شناسايي مناطق بارز در تصاوير ماهواره‌اي با استفاده از تركيب آشكارساز عوارض موضعي MSER و مدل‌هاي برجستگي تصوير

امروزه با توجه به پيشرفت تصاوير ماهواره‌اي در زمينه كيفيّت بحث تشخيص اتوماتيك اهداف بر روي اين تصاوير مورد توجه محققان قرارگرفته است. تصاوير سنجش‌ازدور مرئي شامل اهداف مكاني متنوعي هستند. اين اهداف عموماً دست‌ساز بشر بوده و داراي يك ساختار مشخص و متمايز از نواحي اطراف خود مي‌باشند. روش‌هاي مختلفي جهت شناسايي اتوماتيك اهداف مكاني ارائه شده است كه در اكثر اين روش‌ها جستجوي اهداف در تصاوير جهت استخراج و يا تطبيق ويژگي‌ها به منظور شناسايي اهداف مكاني صورت مي­پذيرد. در همين راستا در اين تحقيق با هدف سرعت بخشيدن به مراحل شناسايي، مناطقي در تصوير انتخاب مي‌شوند كه در آنها احتمال وجود اهداف مكاني بسيار بالا خواهد بود. اين امر به اتوماتيك نمودن فرآيند و نيز سرعت بخشيدن به پردازش‌هاي آتي مرتبط كمك شاياني خواهد نمود. براي اين منظور از تركيب مدل‌هاي برجستگي تصوير و ويژگي‌هاي الگوريتم‌هاي آشكارسازي عوارض موضعي بهره گرفته ‌شده است. روش ارائه‌ شده از سه مرحله اصلي تشكيل شده است. اين مراحل شامل استخراج عوارض موضعي توسط الگوريتم MSER (Maximally Stable Extremal Regions)، توليد نقشه‌هاي برجستگي با اعمال مدل‌هاي AWS (Adaptive Whitening Saliency) و WMAP (Weighted Maximum Alignment Phase) بر‌روي تصوير و تعيين مناطق بارز تصويري است. در اين تحقيق حدآستانه­اي با محاسبه مقادير برجستگي در كل تصوير تعريف شده است كه با اعمال آن به هر ناحيه استخراج شده، مناطق بارز تصوير شناسايي مي‌­شوند. اين روش، روي تصاوير متعددي شامل 6 تصوير ماهواره‌اي از سنجنده­هاي مختلف و 6 تصوير ماهواره‌اي اخذ شده از نرم‌افزار گوگل ارث كه حاوي اهداف مكاني مختلف با پس‌زمينه‌هاي متفاوت هستند؛ آزمايش شد. به‌منظور ارزيابي كمّي مناطق شناسايي‌شده از دو معيار استفاده شده است. همچنين اين روش با رويكرد اعمال الگوريتم قطعه‌بندي انتقال ميانگين جهت شناسايي مناطق بارز مورد مقايسه قرار گرفت. نتايج به‌دست آمده از اعمال روش پيشنهادي نشان مي‌دهد، به طور متوسط مساحت مناطق شناسايي شده معادل با 1/5 درصد از مساحت كل تصاوير استفاده شده است؛ به طوري‌كه حدود 28/98 درصد از اهداف مكاني در اين مناطق واقع شده­اند. همچنين ميزان متوسط زمان محاسباتي برابر 1/22 ثانيه گزارش شده است. نتايج نشان دهنده برتري روش پيشنهادي از نظر دقت و سرعت محاسبات است.

Nowadays, due to quality development of satellite images, automatic target detection on these images has been attracted many researchers' attention. Remote-sensing images follow various geospatial targets; these targets are generally man-made 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 of-local 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.