آشكارسازي نظارت‌نشده تغييرات از تصاوير چندزمانه SAR مبتني بر ادغام خوشه‌بندي و مدل منحني فعال

Unsupervised Change Detection in Multitempolar SAR Images Based on Integration of Clustering and Active Contour Mode

در اين تحقيق روشي جهت آشكارسازي نظارت‌نشده‌ي تغييرات در تصاوير چندزمانه SAR مبتني بر ادغام خوشه‌بندي و مدل منحني فعال ارايه‌شده است. در اين روش، با استفاده از فيلتر گابور، در مقياس و در جهات مختلف، اطلاعات بافتي تصوير استخراج مي‌گردد و جهت كاهش وابستگي ميان ويژگي‌هاي استخراجي و اطلاعات تصاوير، از آناليز مولفه اصلي با هسته كرنل (KPCA) استفاده مي‌شود. همچنين، براي توليد تصوير اختلاف از تبديل موجك گسسته و به‌منظور توليد منحني اوليه براي مدل منحني فعال از خوشه‌بندي گوستافسون كِسل (GKC) استفاده مي‌شود. در نهايت از مدل منحني فعال ناحيه مبناي غير پارامتريك براي توليد نقشه تغييرات، مبتني بر مناطق تغييريافته و تغييرنيافته، استفاده مي‌شود. جهت ارزيابي عملكرد روش پيشنهادي دو مجموعه تصاوير ماهواره‌اي چندزمانه با قدرت تفكيك مكاني بالا از سنجنده TerraSAR-x در نظر گرفته‌شده است. نتايج تجربي آشكارسازي تغييرات نشان مي‌دهد كه براي مجموعه داده اول ميزان نرخ خطاي كلِ روش پيشنهادي نسبت به مدل چان وِسChan–Vese))، روش زنجيره تصادفي ماركوف (MRF) و ادغام زنجيره مخفي تصادفي ماركوف و بيشينه‌سازي اميد رياضي (EMHMRF) به ترتيب 95/4 درصد، 30/3 درصد و 34/3 درصد كاهش‌يافته است و براي مجموعه داده دوم ميزان نرخ خطاي كل روش پيشنهادي نسبت به مدل Chan–Vese، روش MRF و EMMRF به ترتيب 56/2 درصد، 86/1 درصد و 87/1 درصد كاهش‌يافته است. همچنين نتايج نشان مي‌دهد كه استفاده از روش خوشه‌بندي GKC موجب توليد منحني اوليه با حداقل زمان همگرايي براي مدل منحني فعال گشته و استفاده از مدل منحني فعال موجب افزايش دقت توليد نقشه تغييرات با استفاده از فرآيندي تكراري شده است.

In this study, a method for unsupervised change detection in multi-temporal SAR images has been presented based on integrating clustering and active contour model. In this method, texture information is extracted by using Gabor filter in different scales and directions. KPCA transformation is also applied to reduce the dependency between the extracted features and image information. Moreover, Discrete Wavelet Transformation (DWT) and Gustafson-Kessel clustering (GKC) methods are used respectively to generate the difference image and the initial contour for the active contour model. In the final step, the region-based non-parametric active contour model is used for producing the change image containing changed and unchanged regions. For performance evaluation of the proposed method, two sets of high resolution multi-temporal TerraSAR-X images are considered. Experimental results of unsupervised change detection method show that, the total error rate of the proposed approach for the first data set are decreased respectively to 4.95%, 3.30% and 3.34% compared to that of the Chan-Vese, MRF and EMMRF methods and for the second data set, the total error rate of the proposed method are decreased to 2.56%, 1.86% and 1.87 As well. Moreover, the results showed that the use of GKC method leads to production of the initial curve with minimal convergence time for the active contour model. Also, the use of active contour model improves the accuracy of change map creation using a repititive process