آشكارسازي خودكار تغييرات در تصاوير ماهواره‌اي چندزمانه مبتني بر حد آستانه‌گذاري با الگوريتم بهينه‌سازي توده ذرات

Unsupervised Change Detection of Multi-temporal Satellite Images using PSO-based Image Thresholding Technique

آشكارسازي صحيح و آني تغييرات پوشش و كاربري اراضي از موضوعات مهم حوزه برنامه‌ريزي و مديريت اراضي به‌شمار مي‌آيد. يكي از روش‌هاي متداول شناسايي تغييرات، آناليز تصاوير سنجش از دوري با تكنيك‌هايي نظير حد آستانه‌گذاري تصوير اختلاف است. روش‌هاي متداول حد آستانه‌گذاري، عموماً مبتني بر جست‌وجوي فراگير و مستلزم صرف هزينه محاسباتي بالايي هستند. از طرفي، ماهيت تك‌بعدي آنها سبب مي‌شود تا در حل مسايل چندبعدي ـ همچون حد آستانه‌گذاري تصاوير چندطيفي سنجش از دوري ـ زمان محاسبات به‌طور نمايي افزايش يابد. راهكار پيشنهادي اين پژوهش براي كاهش زمان محاسبات تكنيك‌هاي متداول حد آستانه‌گذاري، استفاده از الگوريتم بهينه‌سازي توده ذرات است كه تكنيك سريع و كارآمدي را براي شناسايي تغييرات معرفي مي‌كند. روش پيشنهادي همراه با چندين روش متداول حد آستانه‌گذاري روي دو سري داده تصاوير دوزمانه سنجنده TM پياده‌سازي شد. براي ارزيابي قابليت تكنيك ارايه‌شده در اين پژوهش از سه پارامتر زمان محاسبات، صحت آشكارسازي تغييرات و پايداري الگوريتم در برآورد حد آستانه بهينه استفاده شد. نتايج ارزيابي نشان مي‌دهند كه الگوريتم پيشنهادي ضمن حفظ صحت آشكارسازي تغييرات، سبب كاهش زمان محاسبات در حدود 15 درصد و 98 درصد در مقايسه با دو تكنيك حد آستانه‌گذاري OTSU و كمينه‌سازي مجموع واريانس داخل‌كلاسي شده است. همچنين با مقايسه مقادير جدول توزيع نرمال استاندارد با آماره آزمون برآوردشده، ثبات الگوريتم پيشنهادي در برآورد حد آستانه بهينه در سطح اطمينان 90 درصد پذيرفته شد. نتايج حاصل از تحقيق بيانگر قابليت بالاي تكنيك پيشنهادي در حد آستانه‌گذاري سريع، پايدار و كارآمد تصوير اختلاف به‌منظور آشكارسازي خودكار و نظارت‌نشده تغييرات در تصاوير ماهواره‌اي چندزمانه است.

Timely and accurate detection of changes in land use/ cover is important for land planning and management. Remote sensing images have been primary sources for change detection in recent decades. Due to its simplicity, thresholding of difference image is a popular method for change detection. The traditional thresholding methods such as Otsu are based on exhaustive search, so that they are time consuming. Since these methods are mainly developed for one-dimensional problems, the computation time grows exponentially with the number of thresholds when these methods are extended to be used for multi-dimensional problems. If thresholding is supposed to be as an optimization problem, optimization methods can potentially decrease the computation time. In this paper, a fast, simple and effective multi-dimensional image thresholding technique based on Particle Swarm Optimization (PSO) method is presented. This technique calculates the optimal threshold values by maximizing the Otsu objective function and minimizing the inter-class variance objective function. The proposed method has been implemented on two multispectral and multi-temporal datasets. The first dataset includes a couple of images acquired by the TM sensor taken form south islands of Aurmia Lake (Iran) in Jun 1984 and July 2010, respectively. The second dataset is obtained from a couple of images acquired by the same sensor on the Khodafarin dam (Iran) in July 2000 and July 2009, respectively. In order to evaluate the proposed method, the computational time and change detection accuracy were computed. In addition, statistical test was carried out in order to evaluate the robustness of the developed method. The experimental results show that the proposed PSO-based multi-dimensional thresholding method could provide optimum thresholds values by decreasing 98% and 15% of the time complexity compared with the most widely used Otsu and inter-class variance-based thresholding methods.