ارائه يك روش تكاملي به منظور زمين مرجع نمودن و كشف اشتباهات تصاوير ماهوارهاي با قدرت تفكيك مكاني بالا

An Evolutionary Strategy for Georeferencing and Blunder Detection of High Resolution Satellite Imagery

زمین مرجع نمودن تصاویر ماهوارهای با قدرت تفكیك مكانی بالا در اكثر كاربردهای سنجش از دور و فتوگرامتری مانند تولید تصاویر ارتو و مدل ارتفاعی رقومی مطرح میشود. در فرآیند زمین مرجع نمودن، وجود نقاط كنترل زمینی در تصویر نقش مهمی در برآورد پارامترهای مورد نیاز طی محاسبات سرشكنی دارد. بنابراین حضور اشتباهات در این نقاط، میتواند باعث اشتباهات بنیادی در محاسبات زمین مرجع نمودن و نتایج حاصل از سرشكنی شود. از الگوریتمهای سنتی به منظور كشف اشتباهات، میتوان دو روش Data Snooping و برآوردگر پایدار را نام برد. در حضور خطاهای سیستماتیك و اشتباهات در مشاهدات و یا در مدل ریاضی، هر دو روش دارای مشكلات قابل توجهی برای یافتن اشتباهات و حذف اثر آنها از روی نتایج هستند. در این تحقیق روشی جدید مبتنی بر الگوریتم تكاملی به منظور زمین مرجع نمودن تصاویر ماهوارهای و كشف هم زمان اشتباهات در نقاط كنترل زمینی، ارائه و نتایج آن با روشهای سنتی مقایسه شده است. در این الگوریتم، طی برآورد كمترین مربعات، از طریق بیشینه كردن جذر میانگین مربعات باقیماندههای مربوط به نقاط چك، پارامترهای مربوط به زمین مرجع نمودن، برآورد و اشتباهات موجود در نقاط كنترل پیدا میشوند. توانایی این روش بر روی دادههای ماهوارهای IKONOS و Worldview2 در دو منطقهی مختلف، و در حالتی كه اشتباهات دارای توزیعهای گروهی و منفرد هستند، مورد ارزیابی قرار گرفت. نتایج نشان میدهد كه روش ارائه شده دارای كارایی بیشتری نسبت به روشهای سنتی است به خصوص وقتی اشتباهات در مجموعهای از نقاط كنترل مجاور هم وجود داشته باشد، این روش قادر به كشف همهی اشتباهات است.

The georeferencing of High Resolution Satellite Imagery (HRSI) is an important task for various remote sensing and photogrammetric applications. During the process of georeferencing, Ground Control Points (GCPs) in the image have an essential role to obtain the georeferencing parameters via the adjustment method. Therefore, the appearance undesirable blunders can cause the fundamental problem for image georeferencing and influence in adjustment results. There are traditional algorithms for detecting the presence of blunders in a set of points, such as data snooping and robust estimation. In case of blunders or systematic errors appearance either in the mathematical model or in the observations to be adjusted, both of these methods have considerable problems for isolating them and avoiding their influence. In this study, a novel method based on evolutionary algorithms is described for georeferencing and blunder detection simultaneously and is analyzed versus the traditional approaches. Based on the proposed method, through least square estimation, by maximizing the residual on each individual check point, the estimated values of parameters are computed and blunders in control points are found. The novel method is implemented on IKONOS and WorldView2 images with respect to the different number and propagation of blunders. The results show that the genetic algorithm based proposed method is a more efficient method for detecting blunders than data snooping and robust estimation even when the cluster of blunders exist in GCPs.