نرمال‌سازي خودكار تصاوير ماهواره‌اي چندزمانه با استفاده از پيكسل‌هاي تغييرنيافته

Automatic Normalization of Multi-temporal Satellite Imagery using Unchanged Pixels

در تحقيق حاضر روش نرمال‌سازي خودكاري برمبناي رگرسيون با استفاده از پيكسل‌هاي تغييرنيافته، مدل‌سازي هيستوگرام تصوير هدف و محاسبه ضرايب تبديل خطي براي دسته‌هاي مختلف پيكسل‌ها از لحاظ درجات روشنايي در هر باند، ارايه شده است. در مرحله تعيين پيكسل‌هاي تغييرنيافته، روش جديدي معرفي شده است كه اين مرحله را به صورت خودكار انجام مي‌دهد و صحت بالايي نيز دارد. در مرحله دسته‌بندي پيكسل‌ها نيز براساس درجات روشنايي، روش جديدي پيشنهاد شده است كه تعداد و بازه‌هاي لازم براي دسته‌بندي را به‌طور خودكار و جداگانه براساس اطلاعات هيستوگرام تصوير هدف، براي هر باند تعيين مي‌كند تا تاثيرات مختلف اتمسفر و ساير عوامل را روي درجات خاكستري مختلف مدل كند. ايده مورد نظر روي دو تصوير سنجنده TM پياده‌سازي شد. نتايج ارزيابي نشان داد در صورتي كه از روش پيشنهادي در مرحله تعيين خودكار پيكسل‌هاي تغييرنيافته استفاده شود، صحت كلي آشكارسازي تغييرات از 15/95 درصد به 14/96 درصد در مقايسه با روش‌هاي متداول بهبود مي‌يابد و همچنين خطاي كمترين مربعات نرمال‌سازي، در مقايسه با حالتي كه براي كل تصوير از يك برازش خطي استفاده شود، در باندهاي 1، 2، 3، 4، 5 و 7 به ترتيب 44/26، 13/50، 54/38، 27/5، 75/3 و 31/3 و در مقايسه با حالتي كه از مقادير پيش‌فرض براي دسته‌بندي پيكسل‌ها براساس درجات خاكستري و برازش جداگانه خطي براي هر دسته استفاده شود، به ترتيب 82/30، 9/45، 53/30، 19/4، 82/2 و 32/0 كاهش مي‌يابد.

Abstract In this research, a new automatic Relative Radiometric Normalization (RRN) method has been developed based on regression, including the following techniques: - Automatic detection of unchanged pixels, - Histogram modeling of subject images, and - Calculation of linear transformation coefficients for different categories of pixels according to their gray values in each band. The proposed method uses a new idea for unchanged pixels detection, which increases accuracy and automation level of the detection process. Also a new method has been proposed for categorizing of pixels according to their gray values. In this method, the number and interval of the categories are determined automatically based on histogram of subject images for each band independently. Thus, various effects of atmosphere and other effective parameters on different gray values can be modeled. This method has been implemented for two images taken by the TM sensor. Evaluation results show that the accuracy of change detection stage has improved from 95.15% to 96.14% as compared with the accuracy of conventional methods. Moreover, Root Mean Square Errors (RMSE) of the normalization has decreased about 26.44%, 50.13%, 38.54%, 5.27%, 3.75% and 3.31% respectively in the bands 1, 2, 3, 4, 5 and 7, as compared to the case where only one linear transformation is used for all area of an image. Compared to using default values for categorizing pixels and linear transformation for each category, the developed method in this research reduces RMSE of the normalization about 30.82%, 45.9%, 30.53%, 4.19%, 2.82% and 0.32% in the aforementioned bands. Keywords: Automatic Radiometric Normalization, Multi-Temporal Satellite Images, Unchanged Pixels, Thresholding, Subject Image.