ارايه يك روش بدون نظارت در شناسايي تغييرات تصاوير SAR با استفاده از الگوريتم ژنتيك

Change Detection, Genetic Algorithm, Synthetic Aperture Radar Images

در مقاله حاضر يك روش بدون نظارت براي آشكارسازي تغييرات در تصاوير ماهواره‌اي رادار با روزنه تركيبي (SAR) معرفي مي‌شود. اساس اين روش جست‌وجوي بهينه در فضاي جواب‌هاي ممكن با اتكا بر الگوريتم ژنتيك است. براي اين منظور يك تابع هزينه براساس معيار كمترين ميانگين مربعات خطا و با در نظرگرفتن تصويرِ نسبت به‌دست‌آمده از تصاوير مشاهده‌شده غيرهم‌زمان از ناحيه جغرافيايي يكسان، معرفي مي‌شود. به منظور كاهش مدت زمان همگرايي الگوريتم به جواب بهينه، از پنجره متحرك با ابعاد مناسب به‌منظور انتخاب نواحي مختلف از تصويرِ نسبت با احتمال وجود پيكسل‌هاي تغييريافته، استفاده مي‌شود. اين كار افزون بر ايجاد امكان مديريت حجم محاسباتي و زمان اجراي الگوريتم، توانايي مديريت نويز لكه‌اي را نيز فراهم مي‌كند. به اين ترتيب كه مي‌توان نواحي يكنواخت نويزي محصور در يك پنجره انتخاب را تشخيص داد و آن را از فرايند آشكارسازي حذف كرد. علاوه بر اين، استفاده از روش‌هاي پيش‌پردازشي كاهش نويز مانند اعمال فيلتر تطبيقي وينر، براي بهبود روند آشكارسازي استفاده شده است. نتايج به‌دست‌‌آمده از پياده‌سازي الگوريتم توسعه‌يافته، حاكي از كاهش زمان اجراي الگوريتم و مديريت آن با حفظ دقت مطلوب، در مقايسه با روش پيشين آشكارسازي تغييرات به كمك الگوريتم ژنتيك است. به‌منظور بررسي عملكرد الگوريتم از دو مجموعه داده استفاده مي‌شود. مجموعه اول شامل تصاوير شبيه‌سازي‌شده با در نظر گرفتن نويز لكه‌اي و مجموعه دوم شامل تصاوير سنجنده ASAR ماهواره Envisat، دريافت‌شده از منطقه تاثيرگرفته از سونامي اخير كشور ژاپن است. استفاده از روش پيشنهادي در آشكارسازي تغييرات به روش پيكسل‌مبنا و بر روي مجموعه داده فوق، دقت آشكارسازي در حدود 94 درصد در مقايسه با كل پيكسل‌هاي تصوير را به دست داد.

Abstract In this paper, an unsupervised change detection method based on genetic optimization is introduced. With this aim, a cost function based on weighed minimum mean square error (MMSE) considering difference image and a random binary mask produced by genetic algorithm is used. To overcome undesired time-consuming computations of genetic optimization, the image is divided into several regions using a small moving window. In order to investigate the performance of the proposed algorithm, two sets of data are used: Simulated images and two Synthetic Aperture Radar images taken at different times. To increase the robustness of the algorithm against speckle contamination of SAR images, ratio image is used rather than simple difference one. The quantitative and qualitative results show good performance of algorithm in detecting changed pixels of the image along with texture preservation and production of changed map corresponding to true changes between two observed images. The final achieved accuracy using two simulated and real data sets is about 94 percent of all pixels in the image. Keywords: Change Detection, Genetic Algorithm, Synthetic Aperture Radar Images.