آشکارسازی تغییرات مبتنی بر میدان‏های تصادفی مارکوف بر روی تصاویر sar

استفاده از داده‏های چند کاناله سنجنده‏های رادار با روزنه مجازی (sar ) به دلیل مستقل بودن از شرایط جوی و نور خورشید و نیز دارا بودن قابلیت بالا در استخراج تغییرات در مقایسه با حالت تک کاناله، در کاربردهای مختلفی مانند نظارت بر محیط زیست و مدیریت بلایای طبیعی بسیار توجیه‏پذیر است. با این حال، بهره‏برداری از این قابلیت‏ها نیازمند استفاده از روش‏های دقیق و اتوماتیک برای تولید نقشه‏های تغییرات از تصاویر اخذ شده از منطقه جغرافیایی یکسان، در پلاریزاسیون‏ها و یا فرکانس‏های مختلف مربوط به زمان‏های متفاوت می‏باشد. از طرف دیگر، در نظرگرفتن وابستگی مکانی مابین پیکسل‏های همسایه می‏تواند به حذف خطاهای برچسب‏گذاری پیکسل‏های منفرد کمک کرده و نقشه تغییرات را بهبود ‏بخشد. حذف نویز نقطه‏ای و ماهیت ایزوتروپیک مدل‏سازی میدان‏های تصادفی مارکوف، موجب نرم شدن مرزهای مکانی بین مناطق تغییریافته و تغییرنیافته در نقشه تغییرات نهایی می‏گردد. به منظور حذف یا حتی‏الامکان کاهش این اثر نامطلوب، استفاده از مدل‏ مارکوف در راستای دخیل نمودن اطلاعات لبه‏ها‏ در فرآیند برچسب‏گذاری پیشنهاد می‏گردد. این روند موجب بهبود دقت لبه‏ها در محل مرزهای مکانی شده و دقت آشکارسازی تغییرات را ارتقاء می‏بخشد. در این تحقیق، یک مدل مارکوف به منظور تشخیص نظارت‏نشده تغییرات از طریق ترکیب اطلاعات موجود در هر یک از کانال‏هایsar ، اطلاعات بافت مکانی و نیز اطلاعات لبه معرفی شده و با استفاده از "توابع انرژی" فرموله شده است. به منظور برآورد پارامترهای مدل، الگوریتم‏ بیشینه‏سازی امید ریاضی( em) با روش مشتقات لگاریتمی (molc ) ترکیب شده است. الگوریتم پیشنهادی با داده‏های واقعی و نیمه‏شبیه‏سازی شده asar-envisat ارزیابی شده است. بر اساس نتایج، اضافه نمودن اطلاعات لبه برای داده‏های نیمه‏شبیه‏سازی‏شده، دقت کلی را به طور متوسط 12% و برای داده‏های واقعی به طور متوسط 6% افزایش داده است. الگوریتم پیشنهادی قابلیت شناسایی هر سه نوع تغییرات (کم- متوسط- زیاد) را دارا می‏باشد، این در حالی است که با در نظر گرفتن اطلاعات باندها و بافت مکانی، قدرت شناسایی تغییرات کم و متوسط بسیار پایین برآورد شده است. همچنین با توجه به تعداد دفعات تکرار پایین، زمان اجرای الگوریتم تا حد بالایی کاهش یافته است.