آشكارسازي نظارت نشده تغييرات از تصاوير ماهواره اي چندزمانه SAR مبتني بر بهبود تيوري سطوح هم تراز

Unsupervised Change Detection Using Multi-temporal SAR Images Based on Improvement of Level Set Methods

در پژوهش حاضر چارچوبي جهت آشكارسازي نظارت نشده تغييرات، با استفاده از تصاوير چندزمانه SAR با به كارگيري اطلاعات متني و مبتني بر ادغام خوشه بندي و مدل سطوح هم تراز ارايه شده است. با به كارگيري اطلاعات متني، همبستگي مكاني بين پيكسل ها در نظر گرفته شد و همچنين به منظور معرفي خودكار تغييرات از روش پيشنهادي مبتني بر ادغام خوشه بندي گوستافسون-كسل(GKC) و مدل سطوح هم تراز استفاده شد. استفاده از روش خوشه بندي موجب توليد منحني اوليه با حداقل زمان همگرايي براي مدل سطوح هم تراز گرديد و همچنين استفاده از مدل سطوح هم تراز موجب افزايش دقت توليد نقشه تغييرات با استفاده از فرآيند تكراري شد. جهت ارزيابي كارايي، روش پيشنهادي با تعدادي از روش هاي ارايه شده در مقالات پيشين مقايسه گرديد. نتايج نشان مي-دهد كه نرخ خطاي كل روش پيشنهادي نسبت به اين روش ها كاهش يافته است. نتايج حاصل، مويد قابليت بالاي روش پيشنهادي جهت آشكارسازي نظارت‌نشده تغييرات تصاوير چندزمانه SAR است.

In this research, a framework is presented for the unsupervised change detection using Multitemporal SAR images based on integration of Clustering and Level Set Methods. Spatial correlation between pixels is considered by using contextual information. Furthermore, in the proposed method integration of Gustafson-Kessel clustering techniques (GKC) and Level Set Methods are used for change detection. Using clustering techniques has caused production of the initial curve for LSM with a minimum convergence time and, as a result, use of LSM Leads to increasing the accuracy of change map using the iterative process. In order to evaluate the performance of the proposed method, this method is compared with some other existing stateof- the-art methods. The results show that the total error rate of the proposed method has been reduced compared to these methods. Results show the high capability of the proposed method in the unsupervised change detection of multi-temporal satellite SAR images.