نرمالیزاسیون رادیومتریک اتوماتیک تصاویر ماهواره ای چندزمانه مبتنی برتبدیل ir-mad و شبکه های عصبی مصنوعی

نرمالیزاسیون رادیومتریک نسبی، اغلب در آنالیز‌های تصاویر ماهواره‌ای چندزمانه، خصوصاً در آشکارسازی تغییرات کاربری اراضی مورد استفاده قرار می‌گیرد. در این تحقیق ضمن بررسی تبدیل irmad، تکنیک جدیدی مبتنی بر تبدیل irmad و شبکه‌های عصبی مصنوعی توسعه داده شده است. تکنیک پیشنهادی بر روی تصاویر ماهواره‌ای چندزمانه لندست تی‌ام متعلق به سال‌های 1989و2010 شهر تبریز، پیاده‌سازی شده است. استفاده از ترکیب خطی تصاویر ماهواره‌ای چندزمانه، انتقال این تصاویر به فضای دیگر و تکراری بودن فرآیند تبدیل irmad باعث شده که این تبدیل به عنوان روشی مستقل از نویز آماری و شرایط اتمسفری در جهت شناسایی تغییرات و انتخاب نقاط کنترل رادیومتریکی در این تحقیق بکار رود. همچنین قابلیت و انعطاف بالای شبکه عصبی مصنوعی در تقریب توابع غیرخطی و خطی پیوسته در فضای ترکیبی باعث شد که از این شبکه‌ها در مدلسازی رابطه بین نقاط کنترل رادیومتریکی در تصاویر ماهواره‌ای چندزمانه استفاده گردد. معیار‌های ارزیابی بکار رفته در این تحقیق، شامل میانگین خطای کمترین مربعات و آزمون‌های آماری t و f می‌باشد. نتایج نشان می‌دهد که استفاده از روش پیشنهادی موجب افزایش دقت و عملکرد نرمالیزاسیون رادیومتریک نسبی شده است. روش توسعه داده شده در این تحقیق از نظر میانگین خطای کمترین مربعات در تمامی باند‌های طیفی نسبت به روش ir-mad و داده‌های خام بترتیب 0/11 و 8/13 درصد افزایش دقت داشته است.

Automatic Radiometric Normalization of Multi-Temporal Satellite Image based on IR-MAD Transformation and Artificial Neural

Relative radiometric normalization often used in multitemporal satellite image analysis, especially land use change detection. In this paper, IRMAD transformation has been reviewed and a new method has been developed based on this transformation and artificial neural networks, also. The proposed method is implemented on multitemporal Landsat TM satellite images captured in 1989 and 2010. Study area is located in Tabriz. According to Linear combination of multitemporal satellite images, transfer the images to another space and iterative process of IRMAD transformation, the transformation has led to independent method of statistical noise and atmospheric conditions and Used in this study for change detection and selection radiometric controls point. The capability and flexibility of ANN in approximation of nonlinear and linear continuous functions in the hybrid space has led to the networks used for modeling of relationship between radiometric controls point in multitemporal satellite images. Evaluation metrics in this paper, include root mean square error, Ttest and Ftest. The results show that the proposed method increases the accuracy and performance relative radiometric normalization. The proposed method has increased. Root mean square error in all spectral bands than IRMAD and raw data respectively 0.11 and 8.13%.