نرمالیزاسیون اتوماتیک تصاویر ماهواره‌ای چندزمانه‌ با استفاده از شبکه‌های عصبی مصنوعی و پیکسل‌های تغییرنیافته

نرمالیزاسیون رادیومتریک نسبی اغلب در آنالیزهای تصاویر سنجش از دور، مخصوصا در آنالیزهای آشکارسازی تغییرات پوششی اراضی مورد استفاده قرار می‌گیرد. نرمالیزاسیون، اختلافات رادیومتریکی بین تصاویر، ناشی از نابرابری شرایط تصویربرداری و نه به خاطر تغییرات واقعی در بازتاب سطحی را کاهش می‌دهد. در این مقاله، یک روش نرمالیزاسیون اتوماتیک، مبتنی بر شبکه‌های عصبی و پیکسل‌های تغییرنیافته، معرفی می‌گردد. در روش پیشنهادی ابتدا پیکسل‌های تغییرنیافته با استفاده از روش طرح شده در این تحقیق که بر مبنای استفاده از روش آشکارسازی تغییرات cva، تبدیل مولفه‌های اصلی و قطعه‌بندی کا-مینز می‌باشد، تعیین شده و در مرحله مدل‌سازی، معماری‌های مختلفی از شبکه‌های عصبی به منظور تعیین بهترین معماری برای این کاربرد خاص، بررسی شده و شبکه با معماری بهینه برای تهیه تصویر نرمالیزه مورد استفاده قرار گرفته است. ایده مورد نظر روی دو جفت تصویر مرجع-هدف اخذ شده توسط سنجنده tm پیاده‌سازی شده است. نتایج نرمالیزاسیون حاصل از روش پیشنهادی با نتایج حاصل از 8 روش نرمالیزاسیون شامل: تطابق هیستوگرام(hm)، تصحیح haze(hc)، نرمالیزاسیون مینیمم-ماکزیمم(mm)، نرمالیزاسیون میانگین-انحراف‌ معیار(ms)، رگرسیون ساده(sr)، رگرسیون بهبود داده شده درجات اول، دوم و سوم و رگرسیون بهبود داده شده خطی-قطعه‌ای مقایسه گردید. ارزیابی صورت گرفته از الگوریتم پیشنهادی، قابلیت این روش را هم در آشکارسازی اتوماتیک تغییرات و هم در کاهش تاثیرات شرایط تصویربرداری(اتمسفر و سایر عوامل تاثیرگذار) نسبت به روشهای متداول نشان می‌دهد. روش آشکارسازی تغییرات پیشنهادی، قابلیت بالایی در شناسایی تغییرات پوشش گیاهی صورت گرفته در منطقه داشته و استفاده از این روش باعث بهبود نتایج نرمالیزاسیون در تمامی باندهای تصویر، مخصوصا در باندهای سوم و چهارم که در محدوده طیفی نور قرمز و مادون قرمز قرار می‌گیرد، شده است. در مرحله مدل‌سازی نیز استفاده از شبکه‌های عصبی سبب کاهش خطای کمترین مربعات نرمالیزاسیون داده‌های ارزیابی در مقایسه با روشهای متداول نرمالیزاسیون(مدل‌های خطی و غیرخطی) شده است.