نسبت تصاویر
فرض اساسی در این روش اینست که در صورت عدم وجود تغییرات طیفی مهم، نسبت بین تصاویر یکسان خواهد بود. بنابراین برای بدست آوردن نسبت تصاویر، تصاویر هم مختصات شده بصورت باند به باند بر هم تقسیم می شوند. تغییرات بوسیله مقادیر زیاد و یا کم این نسبت مشخص می شوند. مهم ترین نکته این روش انتخاب باندهای طیفی مناسبی است که مقادیر کاملا متفاوت بازتاب طیفی داشته باشند. همانند روش تفاضل تصاویر این روش نیز هم مختصات شدن نامناسب تصاویر حساس است. تحقیقات متعددی در زمینه تغییر سنجی با بهره گرفتن از الگوریتم های نسبت و تفاضل تصویر انجام شده است که نشان می دهد الگوریتم تفاضل در مجموع نتایج بهتری نسبت به الگوریتم نسبت تصاویر تولید می کند.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

در تحقیق دیگری Yanmura و همکاران، با بهره گرفتن از تصاویر هوایی قبل و بعد زلزله سال ۱۹۹۹ شهر کوبه و همچنین نقشه برداری موجود از منطقه، اقدام به تعیین ساختمانهای تخریب شده نمودند.در این تحقیق ابتدا تصاویر قبل وبعد رویداد بوسیله داده نقشه برداری با یکدیگر هم مختصات شدند . در گام بعدی اختلافات رنگی در سطح پیکسل محاسبه شد و پس از آن در گام سوم یک حد آستانه برای مقادیر اختلافات تعیین شد. در نهایت با مقایسه مقادیر اختلافات رنگی با حد آستانه تعیین شده، نقشه تخریت منطقه تولید شد. در نقشه تخریب حاصل ساختمانها در سه کلاس سالم ، تخریب شده و غیر قابل شناسایی طبقه بندی شدند. با مقایسه نتایج حاصل از این روش با نتایج حاصل از مشاهدات چشمی، کارایی و سرعت آن در تعیین مناطق آسیب دیده مشخص شد. یکی از محدودیت های این روش حساس بودن آن به مرحله هم مختصات کردن تصاویر و نقشه رقومی است [۴].
روش شی پایه ^[۴]
آنالیز شئ مبنای تصاویر در کامپیوتر را می توان تقریب اولیه از ادراک انسان برای تفسیر تصاویر دانست. یک مفسر با نگاه به تصویر اشیاء و پیچیدگی های موجود در آن را درک می کند. درک وشناخت انسان از تصاویر بسیار پیچیده است اما در میان این پیچیدگی ها برخی از روش های تصمیم گیری برای دانشمندان مشخص است. برای مثال زمانیکه مفسر به تصویر می نگرد، اشیاء کوچک با فرم هندسی شبیه مستطیل را با شناخت قبلی از بافت وطیف ساختمان، ساختمان در نظر می گیرد و اشیاء دراز و طویل را از روی روابط آنها با اشیاء و طیف و بافتشان، در کلاس راه قرار می دهد. هدف از آنالیز شئ مبنا، استفاده از این نوع تصمیم گیری ها با مدلسازی در کامپیوتر است. آنالیز شی مبنا در دسته تکنیک های بینایی ماشین قرار می گیرد [۵,۶,۷,۸] .
تصاویر ماهواره ای در برگیرنده یک شبکه منظم از پیکسل ها می باشند. این پیکسل ها به تنهایی مفهوم خاصی ندارند. به عبارت دیگر اغلب اشیاء بامعنی موجود در طبیعت متشکل از چندین پیکسل می باشند که با چیدمان خاصی در کنار یکدیگر قرار گرفته اند. هدف از آنالیز شئ مبنا استخراج این اشیاء معنی دار از شبکه پیکسل های تصویر و در بررسی و تحلیل آنهاست (شکل ۲-۲).
در روش شئ مبنا از آنجاییکه واحد پردازش یا آنالیز، اشیا (قطعات ) هستند، جهت انجام آنالیز یک تصویر، ابتدا قطعات که معادل با عوارض زمینی اند با بهره گرفتن از روش های قطعه بندی استخراج می شوند، سپس اطلاعات بافتی و طیفی مربوط به قطعات استخراج شده محاسه می شوند و در نهایت بوسیله یک سیستم طبقه بندی، قطعات تصویر بر مبنای اطلاعات بافتی و طیفی بدست آمده در کلاس های مختلف طبقه بندی می شوند.
شکل ‏۲‑۲ استخراج قطعات معنادار از تصاویر در آنالیز شئ مبنا
Gusella, Huyck و همکاران با ارائه و پیاده کردن روشی شئ گرا (بر روی تصاویر قبل و بعد از زلزله بم از ماهوارهQuickBird) ) ساختمانهای ویران شده در اثر زلزله را شناسایی کردند. آنها ابتدا پیش پردازش های لازم (pan sharpening , contrast enhancement)را بر روی تصویر قبل از زلزله (master image ) انجام دادند، سپس تصویر بعد از زلزله (slave image )را با تصویر قبل هم مختصات کردند. سپس برای استخراج ساختمان ها (objects) بترتیب عملیات قطعه بندی (segmentaiton) و طبقه بندی (classification) را بر روی تصویر قبل پیش پردازش شده با بهره گرفتن از نرم افزار eCognition انجام داده شد. در مرحله بعد با منطبق کردن لایه ساختمانهای استخراج شده از مرحله قبل بر بروی تصویر بعد از زلزله ساختمانهای آسیب دیده شناسایی شدند و در دو کلاس تخریب شده و تخریب نشده طبقه بندی شدند. در این پژوهش تعداد ۱۸۸۷۲ ساختمان شناسایی شد که از آنها تعداد ۶۴۷۳ ساختمان در کلاس تخریب شده قرار گرفتند. با مقایسه نتایج این روش با نتایج حاصل از تفسیر بصری دقت روش ۷۰% تعیین شد [۹]. مدل مفهومی این روش در شکل ۲-۳ آمده است.
شکل ‏۲‑۳ مدل مفهومی روش ارائه شده توسط Gusella و همکاران[۹]
Yamazaki و Yano برای شناسایی میزان تخریب ساختمانها (در زلزله بم) بر پایه کلاس بندی پوشش زمینی از دو روش مدیریت نشده پیکسل مبنا و شئ مبنا استفاده کردند.در روش پیکسل مبنا بدلیل وجود اثرات نویز salt and pepper)) نتایج خوبی حاصل نشد، اما در روش شئ مبنا با مقایسه نتایج این روش با نتایج حاصل از تفسیر چشمی نتایج قابل قبولی مشاهده شد. پژوهش در دو مرحله انجام شد. مرحله اول برای شناسایی ساختمانها در تصویر قبل از زلزله ،و مرحله دوم برای شناسایی تخریب ساختمانها با بهره گرفتن از تصویر بعد از زلزله انجام شد.در مرحله اول و روش پیکسل پایه با انتخاب پنج کلاس (ساختمانها،پوشش گیاهی، راه، خاک و سایه) به عنوان داده های رشته ای آموزشی کلاس بندی انجام شد، اما بدلیل وجود اثرات نویز (salt and pepper ) در تمام تصویر کلاس بندی ساختمانهای مجزا به درستی انجام نشد.در این مرحله و با روش شئ پایه با بهره گرفتن از نرم افزار eCognition و با اعمال پارامترهای (WL=1,SP=30 ) بهترین نتایج برای کلاس بندی ساختمانها حاصل شد و ۹% خطای سهوی و ۲۸%خطای عمدی (بدلیل همرنگی زمین با سقف بعضی از ساختمانها)مشاهده شد. در مرحله دوم( که برای شناسایی آوار انجام شد)و به روش پیکسل پایه به دلیل تنوع رنگ و شکل آوار خطاهای زیادی مشاهده شد.در این مرحله وبه روش شئ پایه و با بهره گرفتن از نرم افزار eCognition و با اعمال پارامترهای (WL=1, SP=20, SF=0.5) آوارهای ساختمانی شناسایی شد و با مقایسه با نتایج حاصل از تفسیر چشمی [۲]میزان دقت ۴۴% تعیین شد [۱۰].
Chini و همکاران با بهره گرفتن از یک روش مبتنی بر تصاویر قبل و بعد از زلزله برای استخراج ساختمان های آسیب دیده ارائه کردند. روش کار بدین شکل بود که ابتدا تصاویر قبل و بعد از زلزله هم مرجع شدند و سپس ویژگی های مورفولوژی تصاویر با بهره گرفتن از اپراتورهای انسداد و گشایش استخراج شدند. ویژگی های استخراج شده به عنوان ورودی به یک طبقه بندی کننده نظارت نشده وارد شدند و سپس میزان تخریب ساختمان ها با بهره گرفتن از درصد پیکسل های آسیب دیده در سه کلاس محاسبه شدند. شکل ۲-۴ مدل مفهومی روش Chini و همکاران را نشان می دهد [۱۱].
شکل ‏۲‑۴ مدل مفهومی روش Chini و همکاران[۱۱]
منصوری و دیگران با بهره گرفتن از تصاویر قبل و بعد از زلزله و پایگاه داده ای از قطعات شهری به عنوان داده های کمکی و بکارگیری یک الگوریتم تغییرسنجی جدید و با بهره گرفتن از منطق فازی توانستند میزان تخریب ساختمانهای شهر بم (ناشی از زلزله ۲۰۰۳ م بم)را تعیین نماید. پژوهش در سه مرحله انجام شد، ابتدا تصاویر قبل و بعد زلزله به همراه پایگاه داده قطعات شهری، پیش پردازش و هم مختصات شدند. سپس شاخصهای طیفی و مکانی موثر تصاویر به عنوان عناصر پایه ای در طبقه بندی فازی استخراج شد و درنهایت با بکارگیری توابع عضویت فازی بر روی شاخصهای موثر، تخریب ساختمانها در سه سطح آسیب (آسیب جزیی، متوسط و شدید) طبقه بندی شد.در نهایت با مقایسه نتایج روش حاضر با نتایج نقشه آسیب حاصل از تفسیر چشمی [۲] انطباق قابل قبول ۷۲%مشاهده شد[۱۲].
Huyck با بکارگیری الگوریتمی مبتنی بر عدم تشابه لبه ها (Edge Dissimimlarity)، مناطق با تمرکز بالای تخریب در زلزله ۲۰۰۳ بم را شناسایی کرد. در پژوهش مورد نظر ابتدا لبه ساختمانها با بکارگیری یک فیلتر ۹*۹ لاپلاسین شناسایی شدند. در مرحله بعد از یک فیلتر عدم تجانس (textural dissimilarity filter 25*25 cell) برای برجسته کردن درجه تجانس در لبه ها استفاده کرد. با تفاضل تصاویر حاصله از پردازش های فوق نقشه انحراف از معیار متوسط در یک پنجره ۲۰۰*۲۰۰ تهیه شد و مناطق با تمرکز بالای تخریب شناسایی شدند [۱۳].
Samadzadegan و Rastiveisi در سال ۲۰۰۸ از یک روش آنالیز بافت بر روی تصاویر زلزله بم جهت ارزیابی خسارت به ساختمان پس از وقوع زلزله استفاده کردند. مدل مفهومی روش بکار برده شده در شکل ۲-۵ ارائه شده است[۱۴]. در روش مذکور ابتدا بر روی تصاویر قبل و بعد از زلزله پیش پردازش هایی همچون همسان سازی هیستوگرام، یکسان سازی هیستوگرام و هم مرجع کردن انجام شد. سپس با بهره گرفتن از نقشه قبل از زلزله محل ساختمان ها در تصاویر قبل و بعد از زلزله مشخص گردیدند.
شکل ‏۲‑۵ مدل مفهومی روش Samadzadegan و Rastiveisiو همکاران[۱۴]
در گام بعد ویژگی های بافتی تصاویر در تصاویر قبل و بعد از زلزله استخراج شدند. این ویژگی ها شامل ویژگی های آماری مرتبه اول، مرتبه دوم هارالیک، فیلتر گابور و سمی وریوگرام بود. سپس با بهره گرفتن از الگوریتم ژنتیک ویژگی های بهینه انتخاب شدند. ویژگیهای بافتی بهینه به عنوان ورودی وارد یک سیستم استنتاج فازی شده که خروجی این سسیتم درجه تخریب اختصاص یافته به هر ساختمان می باشد. ارزیابی نتایج حاصل از این روش توسط ۱۰۰ ساختمان که به صورت اتفاقی از تصویر استخراج شده بودند، انجام شد. روش ارائه شده دارای دقت کلی ۷۲ درصد و ضریب کاپای ۶۳ درصد بود.
Chesnel و همکاران در تحقیق دیگری با ارائه روشی اقدام به تولید نقشه تخریب ساختمان های شهر بم نمودند. نقشه تخریب حاصل از این تحقیق در چهار کلاس سالم، تخریب متوسط، تخریب شدید و ویران در شکل زیر نشان داده شده است. روش طبقه بندی سقف ساختمان ها در این تحقیق استفاده از شبکه عصبی مصنوعی و بکار گیری مزایای آن ها در تولید کلاس های مختلف می باشد. نتایج بررسی ترکیب زوج تصاویر با قدرت تفکیک های مختلف نشان داد که با افزایش قدرت تفکیک تصاویر، دقت طبقه بندی نیز افزایش می یابد. بهترین دقت معادل ۷۲ درصد بودکه دقتی قابل قبول است. از جمله محدودیت های این روش می توان به افزایش پیچیدگی های مرحله هم مختصات سازی با افزایش قدرت تفکیک مکانی و میزان تخریب ساختمان ها اشاره کرد.[۱۵]
آنالیز بافت
آنالیز بافت یک روش موثر در تعیین میزان آسیب دیدگی ساختمانها در اثر رخدادهای طبیعی است. از آنجایی که ساختمان های تخریب شده در مقایسه با ساختمان های سالم دارای بافت خشن تر و نیز مقادیر درجات خاکستری کمتری می باشند، در این روش ویژگیهای بافتی موجود در تصاویر استخراج شده و از آنها در تعیین میزان آسیب ساختمانها استفاده می شود. این روش بویژه در حالتی که صرفا داده های( تصویر) پس از زلزله موجود باشد بسیار مفید است.
تعریف واحد و مشخصی برای بافت ارائه نشده است و هر کدام از پژوهشگران تعریفی خاص برای آن ارائه کرده است، در ادامه مطلب به برخی از این تعاریف اشاره می کنیم:
بافت را می توان به صورت تابعی از تغییرات مکانی شدت روشنایی پیکسل ها در یک تصویر تعریف کرد [۱۶].
مطابق تعریف یک ناحیه در تصویر دارای بافتی ثابت است هر گاه مجموعه ای از آمارهای محلی یا سایر ویژگیهای محلی تابع تصویری ثابت باشد، به آهستگی حرکت کند یا تقریبا پریودیک باشد [۱۷].
بافت یک ویژگی تصویر است که سطح و ساختار یک تصویر را نمایش می دهد. بافت را می توان به شکل تکرار یک عنصر یا الگو بر روی یک سطح تعریف کرد[۱۸].
از میان کاربردهای مختلف آنالیز بافت میتوان به چهار کاربرد مهم آن یعنی طبقه بندی بر مبنای بافت، ناحیه بندی بر مبنای بافت، استخراج شکل از بافت و همچنین ترکیب بر مبنای بافت اشاره کرد. در ادامه توضیح مختصری از هر کدام از کاربردهای فوق ارائه می شود.
طبقه بندی بر مبنای بافت: استخراج و بکارگیری ویژگی های بافتی از تصویر برای طبقه بندی آن را طبقه بندی بر مبنای بافت گویند. با بکارگیری این نوع طبقه بندی نواحی با بافت یکسان و مشابه در یک کلاس قرار می گیرند. طبقه بندی پوشش زمینی به نواحی همگن با انواع مختلف پوششها از جمله کشتزارها، نواحی شهری، نواحی آبی و غیره نمونه های از کاربردهای طبقه بندی بر مبنای بافت می باشد. استفاده از این نوع طبقه بندی در بسیاری از پژوهش های مربوط به تعیین تخریب به کار گرفته شده و کارایی آن ثابت شده است[۱۹,۲۰,۲۱,۲۲].
قطعه بندی تصویر بر مبنای بافت: افراز یک تصویر به قطعه های جدا از هم با بهره گرفتن از ویژگی های بافتی را به شکلی که هر ناحیه داری خصوصیات بافتی همگونی باشد را قطعه بندی بر مبنای بافت گویند [۱۸]. در آنالیز و پردازش های مختلف تصویری می توان از نتایج این نوع طبقه بندی استفاده کرد استفاده کرد.
استخراج شکل^[۵] از بافت: ایجاد هندسه سه بعدی از یک سطح با بهره گرفتن از اطلاعات بافتی را گویند [۱۸].
ترکیب بافت: استفاده از این روش تکنیکی مرسوم برای تولید بافت های بزرگ با بهره گرفتن از نمونه های کوچک بافت به منظور نمایش بافت در سطوح با کاربردهای رندر کردن^[۶] تصویر می باشد [۱۸].
روش های متعددی برای استخراج ویژگی های بافتی از تصاویر وجود دارند که می توان آن ها را در چهار دسته کلی روش های ساختاری، روش های آماری، روش های مدل مبنا و روش های حوزه تبدیل تقسیم بندی نمود [۱۸].
روش های ساختاری^[۷]: اساس کار در روش های ساختاری شناخت عناصر بافت است. این عناصر در واقع تشکیل دهنده بافت بوده و دارای اندازه و جهت مشخصی می باشند. تعریف بافت در این روش بوسیله ساختارهای اولیه ای که براساس قوانینی تعریف شده و یک سلسله مراتب از چیدمان مکانی آنها ارائه می دهند انجام می شود. این روش ها در مواردی که بافت ساختار منظمی به لحاظ هندسی دارد (مانند خطوط موازی و خطوط عمود) عملکرد خوبی دارد، به همین دلیل از این روش ها بیشتر درتشخیص بافتهای مصنوعی (مثلا بافت موجود در پارچه) کاربرد دارند. از اینرو این روش ها برای استخراج و تشخیص اطلاعات بافتی موجود در تصاویری که ساختار طبیعی دارند از جمله تصاویر ماهواره ای روش مناسبی نیستند. استفاده از فیلترهای آشکارسازی لبه، خط و نقطه برای استخراج ساختارهای بافتی موجود در تصاویر از جمله کاربردهای این روش ها می باشند [۱۸] .
روش های آماری^[۸]: روش های آماری از پرکاربردترین روش های آنالیز بافت و از اولین روش های ارائه شده در بینایی کامپیوتر می باشند که توانایی بیشتری نسبت به سایر روش ها در شناسایی بافت های تصاویر طبیعی (از جمله تصاویر ماهواره ای) دارند. این روش ها بطور غیر مستقیم و طبق ویژگی های غیر قطعی که توزیع ها و روابط موجود میان درجات مختلف خاکستری در یک تصویر را کنترل می کند، بافت تصویر را شناسایی می کند. با محاسبه ویژگی های محلی در هر نقطه از تصویر و استخراج مجموعه ای از آمارهای مربوط به نحوه توزیع این ویژگی ها، روش های آماری برای آنالیز توزیع مکانی درجات خاکستری تصویر به کار برده می شود.
روش های مدل مبنا^[۹]: اساس کار در روش مدل مبنا ارائه تصویر به عنوان یک مدل احتمال با یک ترکیب خطی از مجموعه از توابع پایه می باشد. از جمله مدل هایی که برای آنالیز تصویر با این روشها مورد استفاده قرار می گیرند شامل مدل فرکتال^[۱۰] و مدل میدان تصادفی مارکوف^[۱۱] می باشند[۱۴].
روش های تبدیل(پردازش سیگنال)^[۱۲]: مبنای کار در این روش ها تعریف تصویر در فضایی که سیستم مختصات آن رابطه نزدیکی با خصیصه های یک بافت دارد می باشد. به بیانی دیگر در این روش با تبدیل تصویر به یک فرم جدید بگونه ای انجام میشود که بافت تصویر در این فرم و فضای جدید راحتتر قابل تشخیص است. این روش محتوای فرکانسی تصویر را آنالیز می کند. فیلترهای حیطه مکان، فیلترهای حیطه فوریه و مدل های گابور^[۱۳] و ویولت^[۱۴] از جمله این روش ها می باشند.
ویژگی های بافتی آماری
یکی از روش های استخراج ویژگی های بافت، همانطور که در بخش قبل اشاره شد، روش های آماری است. از آنجایی که بنا به تعریف، بافت ویژگی است که با پیکسل های مجاور معنی می یابد در نتیجه استخراج آن جزء عملیات همسایگی محسوب می شود. اساس کار در این روش استفاده از یک پنجره متحرک با ابعاد مشخص و انجام محاسبات بر روی مقادیر عددی پیکسل های موجود در پنجره می باشد. روش های آماری بسته به تعداد پیکسل های مورد استفاده، به روش های آماری درجه اول (یک پیکسلی) و روش های آماری درجه دوم (یک زوج پیکسل) و درجه سه و بالاتر تقسیم بندی می شوند.
ویژگی های آماری مرتبه اول
این دسته از ویژگی ها با در نظر گرفتن درجه خاکستری تک پیکسل بدون درنظر گرفتن ارتباط مکانی آن با پیکسل های مجاور استخراج می شوند. این ویژگی ها را می توان با بهره گرفتن از هیستوگرام روشنایی تصویر استخراج نمود. میانگین و واریانس از جمله مهمترین ویژگی های آماری مرتبه اول می باشند که به صورت زیر محاسبه می شوند. رابطه ‏۲‑۱ رابطه ویژگی آماری مرتبه اول میانگین و رابطه ۲-۲ رابطه ویژگی آماری مرتبه اول واریانس می باشد.
(۲-۱)
= (۲-۲)
در روابط بالا مقدار عددی درجه خاکستری پیکسل ام می باشند. این ویژگی ها را می توان بصورت جداگانه برای تمام باندهای تصویر استخراج کرد.
ویژگی های آماری مرتبه دوم
همانطور که اشاره شد در استخراج ویژگی های آماری مرتبه اول فراوانی پیکسل ها را بصورت مجزا در نظر گرفته می شود، اما از آنجاییکه استفاده از روشهایی که فراوانی وقوع دو یا چند پیکسل را بصورت همزمان در نظر بگیرد، بر تعریف بافت منطبق تر است، لذا روش های آماری مرتبه دوم روش کارآمدتری نسبت به روش های آماری مرتبه اول در آنالیز بافت می باشند.
ایده اصلی در روش های آماری مرتبه دوم محاسبه احتمال همزمان یک جفت پیکسل با درجه روشنایی یکسان می باشد. برای ارائه تعاریف مربوط به ویژگی های آماری مرتبه دوم لازم است که ابتدا احتمال همزمان وقوع دو پیکسل در تصویر مطابق رابطه ۲-۳ تعریف شود.
(۲-۳)