توسعه روشي نوين در تشخيص لبه تصاوير هوايي/ماهواره‌اي با قدرت تفكيك بالا با تأكيد بر بهينه‌سازي حدود آستانه و استفاده از الگوريتم رقابت استعماري

Development of a New Method for Edge Detection from High-Resolution Aerial/Satellite Images, with Emphasis on Threshold Optimization and Using Imperialist Competitive Algorithm

لبه یكی از ویژگی‌های برجسته تصویر است، لبه‌ها حامل اطلاعات مهمی از تصویر می‌باشند و به خوبی بیانگر ویژگی شكل اجسام هستند. اهمیت لبه‌ها در تصویر تا به آنجا است كه سیستم بینایی انسان نیز از یك مرحله پیش پردازش برای آشكارسازی لبه استفاده می‌كند. بسیاری از روش‌های ریاضی كلاسیك برای تشخیص لبه بر اساس مشتق پیكسل‌های تصویر اصلی می‌باشند، مانند اپراتورهای گرادیان، لاپلاسین و لاپلاسین از اپراتور گاوسی. در تصاویر سنجش‌از‌دور به علت بالا بودن میزان تغییرات اپراتورهای كشف لبه نام برده شده دچار ضعف در تشخیص صحیح محدوده‌ی عوارض و حفظ پیوستگی و انسجام محدوده‌ی آن‌ها می‌باشند، به‌منظور حل این مشكلات این تحقیق یك روش نوین به‌منظور كشف لبه بر اساس خصوصیات تصاویر سنجش‌از‌دور را ارائه می‌دهد. در این روش ابتدا به‌صورت منطقه‌ای به شناسایی حدود آستانه‌ی مناطق مختلف تصویر پرداخته می‌شود و سپس با استفاده از الگوریتم شانون آنتروپی لبه‌های عوارض مختلف تصویری استخراج می‌شود. با توجه به بررسی‌های به عمل آمده، در این روش نحوه انتخاب حدود آستانه منتخب تأثیر بسزایی بر نتیجه نهایی دارد، به این منظور از روش بهینه‌سازی الگوریتم رقابت استعماری (ICA) استفاده شده است. در نهایت به‌منظور ارزیابی روش، نتایج حاصل‌شده با الگوریتم‌های استاندارد كنی، سوبل، رابرتز، LoG، الگوریتم تشخیص لبه بهینه‌سازی مورچگان و الگوریتم تشخیص لبه با روش بهینه‌سازی حدود آستانه توسط آنتروپی تسالیس مقایسه شدند و مشاهده شد كه این روش به شكل كارآمدی قادر به شناسایی لبه‌های تصاویر مختلف می‌باشد.

Edges are one of the salient properties of the image in which they have important information of the image and represent shape characteristics of the objects. Edges are important features due to the fact that the human visual system uses a preprocessing step for edge detection. The majority of the classical mathematical algorithms for the edge detection, such as Gradient, Laplacian and Laplacian of Gaussian operators are based on the derivative of the original image pixels. In the remote-sensing imagery, because of the high rate of changes, these edge detection operators perform weakly in correct detection of the feature boundaries and keeping their consistency. In order to solve these problems, this research presents a new technique using Shannon entropy based on Imperialist Competitive Algorithm (ICA). In this method, firstly a piecewise thresholding is used to identify the threshold of different parts of the image, and then the area boundaries are extracted using the Shannon entropy based on the selected threshold. According to obtained results, selection of thresholds have a high influence on the final results, Based on this, ICA optimized method is used in this research. In order to evaluate the performance of algorithm, the results from the proposed technique are also compared with the results obtained from Canny, LOG, Sobel, Roberts, Ant colony optimization edge detector and other Entropy edge detectors. The results show that the proposed method presents higher reliability in detecting the edges of different digital images.