 2011. Respect to the features used, the sensitivity analysis for proposed method carried out using five different feature sets. In order to assess the performance of the proposed automatic kernelbased CD algorithm in the case of using DFSS (Accuracy: 86.40 and Kappa: 0.83) and DFHS (Accuracy: 85.54 and Kappa: 0.82) differencing methods, we compared this technique with wellknown CD methods, namely, the MNF based (Minimum Noise Fraction) CD method (Accuracy: 77.42 and Kappa: 0.76), SAM (Spectral Angle Mapper) CD method (Accuracy: 64.60 and Kappa: 0.60), and simple Image differencing CD method (Accuracy: 73.44 and Kappa: 0.70). The comparative analysis of proposed method and the classical CD techniques show that the accuracy of obtained change map can be considerably improved.