بهبود شناسايي تغييرات در مناطق شهري با انتخاب ويژگي هاي طيفي و مكاني بهينه مبتني بر الگوريتم ژنتيك

Improving change detection of urban areas with optimal selection of textural and spectral features using genetic algorithm

آناليز تصاوير چندزمانه سنجش از دور، تكنيك كارآمدي براي شناسايي تغييرات كاربري و پوشش اراضي در مناطق شهري مي باشد. جدا از تكنيك بكار رفته براي شناسايي تغييرات،فضاي ويژگي تاثير بسيار زيادي در صحت نتايج دارد. حصول نتايج رضايت بخش در شناسايي تغييرات مناطق شهري، مستلزم بكارگيري ويژگي ‏هاي طيفي و مكاني (بافت) بهينه مي ‏باشد. اگرچه جستجوي سراسري تنها تضمين دستيابي به مجموعه ويژگي هاي بهينه است، ولي در عمل فرآيندي بسيار زمان بر و غيرعملي است. در تكنيك هاي كاهش بعد همچون تكنيك PCA تنها استقلال آماري داده ها براي رسيدن به مولفه هايي جديد با وابستگي كمتر مدنظر بوده و بهبود صحت شناسايي تغييرات بطور مستقيم دنبال نمي شود. تعيين حدآستانه مناسب براي انتخاب ويژگي هاي بهينه در تكنيك تفكيك پذيري آماري (SAA) با فاصله JM نيز عملاً از كارايي اين تكنيك مي كاهد. تمركز اصلي مقاله حاضر، انتخاب ويژگي هاي طيفي و بافت بهينه با الگوريتم ژنتيك و طبقه بندي كننده بيزين مي باشد. جهت بررسي كارآيي تكنيك پيشنهادي، تغييرات شهر جديد سهند (شمالغرب ايران) با بكارگيري تصاوير سنجنده هاي IRS-P6 و Geo-Eye1 اخذ شده در 14 جولاي 2006 و 1 سپتامبر 2013 مورد بررسي قرار گرفت.تمامي تكنيك هاي مذكور در محيط برنامه نويسي MATLABR2013a پياده سازي شدند.نتايج حاصل از اين تحقيق نشان داد ويژگي هاي بافت مي تواند به عنوان منبع اطلاعاتي مكمل، سبب بهبود نتايج شناسايي تغييرات در مناطق شهري شود. انتخاب ويژگي يك فرآيند تاثيرگذار در شناسايي تغييرات مبتني بر ويژگي هاي طيفي و بافت مي باشد. هريك از تكنيك هاي انتخاب ويژگي، محدوديت ها و مزاياي خاص خودشان را داشته ولي در كل بهبود صحت شناسايي تغييرات را بدنبال دارند. مقايسه كارآيي تكنيك هاي انتخاب ويژگي نشان داد، تكنيك پيشنهادي در مقايسه با دو تكنيك متداول PCA و SAA (كه نتايج مشابهي داشتند) از كارآيي و صحت بالاتري برخوردار است.با بكارگيري روش پيشنهادي، ضريب كاپا و صحت كلي نقشه تغييرات به ترتيب از 66/53% به 49/88% و از 94/58% به 39/90%،(در مقايسه با بكارگيري باندهاي اصلي تصاوير)،افزايش يافت.

Analyzing multi-temporal remotely sensed images is a powerful technique for monitoring land use and land cover changes in urban areas. Apart from the change detection (CD) technique, the features space have an enormous impact on the CD accuracy.To achieve satisfactory CD results in urban area, optimum selection of textural and spectral features is necessary. Although an exhaustive search guarantees the optimality of the selected features, but it is computationally prohibitive. Data reduction techniques such as PCA considers the independence of the data to find a smaller set of variables with less redundancy without intending to improve the CD accuracy. Difficulty in setting the best threshold for JM distance in separability analysis algorithm (SAA) reduces its efficiency. The aim of this paper is finding the optimal textural and spectral features to enhance the CD accuracy using genetic algorithms (GA) and Bayesian classi?er. To evaluate the effectiveness of the proposed approach, a case study using IRS-P6 and GeoEye1 satellite imagery acquired on July 15, 2006, and September 1, 2013, respectively, from Sahand New Town (Northwest of Iran) was performed. All the mentioned feature selection methods (PCA, SAA and proposed GA-based method) were implemented in MATLAB R2013a. Results show that, textural features provides a complementary source of data for CD in urban areas. Results show that features selection is an effective procedure in change detection based on textural and spectral features. Each of feature selection methods has its own limitation and advantages, but in general they increase the CD accuracy. The proposed GA-based feature selection approach was found to be relatively effective when compared to PCA and SSA approaches. Overall accuracy and Kappa coefficient of CD were increased from 53.66% to 88.49% and 58.94% to 90.39%, respectively using proposed method in compared with that using only spectral information.