شناسایی مناطق بارز در تصاویر ماهواره‌ای با استفاده از ترکیب آشکارساز عوارض موضعی mser و مدل‌های برجستگی تصویر

امروزه با توجه به پیشرفت تصاویر ماهواره‌ای در زمینه کیفیّت بحث تشخیص اتوماتیک اهداف بر روی این تصاویر مورد توجه محققان قرارگرفته است. تصاویر سنجش‌ازدور مرئی شامل اهداف مکانی متنوعی هستند. این اهداف عموماً دست‌ساز بشر بوده و دارای یک ساختار مشخص و متمایز از نواحی اطراف خود می‌باشند. روش‌های مختلفی جهت شناسایی اتوماتیک اهداف مکانی ارائه شده است که در اکثر این روش‌ها جستجوی اهداف در تصاویر جهت استخراج و یا تطبیق ویژگی‌ها به منظور شناسایی اهداف مکانی صورت می پذیرد. در همین راستا در این تحقیق با هدف سرعت بخشیدن به مراحل شناسایی، مناطقی در تصویر انتخاب می‌شوند که در آنها احتمال وجود اهداف مکانی بسیار بالا خواهد بود. این امر به اتوماتیک نمودن فرآیند و نیز سرعت بخشیدن به پردازش‌های آتی مرتبط کمک شایانی خواهد نمود. برای این منظور از ترکیب مدل‌های برجستگی تصویر و ویژگی‌های الگوریتم‌های آشکارسازی عوارض موضعی بهره گرفته ‌شده است. روش ارائه‌ شده از سه مرحله اصلی تشکیل شده است. این مراحل شامل استخراج عوارض موضعی توسط الگوریتم mser (maximally stable extremal regions)، تولید نقشه‌های برجستگی با اعمال مدل‌های aws (adaptive whitening saliency) و wmap (weighted maximum alignment phase) بر‌روی تصویر و تعیین مناطق بارز تصویری است. در این تحقیق حدآستانه ای با محاسبه مقادیر برجستگی در کل تصویر تعریف شده است که با اعمال آن به هر ناحیه استخراج شده، مناطق بارز تصویر شناسایی می‌ شوند. این روش، روی تصاویر متعددی شامل 6 تصویر ماهواره‌ای از سنجنده های مختلف و 6 تصویر ماهواره‌ای اخذ شده از نرم‌افزار گوگل ارث که حاوی اهداف مکانی مختلف با پس‌زمینه‌های متفاوت هستند؛ آزمایش شد. به‌منظور ارزیابی کمّی مناطق شناسایی‌شده از دو معیار استفاده شده است. همچنین این روش با رویکرد اعمال الگوریتم قطعه‌بندی انتقال میانگین جهت شناسایی مناطق بارز مورد مقایسه قرار گرفت. نتایج به‌دست آمده از اعمال روش پیشنهادی نشان می‌دهد، به طور متوسط مساحت مناطق شناسایی شده معادل با 5/1 درصد از مساحت کل تصاویر استفاده شده است؛ به طوری‌که حدود 98/28 درصد از اهداف مکانی در این مناطق واقع شده اند. همچنین میزان متوسط زمان محاسباتی برابر 22/1 ثانیه گزارش شده است. نتایج نشان دهنده برتری روش پیشنهادی از نظر دقت و سرعت محاسبات است.

Salient regions detection in satellite images using the combination of MSER local features detector and saliency models

Nowadays, due to quality development of satellite images, automatic target detection on these images has been attracted many researchers' attention. Remotesensing images follow various geospatial targets; these targets are generally manmade and have a distinctive structure from their surrounding areas. Different methods have been developed for automatic target detection. In most of these methods, target searching was used for features extraction or matching in order to detect the geospatial targets. Hence, in this paper, in order to improve computational time in target detection process, the areas of images with high probability of geospatial target existence, were selected. This will significantly improve the automation level of the process and computational time in following processes. For this purpose, a combination of saliency models and the oflocal features detector's algorithm were used. The proposed method consists of three main steps, including local feature extraction by applying MSER algorithm, saliency maps generation by applying AWS and WMAP models and regions determination with high probability of geospatial target existence. In this paper, a threshold was defined by calculating the saliency values in the whole image. Salient regions were detected by applying the threshold for each extracted area. This method was implemented on six satellite images by different sensors and the mentioned six satellite images derived from Google Earth software that consist several geospatial targets with various backgrounds. Two criteria were used in order to quantitatively assess the results. Moreover, this method was compared with the mean shift segmentation algorithm in the color space images that was applied to detect saliency regions of an image. The results of the proposed method showed that the average of the detected areas was 5.1% of the total area of the images in which 98.28% of the targets were located in these regions. In addition, the average amount of computational time was 22.1 seconds. The results showed the superiority of the proposed method in terms of accuracy and computational speed.