نرماليزاسيون اتوماتيك تصاوير ماهواره‌اي چندزمانه‌ با استفاده از شبكه‌هاي عصبي مصنوعي و پيكسل‌هاي تغييرنيافته

Automatic Normalization of Multitemporal Satellite Images using Artificial Neural Network and Unchanged Pixels

نرماليزاسيون راديومتريك نسبي اغلب در آناليزهاي تصاوير سنجش از دور، مخصوصا در آناليزهاي آشكارسازي تغييرات پوششي اراضي مورد استفاده قرار مي‌گيرد. نرماليزاسيون، اختلافات راديومتريكي بين تصاوير، ناشي از نابرابري شرايط تصويربرداري و نه به خاطر تغييرات واقعي در بازتاب سطحي را كاهش مي‌دهد. در اين مقاله، يك روش نرماليزاسيون اتوماتيك، مبتني بر شبكه‌هاي عصبي و پيكسل‌هاي تغييرنيافته، معرفي مي‌گردد. در روش پيشنهادي ابتدا پيكسل‌هاي تغييرنيافته با استفاده از روش طرح شده در اين تحقيق كه بر مبناي استفاده از روش آشكارسازي تغييرات CVA، تبديل مولفه‌هاي اصلي و قطعه‌بندي كا-مينز مي‌باشد، تعيين شده و در مرحله مدل‌سازي، معماري‌هاي مختلفي از شبكه‌هاي عصبي به منظور تعيين بهترين معماري براي اين كاربرد خاص، بررسي شده و شبكه با معماري بهينه براي تهيه تصوير نرماليزه مورد استفاده قرار گرفته است. ايده مورد نظر روي دو جفت تصوير مرجع-هدف اخذ شده توسط سنجنده TM پياده‌سازي شده است. نتايج نرماليزاسيون حاصل از روش پيشنهادي با نتايج حاصل از 8 روش نرماليزاسيون شامل: تطابق هيستوگرام(HM)، تصحيح haze(HC)، نرماليزاسيون مينيمم-ماكزيمم(MM)، نرماليزاسيون ميانگين-انحراف‌ معيار(MS)، رگرسيون ساده(SR)، رگرسيون بهبود داده شده درجات اول، دوم و سوم و رگرسيون بهبود داده شده خطي-قطعه‌اي مقايسه گرديد. ارزيابي صورت گرفته از الگوريتم پيشنهادي، قابليت اين روش را هم در آشكارسازي اتوماتيك تغييرات و هم در كاهش تاثيرات شرايط تصويربرداري(اتمسفر و ساير عوامل تاثيرگذار) نسبت به روشهاي متداول نشان مي‌دهد. روش آشكارسازي تغييرات پيشنهادي، قابليت بالايي در شناسايي تغييرات پوشش گياهي صورت گرفته در منطقه داشته و استفاده از اين روش باعث بهبود نتايج نرماليزاسيون در تمامي باندهاي تصوير، مخصوصا در باندهاي سوم و چهارم كه در محدوده طيفي نور قرمز و مادون قرمز قرار مي‌گيرد، شده است. در مرحله مدل‌سازي نيز استفاده از شبكه‌هاي عصبي سبب كاهش خطاي كمترين مربعات نرماليزاسيون داده‌هاي ارزيابي در مقايسه با روشهاي متداول نرماليزاسيون(مدل‌هاي خطي و غيرخطي) شده است.

Relative Radiometric Normalization is often required in remote sensing image analyses particularly in the land cover change detection process. The normalization process minimizes the radiometric differences between two images caused by inequalities in the acquisition conditions rather than changes in surface reflectance. In this paper a new automatic Relative Radiometric Normalization (RRN) method is proposed which uses an Artificial Neural Network (ANN) and unchanged pixels. The proposed method includes the following stages: 1) automatic detection of unchanged pixels based on a new idea that uses CVA method, PCA transformation and K-means clustering technique, 2) evaluation of different architectures of perceptron neural networks in order to find the best architecture for this specific task and 3) use of the aforementioned network for normalizing the subject image. The method has been implemented on two paires of reference and subject images taken by the TM sensor. Normalization results obtained from the proposed method compared with the 8 conventional methods includes: Histogram matching, Haze Correction, Minimum-Maximum, Mean-Standard deviation, Simple Regression, Linear, Quadratic and Cubic Simple Regression Using Unchanged pixels and Multi Line Regression Using Unchanged Pixels. Experimental results confirm the effectiveness of the presented technique in the automatic detection of unchanged pixels and minimizing any imaging condition effects (i.e., atmosphere and other effective parameters). The proposed method for automatic change detection shows a high capability in detection of changes in covered vegetation areas. Using of this proposed method improves normalization results in all bands, especially in the third and fourth bands which are located in the red and infrared portion of the electromagnetic spectrum. The evaluation results of modeling stage reveal that the normalization using ANN in all 6 bands of all images has produced the more optimum results compared to those of normalization with conventional methods.