مقايسه استخراج عارضه راه در مناطق شهري از تصاوير با حد تفكيك بالاي TerraSAR-X و آيكونوس با استفاده از اطلاعات بافت در الگوريتم‌هاي شبكه عصبي

نسل جديد سنجنده‌هاي راداري فضايي با حد تفكيك مكاني بالا، امكان استفاده از اين تصاوير را به‌منظور استخراج خودكار عوارض، به‌ويژه عارضه راه فراهم آورده‌اند. در پژوهش حاضر، استخراج عارضه راه از تصاوير راداري و اپتيك با حد تفكيك بالا با يكديگر مقايسه شدند. بدين منظور از تصاوير آيكونوس و TerraSAR-X استفاده شد و بين تصاوير هم‌مرجع‌سازي انجام گرفت. سپس ويژگي‌هاي بافت استخراج شدند و طبقه‌بندي با استفاده از شبكه عصبي بازپس‌خور خطا انجام پذيرفت. با مقايسه نتايج حاصل از اجراي الگوريتم با داده‌هاي مرجعي كه عامل انساني آنها را تهيه كرده است، براي داده‌هاي TerraSAR-X و آيكونوس، به ترتيب مقادير 10/46 و 72/57 درصد براي پارامتر RCC، 58/46 و 27/93 درصد براي پارامتر BCC و مقادير 61/0 و 31/0 براي پارامتر RMSE به دست آمد. مقايسه تصوير خروجي حاصل از دو الگوريتم نشان مي‌دهد كه هركدام از تصاوير اپتيك و راداري نواقصي در استخراج راه دارند. به عنوان مثال، الگوريتم‌هاي اپتيك به مناطقي از تصوير كه ويژگي‌هاي طيفي و بافتي مشابه با راه دارند ـ ازجمله محل پاركينگ‌ها و سقف بام‌هاي بزرگ‌ـ حساس هستند، درصورتي‌كه اين مناطق در تصاوير راداري ظاهري روشن و بافتي متفاوت دارند. بنابراين تصاوير راداري در مناطقي با بافت شهري ـ به‌ويژه توام با راه‌هاي كم‌عرض و كوچه‌ها ـ مناسب‌اند. از طرفي ديگر تصاوير راداري در مناطقي با پوشش گياهي انبوه به خوبي عمل نمي‌كنند، درحالي‌كه تصاوير اپتيك كاملاً قادر به تمايز اين مناطق از راه‌ها هستند. در نتيجه با توجه قابليت‌هاي مكمل‌اين تصاوير در استخراج راه، تلفيق ويژگي‌هاي اين دو منبع به‌منظور رفع نواقص و افزايش دقت الگوريتم‌هاي حاضر، روشي كارآمد در توسعه الگوريتم‌ها به نظر مي‌رسد.

New generation of space radar sensors with high spatial resolution, heralds the possibility of these images usage for automatic feature extraction, specially road ones related. This study compares road extraction in high resolution radar and optical images. IKONOS and TerraSAR-X images are used for this purpose. In order to make possible the comparison, the images have been coregistered. Then, texture features have been extracted and classified using a back propagation neural network. By comparing the results with reference road network, provided by the operator, for TerraSAR-X and IKONOS images respectively, 46.10 and 57.72 percent for RCC, 46.58 and 93.27 percent for BCC and 0.61 and 0.31 for RMSE were obtained. Comparison of the outputs of two algorithms showed that each of optics and radar images have some defects in road extraction. For example, optical algorithms are sensitive to image parts which have the same texture and spectral features similar to roads such as parkings and roofs. In one hand, these areas have visible appearance and different texture in radar images, so radar images in urban areas especially with narrow roads and alleys, are suitable. On the other hand in areas with dense vegetation, Radar images do not perform well, while the optical images are able to distinguish the mentioned areas. In order to eliminate defects and increase the accuracy of the present algorithm, because of high functionality of these images, fusion of them seems to be an efficient wayin developing algorithms.