ارزيابي و توسعه الگوريتم معاوضه پيكسلي به منظور تهيه نقشه پوشش اراضي در سطح زيرپيكسل با استفاده از تصاوير چندطيفي

The Evaluation and Development of the Pixel Swapping Technique for Sub-pixel Land Cover Mapping from Multispectral Imagery

چكيده تصاوير سنجش از دور معمولاً به صورت تركيبي از پيكسل‌هاي خالص و مخلوط‌اند. در روش‌هاي طبقه‌بندي سخت، پيكسل‌هاي مخلوط به كلاس داراي بيشترين اطمينان تعلق نسبت داده مي‌شوند. بدين ترتيب به علت تك‌برچسبي بودن نتايج طبقه‌بندي سخت، اطلاعات در سطح زيرپيكسل ناديده گرفته مي‌شود. روش‌هاي طبقه‌بندي نرم كه براي حل اين مشكل شكل گرفته‌اند، برآورد سهم كلاس‌هاي مختلف را براي هر يك از پيكسل‌ها فراهم مي‌آورند. البته اين نوع طبقه‌بندي‌كننده‌ها هيچ‌گونه اطلاعاتي را در مورد آرايش مكاني كلاس‌هاي مختلف در داخل پيكسل‌ها ارايه نمي‌كنند. الگوريتم معاوضه پيكسلي با استفاده از نتايج طبقه‌بندي نرم و براساس بيشينه كردن وابستگي مكاني زيرپيكسل‌ها، امكان تهيه نقشه پوششي را در سطح زيرپيكسل فراهم مي‌سازد. الگوريتم پايه اين روش براي حالت باينري است. در تحقيق حاضر به منظور توليد نقشه پوششي، الگوريتم باينري معاوضه پيكسلي براي حالت چندمتغيري ايجاد گرديده و دقت اين الگوريتم در دو حالت مستقل از خطاي طبقه‌بندي نرم و وابسته به آن مورد ارزيابي قرار گرفته است. به‌علاوه، تاثير پارامترهاي مختلف ـ مانند ضريب بزرگنمايي، سطح همسايگي و تابع وزن ـ نيز در عملكرد اين الگوريتم بررسي شده است. براساس نتايج تحقيق، دقت كلي الگوريتم معاوضه پيكسلي، بسيار وابسته به دقت ورودي الگوريتم (نتايج طبقه‌بندي نرم است. دستاورد ديگر تحقيق، اين بود كه مشخص گرديد با افزايش ضريب بزرگنمايي، دقت الگوريتم كاهش مي‌يابد. ديگر اينكه سطح همسايگي دوم و توابع معكوس فاصله و مجذور معكوس فاصله، بيشترين دقت را به همراه دارند. با در نظر گرفتن ضريب بزرگنمايي كمتر از 5، دقت كلي الگوريتم در فرايند بهينه‌سازي آرايش مكاني زير پيكسل‌ها بيشتر از 90 درصد برآورد گرديد. كليد‌واژه‌ها: پوشش اراضي، زير پيكسل، الگوريتم معاوضه پيكسلي، سطح همسايگي، ضريب بزرگنمايي، تابع وزن.

Abstract Remote sensing images usually could be considered as a combination of pure and mixed pixels. Hard classification methods assign mixed pixels to a most probable class. There fore, sub-pixel information could be neglected due to the single-label nature of these classifiers’ output. In this regard, soft classifiers are developed to solve the mentioned problem by estimating the class proportions within pixels. However, the spatial distribution of the sub-pixels remains unknown. The pixel swapping algorithm provides the possibility of sub-pixel land cover mapping based on maximizing the spatial dependence between sub-pixels using outputs of soft classifiers. In this research, the binary pixel swapping algorithm is developed for multivariate cases, and the accuracy of the proposed method is evaluated in two procedures independent of it, and dependent to the outputs of soft classification. Likewise, the impact of different parameters including zoom factor, neighborhood level and weighting function are investigated on the efficiency of the algorithm. According to the results, the performance of the pixel swapping technique is extremely dependent on the accuracy of input data, i.e. output of soft classification. As a key result of the paper, it is indicated that by increasing the zoom factor, the overall accuracy of the algorithm decreases. Moreover, the second level of neighborhood and inverse and squared inverse distance functions demonstrated the highest accuracy. Considering lower amounts than 5 for zoom factor, the overall accuracy of the algorithm is estimated more than 90 percent in optimization procedure of the sub-pixel spatial arrangement. Keywords: Land Cover, Sub-pixel, Pixel Swapping Algorithm, Neighborhood Level, Zoom Factor, Weighting Function.