پردازش تصاویر ماهواره اى بعنوان یکى از منابع اطلاعات، همواره از نظر زمان و هزینه نقش تعیین کننده اى را در پروژه هاى GIS به خود اختصاص داده است. در این مقاله روشهاى اتوماتیک پردازش این تصاویر بطور مختصر معرفى شده است. این مقاله برگرفته از ماهنامه نقشه برگرفته شده است.

با وجود گسترش تکنیکهاى برداشت اطلاعات سنجش از دور در سالهاى اخیر و افزایش قدرت تفکیک زمینى سنجنده ها،تکنیکهاى پردازش تصاویر هنوز بر پایه مفاهیم گسترش یافته در دهه 70 میلادى (طبقه بندى بر مبناى پیکسل ها در محیط چند بعدى) استوار شده اند. در صورتیکه این روش مخصوصا در تصاویر با قدرت تفکیک بالا با خطاى مکانى مواجه مى شود به نحوى که بسیار محتمل است دو پیکسل مجاور که به دو عارضه (land cover)مختلف اختصاص دادهمى شوند، در واقع داراى ماهیت یکسان باشند.


از طرفى بازار GIS بدنبال ابزارى ارزان قیمت براى تبدیل اتوماتیک این منابع اطلاعاتى به پلى گون هایى است که نشان دهنده عوارض با مفهوم براى به روز رسانى بانکهاى اطلاعاتىGIS باشند. تفاوت عمده بین روش قدیمى پیکسل مبنا با روش شىء گرا در این است که روش جدید پیکسلها را طبقه بندى نمى کند بلکه تصویر را در مقیاس مورد نظر به قطعاتى ازعوارض مشابه تقسیم مى کند.مزایاى این روش عبارتند از:

•  علاوه بر اطلاعات طیفى تصویر، الگوریتم از اطلاعات دیگرى از قبیل بافت و اشکال فرکتالى عوارض استفاده مى کند 

 قطعه قطعه کردن تصویر در مقیاسهاى مختلف امکان جداسازى عوارض مجاور که با هم کنتراست دارند را مى دهد و اثر پارازیت ها و تغییر بافتهاى جزئى را حذف مى کند

 هر مرحله از عملیات طبقه بندى در مقیاس مناسب صورت مى گیرد.

 فقط عوارضى که در آن مقیاس داراى اطلاعات معنى دار بافتى هستند مورد آنالیز قرار مى گیرند. این خاصیت سبب مى شود که انواع عوارض موجود، در مقیاس مناسب آنها بررسى و طبقه بندى شوند. 

 آنالیز یکپارچه گروه عوارض مشابه بطور قابل ملاحظه اى اثر پارازیتها را کاهش داده و امکان استفاده ازاطلاعات با ارزش تصاویر را فراهم مى سازد.

با کاهش قابل ملاحظه واحدهاى تصویر، طبقه بندى تصویر با سرعت بالا قابل انجام است.

با امکان تولید عوارض تصویرى در مقیاسهاى مختلف،یک پروژه مى تواند یک شبکه سلسله مراتبى با سطوح عوارض مختلف داشته باشد که با یکدیگر در ارتباط قرار مى گیرند.

الگوریتم شىء گرا پس از جدا سازى بافتهاى مختلف تصویر، اقدام به تفکیک انواع عوارض موجود مى کند بنابراین محصولى با دقت مکانى مناسبتر تولید مى کند.

در کنار تولید عوارض شبکه اى در هر تصویر، امکان اعمال طبقه بندى فازى نیز در این الگوریتم وجود دارد.در هر مرحله از قطعه قطعه سازى تصویر یک سطح درشبکه سلسله مراتبى تولید مى شود در نتیجه این ساختار نمایانگر اطلاعات تصویر در مقیاسهاى مختلف مى باشد. عوارض کوچکتر، عضوى از عوارض بزرگتر هستند. در نتیجه هر عارضه با عوارض مجاور و عوارض درونى خود ارتباط دارد.

 طبقه بندى در این روش به جاى پیکسلها بر مبناى عوارض انجام مى گیرد و علاوه بر اطلاعات طیفى، بافت، شکل و ارتباط شبکه اى عوارض در طبقه بندى و عضوگیرى هر گروه تاثیر مى گذارد. به عبارت دیگر، این الگوریتم عملیاتى که در مغز انسان براى طبقه بندى تصویر انجام مى گیرد را مدلسازى مى کند.

The final classified image in eCognition.  The orange areas are non-forested

 نرم افزارى که الگوریتم شىء گراى آنالیز تصاویر ماهواره اى را اجرا مى کندeCognitionTM مى باشد که توسط Creative Technologies Delphi2در مونیخ تهیه شده است و توانایى آنالیز تصاویر ماهواره اى با قدرت تفکیک بالا(VHR) رادار و عکسهاى هوایى را دارا مى باشد. مفهومى ، که این نرم افزار بر مبناى آن پایه ریزى شده است اینست که اطلاعات لازم براى تعبیر و تفسیر تصاویر فقط در پیکسل ها نمایش داده نمى شود بلکه با کشف ارتباط متقابل و معنادار عوارض تصویر هویدا مى شود.

 

 

The final classified image in PCI.  The blue outlined areas are non-forested

 

 

    
Figure 9: Comparing the two classifications. 

 

Though the classifications were very similar, some differences can be noted.  The eCognition classification more accurately picked up long, skinny non-forested areas such roads (see figure 10).

    
Figure 10: Detail of the eCoginition classification on the left, and the PCI classification on the right.  Notice how the eCognition classification was much more accurate at identifying narrow areas in the image.

Also, the eCognition classification tended to produce more small areas that were non-forested, as opposed to the larger and fewer areas of the PCI classification (see Figure 11).

   
Figure 11: A comparison of the non-forested polygons in eCognition (on the left) and PCI (on the right).  The eCognition classification seems to have classified many smaller polygons than the PCI classification

 

استفاده با ذکر منبع وبلاگ GEO-GIS بلا مانع می باشد




برچسب ها : gis ،سنجش از دور ،نرم افزار ،تصاویر ماهواره ای
ارسال در تاريخ پنجشنبه ۱۳ امرداد ،۱۳٩٠ توسط مهدی فرداد
نظرات شما ()