سنجش از دور
ساعت ٩:۳٩ ‎ق.ظ روز چهارشنبه ۱۳٩٠/۱٢/۱٧   کلمات کلیدی:

 

 

جزوه پردازش تصاویر

 

 ابوالفضل آقایی میبدی

  

 

 

مراحل مختلف یک پروسه سنجش از دور به طور خلاصه:

انرژی از سطح زمین به سنسور موجود بر روی Platform برخورد می­کند که این سنسور می­تواند Wisk Broom یا Push Broom باشد. این انرژی از نوع فوتون بوده و یک Signal در این مرحله تولید می­شود و سپس طبق یک سری فرآیندها سیگنال آنالوگ به دیجیتال تبدیل می­شود (در روی Platform ) و در نهایت عمل انتقال دیتا به شکل فرمت­های رقومی با استفاده از امواج حامل به سمت ایستگاه­های زمینی ارسال می­شود. وقتی که در ایستگاه­های زمینی دیتا توسط آنتن دریافت شد یک سری پردازش­هایی در سایت انجام شده و در نهایت محصول به صورت یک تصویر در اختیار کاربر قرار می­گیرد. مراحل فوق در تصویر زیر دیده می­شود.

 

زمانی که سیگنال به اطلاعات تبدیل می­گردد و به عبارت دیگر تصویر شکل گرفته در سنجنده سه پارامتر دارد و خصوصیات تصویر را به ما نشان می­­دهد. این پارامترها عبارتند از:

1.Spatially توان­تفکیک­مکانی 2.Radiometric توان­تفکیک­رادیومتریک 3.Spectral توان­تفکیک­طیفی که هریک به شکل زیر تعریف می­شوند:

1.Spatially توان ­تفکیک ­مکانی: یعنی سنجنده تا چه حد توانایی جداسازی عوارض زمینی از هم را دارد. به عبارت دیگر تا چه ابعادی قابلیت آشکارسازی عوارض را دارد؟به عنوان مثال قدرت تفکیک مکانی در مورد چند ماهواره زیر آورده شده است.

ماهواره

سنجنده

پیکسل سایز

NOAA

AVHRR

m1100

Land sat

TM

m30

Land sat

MSS

m80

IKONOS

Pan (سیاه و سفید)

m8/0

IKONOS

MS (رنگی)

m4

Quick Bird

Pan (سیاه و سفید)

m6/0

Quick Bird

MS (رنگی)

m4/2

         

 

2.Radiometric توان ­تفکیک­ رادیومتریک: توانایی سنجنده در جداسازی انرژی­ای است که به آن می­رسد و درنهایت تعداد سطوح خاکستری که توسط سنجنده قابل تشکیل شدن است را با واحد بیت نشان می­دهد. به عنوان مثال سنجنده AVHRR از ماهواره NOAA 10 بیتی بوده و اعداد خاکستری قابل نمایش آن از 0 تا 1023 است، یا سنجنده TM از ماهواره Land sat 8 بیتی بوده و اعداد خاکستری قابل نمایش آن از 0 تا 255 است.

3.Spectral توان ­تفکیک ­طیفی: توانایی سنجنده در ثبت محدوده­های مختلف طول موج است و همانطور که می­دانیم تنها قسمت­های بالایی ماوراء بنفش در سنجنده مورد استفاده قرار می­گیرد. به عنوان مثال سنجنده TM از ماهواره Land sat 7 بانده و سنجنده رنگی ماهواره Quick Bird 4 بانده است (به این معنی که نوری که وارد این سنجنده می­شود به 4 بخش تقسیم می­شود).

مجموعه این سه پارامتر میزان حجم تصویر را مشخص می­کند.

 

 

در ماهواره Land sat یک فریم سنجنده ETM km185 * km185 (185 عرض گذر) است می­خواهیم بدانیم حجم تصویر در آن چقدر می­شود؟ توان تفکیک طیفی این سنجنده 7 باند است که 6 باند آن دارای توان تفکیک مکانی 30m و 1 باند دیگر که باند حرارتی است دارای توان تفکیک مکانی 120m است. باید تعداد پیکسل­ها در طول و عرض را پیدا کنیم پس:

12185000أ·30≅6167 →61672=38031889'> 

12185000أ·120≅1542 →15422=2377764'> 

سپس با دانستن اینکه هر پیکسل چند بیت است می­توانیم با پیدا کردن تعداد سطوح خاکستری و جمع دو عدد به دست آمده برای 6 باند اول و باند هفتم حجم کل تصویر را محاسبه کنیم که چیزی در حدود 270 Mbyte به دست خواهد آمد. لازم به ذکر است که با توجه به اعدادی که در بیان سه پارامتر در مورد ماهواره­های مختلف به طور مثال آورده شد، ملاحظه می­شود که اگر یکی از پارامترها در مورد سنجنده­ای بیشتر باشد، به دلیل محدودیت­های سخت­افزاری و انتقال داده­ها دو پارامتر دیگر باید کم باشد. البته محدودیت­ها کم­کم رو به حل شدن است به همین علت اکثر ماهواره­ها یک سنجنده سیاه و سفید و همین­طور یک سنجنده چندطیفی دارند. به عنوان مثال توان تفکیک مکانی سنجنده رنگی ماهواره IKONOS 4متر است و در مقابل توان تفکیک طیفی بالاتری دارد و از طرف دیگر توان تفکیک مکانی سنجنده سیاه و سفید این ماهواره 8/0 متر است و در حالیکه توان تفکیک طیفی کمتری دارد.

پردازش رقومی تصاویر Digital Image Processing:

مطالبی که قرار است در این جزوه آورده شود عبارتند از:

1)                       مشخصات و ویژگی­های تصویر رقومی

2)                       پارامترهای آماری استخراج شده از روی تصویر

3)                       خطاهای رادیومتریک و هندسی و تصحیحات مربوط به هریک

4)                       بهبود کیفیت تصاویر (Image Enhancement)

5)                       استخراج اطلاعات از رو تصویر شامل طبقه­بندی و روش­های طبقه­بندی

 

مقدمه:

 

هدف از انجام پردازش تصاویر: استخراج اطلاعات موردنظر از تصویر رقومی یا عکس و تعبیر و تفسیر (Interpretation)‌ آن می­باشد.

Data

Knowledge

Information

Wisdom

 

 Analog (Visual) Photo Processing

چنانچه بخواهیم از داده آنالوگ به اطلاعات برسیم پردازش به صورت بصری یا Visual Processing انجام می­گیرد و در صورتی که از داده­های رقومی استفاده کنیم، بحث Digital Processing مطرح می­شود؛ که این داده­های رقومی می­توانند در ابتدا به شکل آنالوگ بوده و با انجام Digitizing یا Scanning آنها به داده­های رقومی تبدیل کنیم. به طور کلی در مورد پردازش تصاویر می­توانیم تقسیم­بندی کلی زیر را داشته باشیم.

 Digital Image Processing

Image Processing

 مزایا و معایب  Analog Processing و Digital Image Processing  :

Analog Processing

Digital Image Processing

ساده­تر است.

پیچیدگی­های زیادی دارد.

محدودیت در لایه­های اطلاعاتی داریم.

محدودیت در لایه­های اطلاعاتی نداریم.

محدودیت در حجم اطلاعات

عدم محدودیت در حجم اطلاعات

محدودیت در دامنه­های طیفی(مثلاً نمی­توان عکس NIR تهیه کرد)

عدم محدودیت در دامنه­های طیفی

محدودیت در دامنه رادیومتریک

عدم محدودیت در دامنه رادیومتریک

سرعت پردازش نسبت به روش دیگر کمتر است.

سرعت پردازش بالا است.

نقل و انتقالات نسبت به روش دیگر کمتر است.

نقل و انتقالات راحت­تر است.

1)  مشخصات و ویژگی­های تصویر رقومی:

تعریف تصویر:

تصویر یک سیگنال یا تابع دوبعدی است از روشنایی یا شدت نور که به صورت f(x,y) قابل تعریف می­باشد. هر تصویر دارای دو مشخصه هندسی و رادیومتریک می­باشد. در این تابع x و y که مختصات مکانی هر پیکسل را نشان می­دهد، ویژگی هندسی و f متناسب با روشنایی در آن نقطه می­باشد. کوچکترین واحد یک تصویر پیکسل یا Picture Element است. در تصویر رقومی تابع دوبعدی موردنظر ازجهت متغیر مختصات مکانی و همچنین از جهت شدت نور گسسته می­باشد. گسسته­سازی متغیر مکان Sampling و گسسته­سازی متغیر روشنایی Quantization نامیده می­شود. به شکل شماتیک می­توان این­گونه نوشت:

درجه روشنایی  یا gray value حاصل از Quantization که در واقع همان توان تفکیک رادیومتریک است.

X وy حاصل از sampling که در واقع همان توان تفکیک مکانی است.

مشخصات هر پیکسل

 در تصاویر رقومی تک­رنگ (تک باند) شدت نور فقط در یک طول موج ثبت شده است و f(x,y) در هر نقطه تنها یک عدد مربوط به آن نقطه را دارد؛ که به آن درجه خاکستری گفته می­شود اما در  سنجنده­های رنگی یا چندطیفی (Multispectral)، f(x,y) یک بردار است و دیگر یک عدد نیست. معمولاً از ساختار ماتریسی برای ذخیره، نمایش و پردازش قومی استفاده می­شود.

تصویر رنگی، در اینجا به ازای هر باند رنگی یک ماتریس وجود دارد که موقعیت ثابت ولی در هرکدام یک عدد متفاوت است که این تفاوت باعث تشخیص عارضه می­گردد. ← f(x,y) = 12abc'>  

               

تصویر تک باند ←   f(x,y) = a

         

x

سیستم مختصات تصویر رقومی یک سیستم قراردادی است که معمولاً مبدأ آن پیکسل اول در قسمت بالا و چپ تصویر بوده و محور x آن به سمت راست و محورy اش به سمت پایین می­باشد.

 

y

                                

مراحل انجام یک پروژه سنجش از دور:

1. Data Collection: با توجه به نوع کاربرد، نوع تصویر، زمان تصویر و تعداد تصاویر در اینجا اهمیت پیدا می­کند. به عنوان مثال چنانچه کاربرد تهیه نقشه باشد ابتدا باید مقیاس نقشه مشخص شودتا با دانستن مقیاس داده­های موردنظرمان رابرداشت کنیم. یکی از مؤلفه­هایی که تعیین می­کند ما از روی تصویر چه نقشه­ای تهیه کنیم، پیکسل سایز است. همانطور که می­دانیم سنجنده سیاه و سفید ماهواره IKONOS دارای توان تفکیک مکانی 8/0 متر است لذا اگر بخواهیم نقشه­ای با مقیاس 1:5000 داشته باشیم چه پیکسل سایزی باید داشته باشیم؟ اگر خطای برداشت و ترسیم را 5/0 میلیمتر در نظر بگیریم:  12 0.5*5000=2.5m'>    که این 5/2 متر نشان می­دهد باید تصویری را انتخاب کنیم که پیکسل سایز یا کوچکترین عارضه در آن حداکثر 5/2 متر باشد. اما یک پیکسل در تصویر نمی­تواند عوارض را به ما نشان دهد و باید zoom منفی بگیریم تا بتوانیم یک عارضه را ببینیم و ترسیمش کنیم پس 2 یا 3 پیکسل نیاز است؛ بنابراین نمی­توان با IKONOS نقشه 1:5000 تهیه کرد؛ زیرا هم باید بتوانیم استخراج اطلاعات انجام دهیم و هم اینکه مقیاس را تعیین کنیم. گاهی نیز یک پروژه کار کشاورزی است. بنابراین در اینجا علاوه بر تعیین مقیاس بحث طیف نیز مطرح می­شود. از کاربردهای دیگری که می­توانیم به آن اشاره کنیم، این است که گاهی می­خواهیم پارامتری را مثلاً آب یک رودخانه را هر ماه پایش کنیم؛ پس باید ماهواره­ای را انتخاب کنیم که Revisit cycle آن یک ماه باشد.

2. Preprocessing: پس از اینکه داده­های ماهواره­ای به هر ترتیبی در اختیار قرار گرفت نیاز به پردازش­های اولیه بر روی این داده­ها می­باشد. داده­های ماهواره­ای سنجش از دور تحت تأثیر دو دسته خطای اصلی می­باشد؛ 1)خطای هندسی یا Geometric Error که موقعیت، ابعادو شکل تصویر را تغییر می­دهد. 2)خطای رادیومتریک یا Radiometric Error که مقدار پیکسل را مورد تأثیر قرار می­دهد. مراکزی که داده­های ماهواره­ای را در اختیار کاربر قرار می­دهند، می­توانند این داده­ها را در سطوح پردازشی مختلفی ارائه دهندکه عبارتند از:

  1. دیتای کاملاً خام یا  Raw data
  2. Radiometric Correction Only
  3. Radiometric Correction & Geometric Correction

3. بهبود کیفیت تصویر یا Image Enhancement: وقتی تصویر هم از جهت هندسی و هم از جهت رادیومتریک حاضر شد این تصویر که در مرحله پیش­پردازش قرار دارد را با کیفیت بهتری ارائه می­دهند. در اینجا از طریق توابعی که موجود است کیفیت تصویر را برای استخراج بهتر اطلاعات افزایش می­دهند.

4. Information Extraction: مهم­ترین مرحله یا بخش در کاربردهای سنجش از دور استخراج اطلاعات موردنظر از روی تصویر ماهواره­ای انتخاب شده می­باشد. طبیعتاً برای هر کاربرد خاص روش­های متفاوتی برای استخراج اطلاعات وجود دارد. به طور کلی روش­های استخراج اطلاعات از روی تصاویر ماهواده­ای به دو دسته تقسیم می­شوند:

  1. Visually: اطلاعات مورد نظر با استفاده از تفسیر چشمی و با تکیه بر مهارت اپراتور انجام می­شود.
  2. Automatic: بدون دخالت اپراتور و توسط الگوریتم­های مختلف پردازش تصاویر اطلاعات به صورت اتوماتیک استخراج می­شوند. با توجه به پیچیدگی­های تصاویر ماهواره­ای امکان استخراج اطلاعات به صورت کاملاً اتوماتیک از روی تصاویر وجود ندارد و در حال حاضر هرچند که روش­های پیچیده­ای بدین منظور به کار گرفته شده­اند، اما امکان اتوماسیون فرآیند به شکل کامل وجود ندارد. با توجه به این مشکل روش­های نیمه ات.ماتیک در برخی از انواع الگوریتم­های پردازش تصاویر استفاده می­شود. در این روشها اپراتور نیز نقش داشته و بخشی از مراحل کار به شکل اتوماتیک انجام می­شود.

در بحث پردازش تصاویر رقومی تصویر دو هدف عمده دنبال می­شود؛ یکی استخراج اطلاعات به شکل اتوماتیک و با دخالت کمتر انسان است تا به این ترتیب هنگامی که محدوده کاری بزرگ است بتوان در زمان کمتر برداشت اطلاعات بیشتری انجام داد؛ و دوم اینکه انواع اطلاعاتی که در محدوده قابل حس چشم انسان نیست را بتوان برداشت کرد.

 2)  پارامترهای آماری استخراج شده از روی تصویر:

Population جمعیت آماری: مجموعه­ای است محدود یا نامحدود از المانها. اما مطالعه بر روی جمعیت به دلیل گستردگی، کار مشکلی است به همین دلیل یک Sample یا نمونه تعیین می­شود که به عنوان زیرمجموعه­ای از جمعیت می­باشد. سپس پارامترهای محاسبه شده از نمونه را به جمعیت نسبت می­دهیم. اما نمونه باید یک شرط داشته باشد و آن اینکه بدون بایاس باشد؛ یعنی مورد اعتماد باشد و با مقدار واقعی اختلاف نداشته و تا حدی مطابقت داشته باشد. در سنجش از دور تصویر ماهواره­ای به عنوان یک مجموعه داده در نظر گرفته می­شود؛ لذا می­توان پارامترهای آماری را بر روی آن بررسی کرد. معمولاً نمونه­ها در تصاویر ماهواره ­ای که مجموعه­ای از پیکسل ها می­باشد از تابع نرمال پیروی می­کند.اما در تصاویر ماهواره­ای این تابع توزیع نرمال غیر­متقارن است. ویژگی یک تابع توزیع نرمال این است که توسط دو پارامتر میانگین و انحراف­معیار تعریف شده و بیشترین مقادیر نمونه در نزدیکی میانگین وجود دارد و هرچه از میانگین دورتر شویم تعداد پیکسل­های مربوطه نیز کمتر می­شود. نمونه­های بزرگ که از جمعیت­های طبیعی استخراج می­شوند، معمولاً دارای یک توزیع فرکانسی متقارن هستند؛ به طوریکه بیشترین مقادیر اطراف مقدار مرکزی بوده و هرچه از نقطه مرکزی دورتر شویم، فرکانس وقوع کاهش می­یابد. بسیاری از تست­های آماری که در تجزیه­تحلیل­های داده­های سنجش از دور استفاده می­شوند، با این فرض است که مقادیر روشنایی ثبت شده از یک منطقه توسط سنسور یا سنجنده به طور نرمال توزیع شده­اند. متأسفانه ممکن است تئوری آماری غیرپارامتریک پیشنهاد گردد.برای نمایش محتوای اطلاعاتی تصاویر سنجش از دور و فرکانس تکرار هر مقادیر روشنایی در تصویر از نمایش گرافیکی با عنوان هیستوگرام استفاده می­شود.هیستوگرام در هر تصویر تک­باندی که دارای  i سطر و  j ستون است، تعداد وقوع هر درجه روشنایی را در تصویر با توجه به توان تفکیک رادیومتریک تصویر نشان می­دهد. درصورتی که هیستوگرام به شکل پیوسته در نظر گرفته شود شکل تابع توزیع را نمایش می­دهد. می­دانیم هیستوگرام مربوط به به یک نمونه (که در سنجش از دور منظور یک پدیده خاص می­باشد)،  تابع توزیع را نشان می­دهد؛ این تابع توزیع می­تواند به شکل متقارن یا غیرمتقارن باشد. میزان عدم تقارن، توسط تابعی به نام Skewness مشخص که بعداً ارائه خواهد شد.هیستوگرام یا تابع توزیع مربوط به یک پدیده در روی زمین در روی زمین به شکل نرمال بوده و فقط دارای یک نقطه Max یا Peak خواهد بود. اما درصورتی که هیستوگرام مربوط به دو یا چند پدیده متفاوت مثل آب، خاک و گیاه باشد، هیستوگرام دارای چندین Peak خواهد بود. درصورتی که هیستوگرام دارای یک مد باشد به آن توزیع Unimodal  یا تک­­مدی  و درصورتی که دارای چند مد باشد آن را Multimodal می­گویند؛ چنانچه دارای دو مد باشد Bimodal نامیده می­شود. وقتی هیستوگرام دارای هیچ نقطه مد یا پیکی نباشد، به طوریکه همه درجات روشنایی به یک نسبت یکسان (یعنی به تعداد یکسان) در مجموعه وجود داشته باشد، اصطلاحاً به آن Uniform می­گویند. در طبیعت این حالت هرگز وجود ندارد.

میانه

به طورکلی پارامترهای آماری مورداستفاده در سنجش از دور در دودسته پارامترهای آماری تک­متغیره (Univariate) و چندمتغیره (Multivariate) تقسیم می­شود، که در ادامه توضیح داده می­شود.

توزیع آماری تک­متغیره:

مد و میانه جزء این دسته می­شوند که با آنها آشنایی داریم.

میانگین: 12خ¼k=i=1nBVikn'> که i  عدد پیکسل و k باند موردنظر می­باشد. BV یا Brightness Value مقدار عدد روشنایی پیکسل موردنظر بر روی تصویر است.

رنج یا برد: اختلاف مینیمم و ماکزیمم مقدار بر روی تصویر است یعنی 12BVmax-BVmin'> معمولاً رنج پارامتر آماری مناسبی برای تصاویر ماهواره­ای نمی­باشد. چون پیکسلی ممکن است به دلیل وجود خطا عدد دیگری تولید کند. پس وقتی بخواهیم رنج را حساب کنیم و این خطا مینیمم یا ماکزیمم مقدار باشد، ما را دچار انحراف می­کند. اما میانگین این مشکل را کمتر نشان می­دهد.

وریانس: پراکندگی نسبت به میانگین نشان می­دهد.     12Vark=i=1nBVik-خ¼k2n-1'>

Standard Deviation (انحراف معیار): جذر وریانس، انحراف معیار باند k را با  12Sk'> نمایش می­دهیم.

Skewness: این پارامتر معیاری است که میزان عدم تقارن (asymmetry) هیستوگرام را به ما نشان می­دهد.  12Skewnessk=i=1nBVik-خ¼kSk3n'>

در صورتی که هیستوگرام ما کاملاً متقارن باشد، مقدار این پارامتر صفر است.اگر مقدار این پارامتر منفی باشد تمایل منحنی به سمت راست، و در صورتی که این پارامتر مثبت باشد، تمایل منحنی به سمت مبدأ خواهد بود.

 

Kurtosis: این پارامتر معیاری است برای نشان دادن میزان تیز بودن پیک هیستوگرام که از رابطه زیر محاسبه می­شود:

12Kurtosisk=1ni=1nBVik-خ¼kSk4-3'>

در یک هیستوگرام نرمال مقدار این پارامتر صفر است هرچه این مقدار به طور مثبت بیشتر باشد، میزان تیزی هیستوگرام بیشتر است و در صورتی که به سمت منفی بیشتر باشد تیزی نقطه پیک کمتر خواهد بود.

پارامترهای آماری چند­متغیره:

این پارامترها ارتباط آماری بین دو یا چند مجموعه یا باند تصویر را نسبت به هم نشان می­دهد.

Correlation و کوریانس: مهم­ترین پارامترهای چندمتغیره مورد استفاده در سنجش از دور می­باشد. این پارامترها در قالب ماتریس وریانس­کوریانس و ماتریس Correlation بیان می­گردند. این پارامترها ارتباط بین باندها را نشان داده و مشخص می­کنند که تغییرات در یک باند تا چه حد با تغییرات باند یا باندهای دیگر در ارتباط است. پارامترهای Correlation و کوریانس همیشه بین دو مجموعه یا دو باند قابل محاسبه هستند. کوریانس از رابطه زیر محاسبه می­شود.

12Covk,l=i=1nBVik-خ¼kBVil-خ¼ln-1'>

ماتریس وریانس­کوریانس: یکی از مهم­ترین پارامترهای آماری است که در بسیاری از تحلیل­های آماری مورد استفاده قرار می­گیرد. در صورتی که یک تصویر n باندی داشته باشیم ماتریس وریانس­کوریانس به شکل زیر محاسبه می­شود.

 Correlation (ضریب همبستگی): مقادیر کوریانس بین هر دو مجموعه مقادیر متفاوتی خواهد بود که در یک محدوده مشخص به دست نیامده و لذا تحلیل کیفی مناسبی مبنی بر ارتباط دو مجموعه ارائه نمی­دهند. به عنوان مثال چنانچه کوریانس 100 باشد نمی­توان نشان داد که دو مجموعه ارتباطشان ضعیف است یا قوی؟ به همین علت مفهوم Correlation یا ضریب همبستگی مطرح می­شود؛ که رابطه آن به صورت زیر است:

12-1≤rk,l=Covk,lSkSl≤1'>

در صورتی که r=0 باشد یعنی هیچ همبستگی بین دو مجموعه وجود ندارد. هنگامی که r=1 باشد یعنی ماکزیمم همبستگی در جهت مثبت و چنانچه r=-1 یعنی ماکزیمم همبستگی در جهت منفی وجود دارد.

 

3)  خطاهای رادیومتریک و هندسی و تصحیحات مربوط به هریک:

پیش­پردازش (Preprocessing):

معمولاً داده­های سنجش از دور که توسط سیستم­های سنجش از دور دریافت می­شوند، تحت تأثیر دو خطای مهم شامل خطای رادیومتریک و هندسی قرار می­گیرند. خطای رادیومتریک خطایی است که محتوای اطلاعاتی ثبت شده توسط سیستم­های سنجش از دور را تحت تأثیر قرار داده و موجب می­گردد، مقدار عددی هر پیکسل (Digital Number or DN Value) با مقدار بازتاب واقعی پدیده متناظر مغایرت داشته باشد. خطای هندسی، وضعیت هندسی تصویر، شامل شکل واندازه را دستخوش تغییر می­نماید. این خطا موجب می­گردد، ابعاد و شکل پیکسل تصویر با اندازه و شکل واقعی پدیده در روی زمین مغایرت داشته باشد.علاوه­بر این تصویر خام اخذ شده توسط ماهواره در سیستم مختصات پیکسلی بوده که می­بایست به سیستم مختصات جهانی وصل گردد.حذف و تصحیح خطاهای هندسی و رادیومتریک را از روی داده­های سنجش از دور تحت عنوان پیش­پردازش یا Preprocessing عنوان می­کنند. زیرا این فرآیندها قبل از استخراج اطلاعات یا Information Extraction انجام می­شود. تصویری که بر روی آن پیش­پردازش انجام شده است، تا حد ممکن از جهت رادیومتریک و هندسی به واقعیت نزدیک می­باشد.

 

v                تصحیح رادیومتریک داده­های سنجش از دور(Radiometric Correction of Remote sensing Data ):

به طور کلی عوامل ایجاد خطاهای رادیومتریک در دو گروه خطاهای اتمسفری و خطاهای دستگاهی قرار می­گیرند.

ü    تصحیح خطاهای دستگاهی:

این دسته از خطاها به چهار شکل ظاهر می­شوند که عبارتند از:

1. خطاهای Bad Pixel یا Random Bad Pixel

2. خطای حذف شدن یک سطر یا یک ستون (Line or column Drop out)

3. خطای نوارشدگی Line or Column Striping

4. خطای Line Start-Stop Problem

1.خطاهای Bad Pixel یا Random Bad Pixel:

به طور کلی هنگامی که این خطا در تصویر وجود داشته باشد، معدود پیکسل­هایی به شکل اتفاقی در تصویر کاملاً سفید (در تصویر 8 بیتی عدد 255) یا به شکل کاملاً سیاه (عدد صفر) دیده می­شوند؛ در صورتی­که این اعداد در طبیعت وجود ندارند. در حالتی­که این نقاط کاملاً سیاه هستند، یک یا چند Detector در لحظه­های خاص به طور ناگهانی قطع شده­اند؛ و یا ممکن است یک یا چند Detector کاملاً اشباع شده و ماکزیمم عدد روشنایی را منتقل کنند. اما در بعضی از اوقات تعداد این Bad Pixelها به­قدری در تصویر زیاد باشد که گویی مجموعه­ای از Noise به سمت تصویر شلیک شده­ استو لذا در این حالت معمولاً به آن Shot Noise می­گویند. برای حذف این خطا ابتدا باید موقعیت این نقاط یا Noiseها، در روی تصویر مشخص (Locate) شود و سپس مقداری برای پیکسل موردنظر محاسبه گردد. برای پیدا کردن این نقاط در روی تصویر می­توان یک الگوریتم­ ساده بر روی تصویر اجرا نمود؛ به طوری­که پیکسل­های صفر یا 255 را پیدا کرده و سپس از طریق میانگین­گیری 8 پیکسل اطراف آن پیکسل موردنظر، مقدار جدیدی برای پیکسل مرکزی محاسبه شود.

 که در آن i سطر، j ستون و k باند مربوطه می­باشد و با int مقدار صحیح را به­دست می­آوریم.

2. خطای حذف شدن یک سطر یا یک ستون (Line or column Drop out):

برای موقعی است که خط عمودی با مقدار صفر در تصویر داشته باشیم.

در بعضی از اوقات مشاهده می­گردد که در روی تصویر یک یا چند خط افقی به رنگ کاملاً سیاه (با عدد پیکسل صفر) وجود دارد. این خطا به این دلیل اتفاق می­افتد که یک یا چند Detector به شکل کامل قطع شود. در تصاویر سنجنده­های Whisk Broom (سنجنده­های اپتیکال مکانیکال) به دلیل اینکه حرکت دورانی یا نوسانی آینه­های اسکن کننده به شکل افقی و عمود بر مسیر حرکت می­باشد، این خطا به صورت خطوط افقی در روی تصویر ظاهر می­شود. اما در مورد تصاویر Push Broom (آرایه­های خطی) مثل Quick Bird این پدیده به شکل خطوط عمودی ظاهر می­شود. به این خطا، خطای Line or column Drop out گفته می­شود. در صورت وجود خط یا خطوطی با مقدار صفر بر روی تصویر ابتدا باید این خطوط را بر روی تصویر پیدا کرده و از طریق میانگین­گیری دو پیکسل چپ و راست هرپیکسل در ستون و یا دو پیکسل بالا و پایین هر پیکسل در سطر، محاسبه انجام شود.

   

برای موقعی است که خط افقی با مقدار صفر در تصویر داشته باشیم.

 

3. خطای نوارشدگی Line or Column Striping:

در مورد قبل یک Detector به طور کامل غیر فعال می­شد و لذا هیچ برداشتی را انجام نداده و عدد صفر برای خط یا خطوط ثبت می­گشت؛ اما در بسیاری از موارد ممکن است یک Detector یا آشکارساز به طور کامل قطع نشود؛ ولی میزان حساسیت آن کاهش یابد. در این صورت بر روی تصویر نوار یا نوارهایی دیده می­شود. بنابراین در این حالت به این خطا، خطای نوارشدگی گفته می­شود.برای حذف این خطا کافی است پس از شناسایی این خطوط با استفاده از پارامترهای آماری انحراف معیار و میانگین خط خطادار و خطوط همسایگی با توجه به رابطه زیر محاسبات را انجام داد:

 که در آن  انحراف معیار خط رفرنس یعنی خطی است که می­خواهیم از آن دیتا بگیریم که همان خط همسایگی است.  میانگین خط رفرنس است. در رابطه فوق به غیر از  بقیه موارد تغییر می­کنند.

4. خطای Line Start-Stop Problem:

گاهی اوقات در سنجنده­های Whisk Broom هنگامی که آینه­های دوران کننده یا نوسان کننده از چپ به راست در حال برداشت اطلاعات می­باشند، ممکن است هنگام شروع یا هنگام خاتمه Scan یک خط، یک یا چند Detector عمل نکندو اصلاً هیچ داده­ای برداشت نشود. در این حالت ممکن است به عنوان مثال پیکسل زمینی 50ام به عنوان پیکسل اول ارائه گردد که با توجه به اطلاعاتی که سنجنده می­دهد می­توانیم این شیفت را اعمال کنیم.

 

استفاده از جدول LUT (Look Up Table) برای تصحیح رادیومتریک سیستماتیک:

در خطای رادیومتریک به غیر از چهار خطا ممکن است همه Detectorها به نحوی حساسیتشان کم شده باشد. لذا شرکت سازنده آنها کار کالیبراسیون را انجام می­دهد؛ یعنی بر اثر برخورد فوتونها تعیین کند که Detectorها باید چقدر ولتاژ تولید کنند، که این اطلاعات را تحت یک سری جداول به نام جداول LUT ارائه می­دهند. این جداول یک فایل textای است که در اختیار کاربران قرار داده می­شود و مثلاً در مورد IRS P5 که 12000 آشکارساز دارد، این فایل نیز همین­قدر سطر دارد و به ازای هر سطر دارای دو ستون ضرایب a و b برای تصحیح است. رابطه تصحیح به شکل زیر خواهد بود:

12DNcorrect=aDNerror+b'>

لازم به ذکر است که خطاهایی که نیاز به جدول LUT دارند، حتماً وجود دارند ولی خطاهای دیگر ممکن است وجود داشته باشند یا خیر؟

ü    تصحیح خطاهای اتمسفریک:

دو عامل مهم در اتمسفر وجود دارد که بر روی موج تأثیر می­گذارد که عبارتند از: خطای جذب (Absorption) و خطای پخش (Scattering).

به طور کلی دو روش برای تصحیح خطای اتمسفریک وجود دارد. 1. تصحیح اتمسفری مطلق (Absolute) 2.تصحیح اتمسفری نسبی (Relative)

 

1. تصحیح اتمسفری مطلق (Absolute):

به دو طریق انجام می­گیرد:

×     در تصحیح اتمسفری مطلق به منظور تعیین پارامترهای جذب و پخش مربوط به اتمسفر در محیط تصویربرداری منطقه معمولاً از الگوریتم­هایی که بر پایه مدلی به نام Radiative Transfer Model Based هستند، استفاده می­شود. در این مدل پارامترهای فیزیکی و جوی مربوط به اتمسفر منطقه تصویربرداری و همچنین مدل اتمسفری خاص هر منطقه استفاده می­شود. این پارامترها شامل موراد زیر می­شود؛ رطوبت جو، فشار، طول و عرض جغرافیایی مرکز تصویر، Visibility (شفافیت اتمسفر را نشان می­دهد که واحد آن Km است؛ به عبارت دیگر مقدار فاصله قابل دید را بیان می­کند.)، ارتفاع ماهواره، ارتفاع متوسط منطقه نسبت به ژئوئید و مدل اتمسفری خاص هر منطقه. این پارامترها به عنوان پارامترهای ورودی و روش­های تصحیح اتمسفری مطلق در نظر گرفته می­شود. در این رابطه نرم­افزارهایی وجود دارد که پس از اخذ ورودی که همان پارامترها هستندکار تصحیحات اتمسفری را به روش مطلق انجام می­دهند؛ که از آن جمله:

AT COR/ AT REM/ ACORN/ FLAASH

 

×     روش Empirical Line Calibration (ELC): در این روش با استفاده از اندازه­گیری­های زمینی و ارتباط آن با پیکسل­های تصویر از طریق یک رابطه خطی تصحیح اتمسفری به روش مطلق انجام می­شود. این رابطه این­گونه حاصل می­گردد که از طریق ابزاری به نام Spectrometer یا طیف­سنج میزان بازتاب پیکسل زمینی را اندازه­گیری می­کنند و مثلاً مقدار آن a­1 می­شود؛ اما پیکسل زمینی متناظر آن بر روی تصویر مقدار a2 را دارد. در مورد چند پیکسل دیگر این کار را انجام می­دهند تا به این ترتیب ضرایب رابطه خطی با انجام این مشاهدات و همچنین انجام روش کمترین مربعات حاصل شوند. لازم به ذکر است که در کار فتوگرامتری به دلیل اینکه فاصله کم است لذا خطای اتمسفری وجود ندارد.

12DNcorrect=aDNerror+b'>

 به عنوان مقایسه­ای بین دو روش ذکر شده باید گفت که روش اول خوب است اما اشکالی که دارد، این است که مبتنی بر داشتن پارامترهای جوی در همان لحظه تصویربرداری است.

  2.تصحیح اتمسفری نسبی (Relative):

در روش مطلق نیاز به اندازه­گیری­های میدانی برای تصحیح اتمسفری می­باشد. این روش هرچند که روش مطمئن­تر و علمی­تری است اما در بسیاری از موارد جمع­آوری پارامترهای موردنیاز و اندازه­گیری­های انجام شده کار مشکلی می­باشد و عملاً دور از دسترس است. لذا در این موارد از روش تصحیح اتمسفری نسبی استفاده می­شود. در این روش نیاز به پارامترهای موردنیاز و اندازه­گیری­های زمینی نمی­باشد. دو روش برای تصحیح رادیومتری به روش نسبی ارائه می­شود.

×     روش Haze Removal: در این روش از طریق تصحیح و سرشکن کردن هیستوگرام (Histogram Adjustment) تصحیح اتمسفری را به طور نسبی انجام می­دهند. در اینجا کافی است هیستوگرام را به میزان مینیمم عدد روشنایی ثبت شده در تصویر جابجا نمود.

 

 ×     روش Normalization: در این روش از یک تصویر که قبلاً خطاهای اتمسفری از روی آن حذف شده است، به عنوان رفرنس یا مرجع استفاده کرده و تصویر موردنظر را به­وسیله آن تصحیح اتمسفری می­کنیم. لذا یک سری پیکسل­ها را از روی تصویر موردنظر انتخاب کرده و متناظر آنها را از تصویر مرجع استخراج می­کنیم و به روش کمترین مربعات ضرایب یک رابطه خطی مطابق زیر را به دست می­آوریم.

12DNnew=aDNref+b'>

سپس مانند روش ELC پیکسل­های تصویر دارای خطای اتمسفری را در مدل خطی فوق قرار می­دهیم و در نهایت تصویر خطادار به تصویر مرجع که خطای اتمسفری حذف شده بوده است، نزدیک می­شود. در این روش 2 نکته مهم باید موردنظر قرار بگیرد:

  1. تصاویر باید به شکل دقیق نسبت به هم ثبت هندسی شوند.
  2. پیکسل­هایی به عنوان نقاط متناظر انتخاب شوند که اختلاف طیفی آنها فقط به دلیل وجود خطای اتمسفری بوده باشد و تغییرات ساختاری در عارضه موردنظر در آنها اتفاق نیفتاده باشد. به عنوان مثال انتخاب پیکسل­های یک جاده خاکی در تصویر مرجع در صورتی می­تواند با متناظرش در تصویر موردنظر (جدید) انتخاب شوند که همواره جاده خاکی و با همان مشخصات، باقی مانده باشد.

 

v                تصحیح هندسی داده­های سنجش از دور(Geometric Correction of Remote sensing Data ):

یکی از مهم­ترین پردازش­هایی که بر روی تصاویر ماهواره­ای صورت می­گیرد، حذف اعوجاجات هندسی بر روی تصویر می­باشد. پس از تصحیح هندسی، هر پیکسل در تصویر ابعاد واقعی زمینی­اش را با توجه به مقیاس تصویربرداری ارائه می­دهد. علاوه­بر حذف اعوجاج از روی تصویر، لازم است که پیکسل­ها در موقعیت مسطحاتی دقیق خود قرار گیرند؛ تا درنهایت بتوان کلیه اطلاعات هندسی از قبیل اندازه­گیری­های طول، مساحت و . . . را استخراج نموده و بتوان از تصویر به عنوان یک لایه اطلاعاتی در سیستم­های اطلاعات مکانی و جغرافیایی (GIS) استفاده نمود.مجموعه عواملی که موجب ایجاد خطاهای هندسی در تصاویر ماهواره­ای می­گردند، شامل خطای دوران، کرویت، پانورامیک، حرکات سنجنده و . . . می­باشند. تصحیح هندسی تصویر را اصطلاحاً Geometric Correction، Rectification، Geo Coding یا Geo Referencing می­گویند. دو روش کلی برای تصحیح هندسی تصاویر وجود دارد که در ادامه به آن پرداخته می­شود.

 ü    روش سخت یا Rigorous:

در این روش از پارامترهای مداری ماهواره و سنجنده شامل موقعیت ماهواره (x,y,z)، سرعت حرکت ماهواره، دورانهای سنجنده شامل Roll (دوران حول محور x) و Pitch (دوران حول محور y) و Yaw (دوران حول محور z) می­باشد، ارتفاع ماهواره(H)، فاصله کانونی سنجنده (f)، و اندازه هر Detector استفاده می­شود. این پارامترها ی Ephemeris یا پارامترهای Orbital تولید می­شوند و به همراه داده­های تصویری به ایستگاه زمینی ارسال می­گردند.در این روش تبدیل مستقیم مختصات پیکسلی به مختصات زمینی انجام می­گیرد. لذا به آن Direct Geo Referencing می­گویند؛ زیرا در این روش بدون نیاز به نقاط کنترل زمینی و فقط با استفاده از پارامترهای مداری Geo Referencing انجام می­گیرد. باتوجه به اینکه معمولاً پارامترهای مداری به طور دقیق در اختیار نمی­باشند؛ لذا تصحیح هندسی با این روش از دقت بالایی برخوردار نیست. به همین دلیل برای افزایش دقت، تصاویر تصحیح شده حاصل از روش فوق را با تعدادی نقاط کنترل زمینی به طور دقیق تصحیح می­نماید.

 ü    روش عمومی یا Generic:

در این روش بدون درنظر گرفتن منابع خطا و بدون نیاز به پارامترهای مداری تصحیح هندسی و زمین­مرجع نمودن، با استفاده از نقاط کنترل زمینی و توسط توابع تبدیل مختلف انجام می­شود. این توابع تبدیل انتقال مختصات پیکسلی تصویر به مختصات زمینی را انجام می­دهند. در این روش ابتدا توسط تعداد کافی نقاط کنترل، ضرایب مدل تبدیل (تابع تبدیل)، محاسبه شده و سپس این تابع بر روی تمام پیکسل­های تصویر اعمال می­گردد. در این روش دو مسئله مهم وجود دارد:

  1. انتخاب نقاط کنتری زمینی (GCP): نقاط کنترل زمینی یا GCP مجموعه نقاط مرجع زمینی هستند که با تعداد مشخص بر روی زمین انتخاب شده و برای محاسبه ضرایب تبدیل مورد استفاده قرار می­گیرند. در انتخاب این نقاط نکات زیر موردنظر قرار گرفته می­شود:

                                                                            I.            نحوه جمع­آوری نقاط GCP، این نقاط کنترل زمینی به چند طریق جمع­آوری می­شوند؛ که عبارتند از: برداشت توسط GPS، استفاده از نقشه­های موجود، استفاده از تصاویر موجود که تصحیح هندسی شده­اند.

                                                                          II.            تعداد نقاط: تعدا نقاط GCP جمع­آوری شده به نوع تابع مورداستفاده و در نتیجه به تعداد ضرایب آن بستگی دارد. لذا یک حداقل تعداد نقاط برای هر مدل مورد نیاز می­باشد. معمولاً برای افزایش دقت محاسبه شده تا درجه آزادی افزایش یافته و از طریق کمترین مربعات، ضرایب سرشکن شده محاسبه می­گردند. درصورتی که از پلی­نمیال برای تبدیل استفاده شود، باتوجه به درجه چندجمله­ای (n) حداقل تعداد نقاط لازم برای محاسبه ضرایب تبدیل از رابطه مقابل محاسبه می­شود:      12n+1n+22'> 

                                                                       III.            توزیع یا پراکندگی نقاط: نقاط باید با پراکندگی مناسب و تقریباً یکسان در روی تصویر انتخاب شوند.

  1. انتخاب مدل تبدیل مناسب، که باتوجه به داشتن x وy زمینی و مختصات عکسی i و j و همچنین تعداد کافی مقاط کنترل زمینی و انجام روش کمترین مربعات می­توانیم ضرایب مدل تبدیل را پیدا کنیم.

12i,jImage=fx,yGround'>

12x,yGround=fi,jImage'>

یا

 ارتباط هندسی بین مختصات ورودی پیکسل (سطر و ستونیا i وj) و مختصات زمینی متناظرش باید مشخص و تعیین گردد. برای ایجاد این ارتباط از توابع تبدیل استفاده می­شود. به این فرآیند Spatial Transformation (تبدیل مکانی) گفته می­شود. مدلهای تبدیل مختلفی تا به حال ارائه شده­اند که با توجه به نوع سیستم تصویربرداری و برخی ویژگی­های سنجنده مورد استفاده قرار می­گیرند که از آن جمله می­توان به توابع تبدیل Affine، Conformal، Projective، DLT، Polynomial، Rational و . . . اشاره نمود.این توابع ممکن است به شکل خطی یا غیرخطی باشند. همچنین براساس اینکه در توابع تبدیل از مختصات دوبعدی (x,y) و یا سه­بعدی (x,y,z) برای تصحیح هندسی تصاویر  استفاده شود، به­ترتیب تصحیح هندسی دوبعدی (Rectification) و تصحیح هندسی سه­بعدی (Ortho Rectification) اعمال می­گردد. طبیعتاً تصحیح سه­بعدی نسبت به تصحیح دوبعدی از دقت بالاتری برخوردار است؛ چرا که لحاظ کردن ارتفاع عوارض موجب می­گردد اثر ارتفاع در جابجایی ناشی از آن حذف شده و تصحیح هندسی دقیق­تری انجام شود. در مناطق flat که تغییر ارتفاع کم است Rectification دوبعدی نیز تقریباً با دقت خوبی انجام می­گیرد ولی در مناطق کوهستانی حتماً باید z را وارد کنیم. درواقع ارتفاع درجهت x پارالاکس ایجاد می­کند؛ یعنی اگر از مختصات x ,y استفاده کنیم و ارتفاع را وارد نکنیم، تصحیح هندسی دوبعدی ایجاد می­شود. اما بهتر است که ارتفاع را وارد کنیم تا Ortho Rectification انجام شود؛ بنابراین به DEM منطقه احتیاج داریم. چنانچه به جای DEM از DSM استفاده کنیم، استفاده کنیم، True Ortho Rectification انجام شده است و باعث می­شود که ساختمانها در تصویر کج و معوج نبوده و قائم گردند.

 

همانگونه که قبلاً بیان شد یکی از متداول­ترین مدل­های تبدیل مورداستفاده توابع چندجمله­ای یا Polynomial می­باشند.چندجمله­ای­ها می­توانند با درجات مختلف ارائه شوند. با توجه به تعداد نقاط GCP و میزان توپوگرافی منطقه مورد تصویربرداری درجات مختلف چندجمله­ای استفاده می­شود. چندجمله­ای یا هر تابع دیگر مورداستفاده، باید از fitness (انطباق) بیشتری به نقاط کنترل انتخاب شده برخوردار بوده و به عبارتی باید چندجمله­ای برازش مناسبی به این نقاط داشته باشد.

ارزیابی دقت انتقال هندسی با استفاده از معیار RMSE:

پس از اینکه ضرایب مدل تبدیل با استفاده از نقاط کنترل زمینی به دست آمد، عملاً مدل تبدیل هندسی مشخص شده و می­توان این مدل را بر روی تمامی پیکسل­ها اعمال نمود. اما این مدل تبدیل باید مورد ارزیابی دقت قرار گیرد. لذا بدین منظور نقاطی را به عنوان نقاط چک یا Check Point (به غیر از نقاط GCP ) انتخاب شده و مختصات آنها از Reference و همچنین از تصویر تصحیح شده استخراج نموده و با استفاده از رابطه زیر خطای تصحیح هندسی به دست می­آید.

12RMSE=x-x'2+y-y'2">

که در آن 12x'> مربوط به نقاط چک برداشت شده از رفرنس می­باشد و 12x'"> مربوط به نقاط چک برداشت شده از تصویر تصحیح شده است.

مقدار مجاز در تصحیح هندسی تصاویر ماهواره­ای یک پیکسل (در واحد تصویر ورودی) می­باشد. به طور کلی بعد از اینکه هر تغییری در هندسه تصویر از قبیل تغییر ابعاد مقیاس، دوران و یا هر تغییر دیگری که ناشی از تبدیلات هندسی مختلف باشد، اتفاق بیفتد، پردازش انترپولاسیون بر روی تصویر لازم می­باشد. انترپولاسیون تصویر در واقع یک تقریب است؛ به طوریکه باتوجه به ایجاد تغییر در در تصویر تبدیل­یافته مقادیر جدیدی باتوجه به مقادیر تصویر اصلی برای تصویر جدید محاسبه می­شود. پس از تبدیل هندسی، پیکسل­ها در موقعیت جدیدی قرار گرفته که باید عدد روشنایی پیکسل نظیرشان را از تصویر اصلی استخراج کرده و به آن نسبت دهیم. اما با توجه به اینکه نمی­توان بین موقعیت پیکسل جدید و عدد روشنایی نظیر آن در تصویر اصلی ارتباط مستقیمی ایجاد نمود؛ لذا از انترپولاسیون یا Resampling برای اعمال تقریب استفاده می­شود.شکل زیر تأثیر دوران و موقعیت هر پیکسل جدید را بر طبق تصویر اصلی نشان می­دهد.

 سه روش برای انترپولاسیون یا Resampling وجود دارد که عبارتند از: 1) Nearest Neighbor 2) Bilinear 3) Cubic

1) Nearest Neighbor: در این روش عدد روشنایی پیکسلی که نزدیکترین فاصله را به پیکسل تبدیل­یافته دارد به عنوان عدد روشنایی آن انتخاب می­شود.

مثال:

 2) Bilinear: در این روش از مقادیر روشنایی 4 پیکسل اطراف به صورت میانگین وزن­دار استفاده می­شود که از رابطه ساده شده زیر محاسبه می­شود.

12DNط¬ط¯ظٹط¯ ظ¾ظٹظƒط³ظ„=i=14DNidi2i=141di2=150.52+170.42+160.22+140.3210.52+10.42+10.22+10.32ط¨ط§ظ„ط§ظ…ط«ط§ظ„ظ…ظˆط±ط¯ط¯ط± '>

3) Cubic: در این روش از میانگین­گیری وزن­دار 16 پیکسل اطراف جهت دورن­یابی استفاده می­شود که از رابطه زیر محاسبه می­گردد.

12DNط¬ط¯ظٹط¯ ظ¾ظٹظƒط³ظ„=i=116DNidi2i=1161di2'>

4)  بهبود کیفیت تصاویر(Image Enhancement):

همانطور که قبلاً اشاره گردید داده­های تصاویر رقومی که از جهت مکانی دارای پیکسل­هایی بوده و هر پیکسل از لحاظ رادیومتریکی از سطوح خاکستری غیرپیوسته تشکیل شده است، می­توانند به منظور استخراج اطلاعات (Information Extraction) مورد استفاده قرار گیرند. استخراج اطلاعات از این تصاویر به دو طریق می­تواند انجام شود:

a)  تفسیر چشمی (Photo Interpretation)  اطلاق می­شود.

b)  آنالیز کمی (Quantization Analysis)

به منظور تفسیر چشمی می­توان داده­های تصویر را قبل از تفسیر، مورد پردازش کامپیوتری قرار داد تا بتوان کیفیت تصویر را برای تفسیر بهتر، بهبود بخشید. بدین منظور دو پردازش بر روی تصویر قابل انجام می­باشد.

 

بهبود کیفیت رادیومتریکی تصویر (Radiometric Enhancement):

در این پردازش مقدار روشنایی پیکسل بهبود می­یابد؛ بدین منظور محدوده کنتراست تصویر که توسط پیکسل­های تصویر پوشش داده شده­اند، تغییر می­کند. روش­هایی بدین منظور استفاده می­شوند و مقدار جدیدی را برای پیکسل­ها ایجاد می­کنند. این پردازش­ها به صورت نقطه­ای عمل می­کنند؛ لذا اپراتور نقطه­ای (Point Operator) نام دارند و می­توانند توسط جداول LUT اعمال شوند. این جدول شامل دوستون می­باشد که دارای یک مقدار روشنایی جدید برای هر پیکسل معادل مقدار روشنایی قدیمی پیکسل می­باشد.

 

بهبود کیفیت مکانی تصویر (Geometric or Spatial Enhancement):

در این نوع پردازش­ها، کیفیت تصویر از لحاظ مکانی بهبود می­یابد. در اینجا یک مقدار جدید برای هر پیکسل محاسبه می­شود. البته این مقدار جدید از مقادیر روشنایی پیکسل­های همسایگی به دست می­آید. لذا پردازش­هایی که باعث بهبود مکانی تصویر می­شوند، برخلاف روش­های بهبود رادیومتری، از چند پیکسل همسایگی استفاده می­کنند.

در ادامه بیشتر در مورد روش­های بهبود کیفیت تصاویر پرداخته می­شود.

 ü تکنیک­های بهبود کیفیت رادیومتریکی:

به منظور آنالیز و تفسیر چشمی بهتر از روی تصاویر، اغلب لازم است که کیفیت رادیومتری تصویر را افزایش داد. به عنوان مثال می­توان تفاوت­های موجود در انواع خاک و گیاه را با افزایش کنتراست استخراج نمود. بدین منظور روش­های مختلفی وجود دارد که این روش­ها مقادیر هر پیکسل جداگانه را به نحوی تغییر می­دهند تا کیفیت رادیومتری تصویر افزایش یابد. لازم به ذکر است روش­هایی که از پیکسل­های همسایگی برای مقدار پیکسل جدید استفاده می­شوند، در بهبود کیفیت هندسی تصویر مطرح می­شوند. تکنیک­های بهبود کیفیت رادیومتری تصویر، با نام اپراتورهای نقطه­ای یا پیکسلی  مطرح می­شوند.با توجه به اینکه در این حالت، بر روی هیستوگرام تصویر کار شده و اصلاح صورت می­گیرد، لذا به این عملگرها، عملگرهای بر مبنای هیستوگرام نیز می­گویند.

- تصاویر اسکالر و تصاویر برداری Scaler and Vector Images:

در صورتی که هر پیکسل تصویر دارای مقدار باشد آن تصویر اسکالر نامیده می­شود. مانند تصاویر سیاه و سفید. اما اگر پیکسل دارای چند مقدار شود یک تصویر برداری خواهد بود. این تصویر در واقع یک تصویر چندطیفی یا مولتی اسپکترال می­باشد.

 

- هیستوگرام تصویر The Image Histogram:

در یک تصویر اسکالر، پیکسل­های تصویر دارای مقدار خاصی می­باشند. نمایش گرافیکی اعداد روشنایی پیکسل­ها در مقابل تعداد تکرار آنها در کل تصویر، هیستوگرام نام دارد. کیفیت رادیومتری یا تن هر تصویر، می­تواند توسط هیستوگرام آن ارزیابی شود. محور افقی یک هیستوگرام، اعداد روشنایی پیکسل­های تصویر و محور عمودی آن، تعداد پیکسل­های مربوط به هر مقدار روشنایی در تصویر را نشان می­دهد. تصویری که در آن هیستوگرام در کل محدوده قابل اندازه­گیری رادیومتری گسترده شده باشد، از کیفیت رادیومتری خوبی برخوردار است.

- تعدیل کنتراست تصویر Contrast Modification:

در صورتی که تصویر از کیفیت رادیومتری ضعیفی برخوردار باشد و یا به عبارتی توزیع هیستوگرام مناسب نباشد، می­توان کنتراست را بهبود بخشید به طوری که هیستوگرام تصویر به خوبی در محدوده رادیومتری مناسب پخش شود. به عنوان مثال ممکن است دیتای خام تصویر ماهواره­ای دارای مقادیر روشنایی بین 40 تا 75 باشد، در صورتی که محدوده توان تفکیک رادیومتری آن 0 تا 255 بوده است. لذا برای افزایش کنتراست تصویر لازم است که محدوده هیستوگرام را دربین 0 تا 255 پخش نماییم. به این عمل اصلاح هیستوگرام (Histogram Modification) می­گویند که البته Histogram Stretching نیز اطلاق می­گردد. اصلاح هیستوگرام در واقع توسط تابعی صورت می­گیرد که توزیع نقاط در هیستوگرام را به وضعیت بهتری تبدیل می­نماید. در این صورت تعداد ستون­های هیستوگرام تغییر نمی­کند بلکه محل آنها تغییر می­یابد. می­توان تابع تبدیل مقادیر روشنایی که به منظور اصلاح هیستوگرام استفاده می­شودرا مطابق زیر بیان کرد:

y=f(x)

که x مقادیر قدیمی و y مقادیر جدید است. بدین صورت توابع مختلفی بدین منظور استفاده می­شود. این توابع همچنین می­توانند به صورت خطی یا غیر خطی باشند. که در ادامه روش­های مختلف ارائه می­شود.

 

1-1)بهبود کنتراست به صورت خطی (Linear Contrast Enhancement):

در این روش از یک تابع خطی y=ax+b استفاده می­شود. در این حالت یک خط تعریف می­شود؛ در صورتی که a=1 و b=0 باشد، در واقع y=x است یعنی خروجی همان ورودی می­باشد.

برای هر معادله خط مذکور می­توان شیب­های مختلفی تعیین کرد. اصلاح هیستوگرام به روش خطی می­توان توسط 3 تابع مطابق ذیل صورت گیرد. در صورتی که از روی هیستوگرام اصلی کمترین و بیشترین مقدار استخراج شده و شروع خط در نقطه min و پایان خط در نقطه max قرار گیرد، نتیجه بهتری برای بهبود کیفیت تصویر حاصل می­شود. بهبود کنتراست تصویر به صورت خطی به سه طریق انجام می­گیرد.

a)  روش کمترین-بیشترین(Minimum-Maximum Contrast Stretching): در این روش، کمترین و بیشترین مقدار از روی تصویر استخراج می­شود. و سپس شروع خط در نقطه min و پایان آن در نقطه max قرار می­گیرد. این عملیات با استفاده از رابطه ذیل صورت می­گیرد.

12BVOut=BVIn-minkmaxk-minkquantk'>

که در آن 12quantk'> قدرت تفکیک رادیومتریک یا رنج درجه روشنایی است و 12mink'>  کوچکترین و 12maxk'> بزرگترین مقدار روشنایی در تصویر می­باشد.

برای مثال در یک تصویر سنجنده TM از ماهواره Landsat، که در آن min=4 و max=105 می­باشد، با توجه به رابطه فوق، محدوه جدید هیستوگرام بین 0 و 255 قرار می­گیرد. این رابطه به صورت خطی بر روی تمام پیکسل­های تصویر اعمال می­گردد.

12BVOut=4In-4k105k-4k255=0'>

12BVOut=105In-4k105k-4k255=255'>

 شکل ذیل هیستوگرام تصویر را قبل و بعد از اعمال عملگر نقطه­ای کمترین و بیشترین نشان می­دهد.

b)  روش انحراف معیار (Standard Deviation Contrast Stretching): در این روش، مقدار میانگین و انحراف معیار تصویر محاسبه شده و سپس همانند روش فوق مقدار min و max مطابق ذیل قرار می­گیرد:

12min=mean-(1أ—S)'>

12max=mean+(1أ—S)'>

به عنوان مثال شکل ذیل اعمال روش انحراف معیار را بر روی یک هیستوگرام وروی نشان می­دهد.

c)   روش تکه­ای(Piecewise Contrast Stretching): در این روش، به جای اعمال یک خط، چند رابطه خطی بر روی هیستوگرام در فواصل مختلف اعمال می­شود. شکل ذیل یک مدل قطه­ای را با سه تابع خطی متفاوت نشان می­دهد.

 

 

2-1)بهبود کنتراست به صورت غیر خطی(None-Linear Contrast Enhancement):

در این حالت از توابع غیرخطی از قبیل تابع نمایی و تابع لگاریتمی برای بهبو و اصلاح کنتراست تصویر استفاده می­شود. استفاده از تابع لگاریتمی و تابع نمایی به ترتیب برای بهبود کیفیت رادیومتری عوارض تیره و روشن مفید می­باشد.

شکل ذیل تابع لگاریتمی و نمایی را نشان می­هد.

 

          2)روش یکسان­سازی هیستوگرام (Histogram Equalization):

در این روش، میله­های هیستوگرام را شبیه به هم می­کنیم. در این حالت ابتدا باید دو پارامتر را به دست آوریم؛که یکی رنج یا درجه خاکستری  تصویر است و آن را با L نمایش می­دهیم. مثلاً چنانچه L=16 باشد یعنی تصویر 4 بیتی است و درجه خاکستری آن بین 0 تا 15 است. پارامتر دیگر تعداد پیکسل­های تصویر است که آن را با N نمایش می­دهند و دراین مثال برابر 24 است. ضریبی به نام Scale factor را مطابق ذیل محاسبه می­کنیم و آن را به طریق زیر به جدول اعمال می­کنیم.

12S.F=L-1N'>

Nearest available brightness value

Scaled new value

* Scale factor

Unscaled new value

Original brightness value

1

0.63

1

0

1

1.25

2

1

3

3.13

5

2

6

5.63

9

3

9

8.75

14

4

11

11.25

18

5

12

11.88

19

6

12

11.88

19

7

12

11.88

19

8

12

11.88

19

9

12

11.88

19

10

12

11.88

19

11

12

11.88

19

12

13

12.50

20

13

14

14.40

23

14

15

15.00

24

15

         

شکل مربوط به یکسان­سازی هیستوگرام

          3)Histogram Matching:

در اینجا هیستوگرام یک تصویر را که Enhance  نشده را با هیستوگرام یک تصویر را که Enhance  شده یکسان می­کنیم.

 

ü تکنیک­های بهبود کیفیت مکانی:

فیلترها یا اپراتورهای همسایگی: اپراتورهای همسایگی نیز مانند اپراتورهای نقطه­ای در بهبود کیفیت تصاویر مورد استفاده قرار می­گیرند؛ با این تفاوت که در این نوع اپراتورها، مقدار جدید برای هر پیکسل، با توجه به مقادیر روشنایی پیکسل­های همسایگی محاسبه می­گردد. لذا به این اپراتورها، اپراتورهای موضعی یا مرکزی (Focal) نیز می­گویند. در هر تصویر اطلاعات در دو مؤلفه دیده می­شوند: مؤلفه با فرکانس بالا و مؤلفه با فرکانس پائین. فرکانس­های بالا در تصویر در محل­هایی از تصویر رخ می­دهد که تغییرات شدید و ناگهانی مقادیر پیکسل در یک منطقه کوچک اتفاق می­افتد؛ از قبیل عوارض خطی مثل جاده­ها، رودخانه­ها، خطوط لوله و یا مرز عوارض. فرکانس­های پائین در تصویر در محل­های است که تغییرات در پیکسل­ها به آرامی صورت می­گیرد؛ از قبیل مناطق کشاورزی، سطح آب و غیره. به این دلیل به این اپراتورها، فیلتر هم گفته می­شود؛ که توسط آنها عوارض یا فرکانس­هایی را که مورد نظر است، حفظ می­نمائیم. این فیلترها در دودسته اصلی قرار می­گیرند: فیلترهای بالاگذر (HighPass) و فیلترهای پائین­گذر (LowPass).

 

اصول یک فیلتر:

اگرچه در حال حاضر فیلترهای متنوعی وجود دارد که می­توانند بر روی تصویر اعمال شوند، اما اصول مقدماتی همه آنها به هم شبیه بوده و مطابق ذیل می­باشد:

1) فیلترها شامل یک پنجره یا ماتریس هستند که ابعاد آنها باید مشخص گردد. معمولاً این فیلترها دارای ابعاد ماتریس فرد می­باشند و تعداد سطرو ستون برابراست.

2) آرایه­های این ماتریس دارای مقادیری هستند که در واقع وزن فیلتر را مشخص می­نماید. مقادیر پیکسل پنجره و خود پنجره، به عنوان kernel هم مطرح می­شود.

3) تصویر فیلتر شده در اثر حرکت کرنل بر روی آن به صورت پیکسل به پیکسل انجام می­شود. به طوریکه وزن هر پیکسل کرنل در عدد روشنایی متناظرش در تصویر اصلی ضرب شده و جمع این حاصل­ضربها، به عنوان مقدار عدد روشنایی جدید در پیکسل مرکزی پنجره قرار می­گیرد.

حرکت پنجره در کل تصویر و انجام عملیات به صورت پیکسل به پیکسل انجام می­شود. به عمل در ریاضی، Convolution می­گویند.

با توجه به اینکه با اعمال کردن بر تصویر، سطر و ستون حواشی تصویر از بین می­رود (زیرا با اعمال کرنل، حاصل عملیات در پیکسل مرکزی قرار می­گیرد.)، لذا معمولاً در ابتدا سطر و ستون محیط تصویر را Duplicate می­نمایند. مثال زیر نحوه اعمال یک فیلتر 3*3 را بر یک تصویر 4*3 نشان می­دهد:

 -                  فیلترهای پائین­گذر (LowPass):

این فیلترها، موجب حذف فرکانسهای بالای تصویر و تولید یک تصویر از فرکانسهای پائین می­باشند. در اثر اعمال این فیلترها روی تصویر، تصویر نرم (Smooth) یا مات (Blur) می­شود. هرچه ابعاد پنجره بزرگ­تر باشد، میزان مات شدگی نیز افزایش می­یابد. به طوریکه برخی اوقات اعمال یک Contrast Stretching بعد از اعمال فیلتر پائین­گذر لازم است. معمولاً این فیلترها برای ازبین بردن نویز از روی تصویر استفاده می­شوند. نویز تصویر می­تواند به صورت اتفاقی (Random) و یا سیستماتیک باشد.

دو فیلتر پائین­گذر معروف، فیلتر میانگین (Mean) و فیلتر گوسین می­باشند. در فیلتر میانگین همه پیکسل­های کرنل دارای وزن برابر هستند؛ در حالیکه در فیلتر گوسین، پیکسل­های دورتر از پیکسل مرکزی، دارای وزن کمتری می­باشند (مطابق توزیع گوس). به این نوع فیلترهایی که وزن آنها با فاصله­شان تا پیکسل مرکزی ارتباط دارد، Distance Weighted می­گویند. این نوع فیلترها نسبت به فیلترهای Equal Weighted تصویر را با ملایمت بیشتری نرم می­کنند. از این فیلترها حتی برای نرم کردن DEM ایجاد شده توسط منحنی میزان­ها نیز استفاده می­شود.

فیلتر میانگین و گوسین مطابق شکل ذیل می­باشند.

فیلترهای دیگری به نام Mode و Median نیز وجود دارد. در این فیلترها کرنل دارای مقدار نمی­باشد و مقدار پیکسل جدید از تصویر خروجی فیلتر شده، فقط حاصل مد یا میانه گرفتن از اعداد پیکسل­های تصویر اصلی است که در پنجره متحرک قرار گرفته­اند.

 -                  فیلترهای بالا­گذر (HighPass):

این نوع فیلترها تلاش در حذف فرکانسهای کوتاه ونگه داشتن فرکانسهای بالا دارد. فرکانس­های بالا شامل آن بخش­هایی از تصویر می­باشد که در یک فاصله کوتاه، تغییر ناگهانی و شدید در درجه روشنایی اتفاق بیفتد. به این مناطق، لبه (Edge) نیز اطلاق می­گردد.در تصاویر، لبه­ها می­توانند در عوارض نقطه­ای، عوارض خطی و یا مرز بین اشیا دیده شوند. این فیلترها موجب می­گردند که لبه­ها در تصویر شارپ­تر و واضح­تر گردند.

یکی از معروف­ترین فیلترهای بالاگذر، فیلترEdge Enhancement  Laplacianمی­باشد. سه فیلتر زیر نیز از جمله این فیلترها هستند.

-                  فیلترهای Edge detector:

فیلترهای پائین­گذر و بالاگذری که تابه حال به آنها اشاره گردید به گونه­­ای هستند که مجموع مقادیر کرنل، یک، می باشد. اما فیلترهای دیگری وجود دارند که مجموع مقادیر کرنل، صفر است. این فیلترها برای آشکارسازی عوارض خطی استفاده می­شوند. پس از اعمال این فیلترها بر روی تصویر، تصویر جدیدی حاصل می­شود که فقط در آن لبه­ها باقی مانده است و با شکل اولیه تصویر کاملاً متفاوت است.

فیلتر Sobel از معروف­ترین فیلترهای آشکارساز لبه است که حاصل اعمال دوفیلتر مطابق ذیل به صورت پیوسته و پشت­سرهم می­باشد؛ به طوریکه فیلتر اول موجب آشکارسازی عوارض خطی در جهت عمودی و فیلتر دوم موجب آشکارسازی عوارض خطی در جهت افقی می­گردند.

5)  استخراج اطلاعات از رو تصویر شامل طبقه­بندی و روش­های طبقه­بندی:

تعبیر و تفسیر و آنالیز تصاویر ماهواره­ای:

به منظور استفاده مفید از داده­های سنجش از دور، باید بتوان اطلاعات مفید را از تصویر استخراج نمود. این امر منجر به مباحث مربوط به تعبیر و تفسیر و آنالیز تصاویر ماهواره­ای می­شود. تعبیر وتفسیر و آنالیز تصاویر سنجش از دور شامل مشخص کردن و اندازه­گیری تارگت­های مختلف در روی تصویر به منظور استخراج اطلاعات مفید درباره آنها می­باشد. منظور از تارگت در تصاویر سنجش از دور، هر نوع عاضه یا شیء می­باشد که در تصویر مشاهده می­گردد . دو مشخصه اصلی ذیل را دارند:

                            I.            تارگت­ها ممکن است شامل عوارض نقطه­ای، خطی و یا سطحی باشند؛ بدین معنی که تارگت­ها می­توانند هر نوع شکلی در تصویر داشته باشند.

                          II.            تارگت باید در تصویر قابل تشخیص و شناسایی باشد؛ به طوریکه باید با عوارض پیرامون خود در تصویر از کنتراست مناسبی برخوردار باشد.

بیشترین فرآیند تعبیر و تفسیر تصاویر ماهواره­ای در حال حاضر به صورت دستی یا بصری انجام می­شود. البته این نوع تفسیر می­تواند از روی عکس­های هوایی یا ماهواره­ای (به صورت کاغذی) و یا از روی تصویر رقومی که بر صفحه نمایش کامپیوتر دیده می­شود، صورت می­پذیرد.

وقتی که داده­های سنجش از دور به شکل رقومی در اختیار باشند، می­توان تجزیه و تحلیل را به صورت رقومی انجام داد. پردازش رقومی می­تواند برای بهبود کیفیت تصویر، جهت تفسیر چشمی مورد استفاده قرار گیرد. همچنین از پردازش رقومی می­توان برای استخراج اطلاعات از روی به صورت اتوماتیک و بدون دخالت اپراتور استفاده نمود.

تفسیر و تجزیه و تحلیل بصری و رقومی هریک از مزایا و معایبی برخوردار هستند. در بسیاری از موارد ترکیب دو روش می­تواند در آنالیز تصاویر ماهواره­ای مورد استفاده قرار گیرند.

المانهای تفسیر و تجزیه و تحلیل بصری (Elements of Visual Interpretation):

همانطور که در قبل اشاره شد، آنالیز تصاویر سنجش از دور شامل مشخص کردن تارگت­های مختلف در تصویر می­باشد، که این تارگت­ها شامل عوارض طبیعی و مصنوعی هستند.

انواع تارگت­ها می­توانند با توجه به نحوه انعکاس یا پخشی انرژی الکترومغناطیس توسط آنها مشخص و تعیین گردند. این تابش توسط سنجنده اندازه­گیری و ثبت شده و به صورت تصویر هوایی یا ماهواره­ای ارائه می­گردد. تشخیص (Recognition) عوارض تصویر، یکی از مهم­ترین عوامل در استخراج اطلاعات می­باشد. المانهایی وجود دارند که در تعبیر و تفسیر بصری مورد استفاده قرار می­گیرند. این المانها شامل تن (Tone)، شکل (Shape)، اندازه (Size)، الگو (Pattern)، بافت (Texture)، سایه (Shadow) و همراه بودن (Association) می­باشند. مشخص کردن تارگت­ها از روی تصاویر سنجش از دور بر اساس این المانهای بصری امکان تعبیر و تفسیرهای بعدی را فراهم می­نماید. در ادامه هریک از این المانها توضیح داده می­شود.

- تن (Tone): این پارامتر بیانگر رنگ و روشنایی هر عارضه بر روی تصویر می­باشد. معمولاً تن به عنوان مهم­ترین المان در تشخیص عوارض نسبت به هم مورد استفاده قرار می­گیرد. اختلاف تن مربوط به عوارض مختلف، همچنین اجازه می­دهد تا المانهای شکل، الگو و بافت عوارض نیز تشخیص داده شوند.

- شکل (Shape): شکل نیز یکی از المانهای مهم در تشخیص عوارض است. عوارض مصنوعی از قبیل ساختمانها و همچنین زمینهای کشاورزی دارای شکل منظم هستند؛ در حالیکه عوارض طبیعی مثل جنگل دارای شکل نامنظم می­باشند.

- اندازه (Size): اندازه عوارض در روی تصویر تابعی از مقیاس می­باشد. ارزیابی اندازه یک تارگت نسبت به عوارض دیگر در منطقه مورد تصویربرداری، می­تواند در تشخیص و تفسیر عارضه کمک کند. به عنوان مثال اگر در یک تصویر مجموعه ساختمانهایی وجود داشته باشند که کهربر قصد تعیین نوع کاربری (Land Use) آنها را داشته باشد، مقایسه ابعاد ساختمانها می­تواند به تعیین نوع کاربری کمک کند؛ به طوریکه ساختمانهایی که خیلی بزرگ هستند از قبیل کارخانه، می­توانند کاربری تجاری را نشان دهند؛ در حالیکه ساختمانهای کوچک بیانگر کاربری مسکونی هستند.

- الگو (Pattern): الگو ترتیب مکانی مجموعه اشیا مختلف را بیان می­نماید. تکرار مرتب تن می­تواند الگوهای خاص را ایجاد نماید. قرار گرفتن مجموعه درختان با ترتیب خاص در کنار همدیگر، یک الگو ایجاد می­نماید.

- بافت (Texture): بافت، بیانگر ترتیب و فرکانس تغییرات تن در یک منطقه مشخص از یک تصویر می­باشد. بافت زبر (Rough Texture) بیانگر تغییرات شدید سطوح خاکستری در یک منطقه کوچک می­باشد. در حالیکه بافتهای نرم (Smooth Texture) در سطوح هم­شکل و هموار از جمله آسفالت، چمن­زار و . . . دیده می­شود. پارامترهای بافت به عنوان یکی از مهم­ترین المانهای تشخیص عوارض در تصاویر رادار هستند. به دلیل اینکه در این تصاویر، هنگامی که طول موج برخورد می­کند و برمی­گردد زبری یا نرمی عوارض در طول موج بازگشته خیلی تأثیر می­گذارد. اما در تصاویر اپتیکی رنگ بسیار مهم است؛ در حالیکه در تصاویر راداری رنگ مفهومی ندارد.

- سایه (Shadow): این المان نیز می­تواند در تفسیر تصاویر مورد استفاده قرار گیرد، به طوریکه می­تواند ارتفاع نسبی تارگت را نسبت به تارگتهای اطرافش نشان داده و لذا در تشخیص آسان­تر آن کمک می­کند. البته سایه می­تواند در تشخیص عوارضی که در این بخش (یعنی در سایه) قرار گرفته است، اشکال ایجاد نماید. سایه می­تواند در تعیین توپوگرافی، به خصوص در تصاویر راداری، بسیار مفید باشد.

-Association: در نظر گرفتن ارتباط بین عوارضی که می­توانند در کنار هم قرار گیرند، به تشخیص عوارض کمک می­کند. به عنوان مثال وجود مجموعه ساختمانهای منفردی در نزدیکی و مجاورت یک بزرگراه یا آزادراه، می­تواند بیانگر این باشد که این ساختمانها می­توانند کاربری صنعتی داشته باشند. و یا وجود یک عارضه در سطح آب می­تواند بیانگر وجود یک کشتی یا قایق باشد؛ زیرا این انتظار وجود دارد که یک کشتی یا قایق در سطح آب باشد، نه عارضه دیگر!

 

استخراج اطلاعات با استفاده از پردازش­های رقومی:

دو روش اصلی برای استخراج اطلاعات به شکل رقومی قابل ارائه می­باشد:

a)  استفاده از عملیات ریاضی بر روی باندها:

در ین روش با انجام عملیات جبری بین باندها می­توان اطلاعات خاصی را استخراج نمود. یکی از مهم­ترین عملیاتی که به این روش انجام می­شود، استفاده از اندیس­های مختلف جهت استخراج پوشش­های گیاهی از تصویر می­باشد. یکی از معروف­ترین این اندیس­ها یا شاخص­ها، شاخص NDVI (Normalize Differential Vegetation Index) است که با انجام عملیاتی مطابق ذیل می­توان عوارض پوشش گیاهی را نسبت به دیگر عوارض مشخص نمود.

12NDVI=NIR-RNIR+R'>

در این شاخص، از داده­های باند قرمز و مادون قرمز نزدیک استفاده می­شود. در این حالت، خروجی حاصل از NDVI، یک تصویر است که با تصویر اولیه متفاوت بوده و پیکسل­های آن دارای مقادیری در بازه [1و1-] هستند و پیکسل­های روشن در تصویر NDVI (یعنی به عدد 1 نزدیکترند)، نشانگر مناطق با پوشش گیاهی، می­باشند. لازم به ذکر است، عملیات جبری انجام شده در این روش­ها، پیکسل به پیکسل انجام می­گردد.

b)  طبقه بندی (Classification):

یکی از مهم­ترین روشها برای استخراج طلاعات طبقه­بندی بر روی تصویر است؛ که روشی کمی می­باشد. طبقه­بندی به این معنی است که مجموعه­ای از پیکسل­ها که تشکیل یک تارگت را داده و به لحاظ فیزیکی مقادیر روشنایی آنها نزدیک به هم هستند را در یک کلاس یا طبقه با یک Lable مشخص قرار می­دهد. به این ترتیب در نهایت می­توانیم نقشه­ای به فرم زیر داشته باشیم.

 

که به این نقشه­ها نقشه­های Land Use Land Cover گفته می­شود.به این معنی که چه مناطقی با چه کاربری­ای پوشش داده شده­اند.

به طور کلی روش­هایی که برای طبقه­بندی وجود دارد متفاوت هستند مانند: 1) روش­های نظارت­شده و نشده 2) روش­های پرامتریک و غیرپارامتریک 3) روش­های پیکسل­مبنا یا عارضه مبنا

یکی از مهم­ترین تقسیم­بندی­ها که ما بدان می­پردازیم عبارتند از:

1. روش­های نظارت شده Supervised

2. روش­های غیر نظارت­شده Unsupervised

1. روش­های نظارت شده Supervised:

در طبقه­بندی با نظارت (Supervised Classification)، نوع و مکان برخی از انواع پوشش­های زمین (Land-Cover Types) مثل منطقه شهری، کشاورزی و مرداب از قبل (A Priori) شناخته شده هستند. این شناخت از ترکیبی از کارمیدانی، تفسیر عکس­های هوایی، تجزیه و تحلیل نقشه­ها و تجربه شخصی قابل حصول است. کاربر لازم است مکانهای مخصوصی را در داده­های سنجش از دور که نماینده مناطق یک­دستی (Homogeneous) از این پوشش­های زمین (Land-Cover Types) شناخته شده هستند، را معین کند. این مکانها را به دلیل خصوصیات طیفی آنها در آموزش الگوریتم طبقه­بندی برای تهیه نقشه نهایی، معمولاً مناطق آموزشی (Training Sites) می­نامند. ابتدا پارامترهای آماری یک متغیره و چندمتغیره مثل میانگین، انحراف­معیار، ماتریس­های کوریانس، ماتریس­های همبستگی و غیره برای هر منطقه آموزشی محاسبه می­گردند. سپس هر پیکسل (چه در داخل و چه در خارج منطقه آموزشی) مورد ارزیابی قرار گرفته و به کلاسی داده می­شود که آن بیشترین احتمال برای عضویت در آن کلاس باشد.

انتخاب مناطق آموزشی و استخراج آمار آنها:

داده­­های مناطق آموزشی (Training Sites) را می­توان با روش­های زیر به دست آورد:

ü     جمع­آوری اطلاعات میدانی(In Site) از نوع پوشش زمین به همراه ثبت طول و عرض جغرافیایی

ü     انتخاب داده­های آموزشی از طریق رسم پلی­گون بر روی تصویر در مانیتور

ü     گسترش (Seeding) داده­های آموزشی بر روی تصویر در مانیتور

هر پیکسل در منطقه آموزشی به یک کلاس به خصوص (c) تعلق دارد. این پیکسل را می­توان با یک بردار اندازه­گیری (Measurement Vector) به نام 12Xc'> نشان داد:

12Xc=BVi,j,1BVi,j,2BVi,j,3â‹®BVi,j,k'>

که در آن 12BVi,j,k'> عبارت است از مقدار پیکسل i,j ام در باند k. از بردار اندازه­گیری خام می­توان ماتریس کوریانس برای کلاس c ایجاد کرد:

 

که در آن 12COVckl'>   عبارت است از کوریانس کلاس c بین باندهای k و l که ماتریس کوریانس برای کلاس c با 12Vc'> نشان داده می­شود.

برای جداکردن مناطق آموزشی می­توان از الگوریتم­ها استفاده کرد. عمده الگوریتم­هایی که برای طبقه­بندی وجود دارند از برخی پارامترهای آماری مثل میانگین استفاده می­کنند و بر اساس اینکه، الگوریتم­های ما چه باشد، روش­های طبقه­بندی با نظارت به دسته­های زیر تقسیم می­گردند:

                I.            الگوریتم طبقه­بندی متوازی­السطوح(Parallelepiped Classification): الگوریتم طبقه­بندی متوازی­السطوح یکی از پرکاربردترین روش­های طبقه­بندی تصاویر رقومی است. این روش براساس قاعده تصمیم­گیری (Decision Rule) و با استفاده از منطق بولین "و/یا" (Boolean Logic “and/or”) است. داده­های آموزشی در n باند طیفی برای انجام طبقه­بندی مورد استفاده قرار می­گیرند. مقادیر روشنایی هر پیکسل در تصویر چند طیفی برای ایجاد یک بردار n بعدی Mc=( µc1, µc2, µc3,. . ., µcn) که در آن µck میانگین داده­های آموزشی به دست آمده، برای کلاس c در باند k در m کلاس ممکنه است. ck­σ عبارت است از انحراف معیار داده­های آموزشی داده­های آموزشی به دست آمده برای کلاس c در باند k در m کلاس ممکنه. در مثالی با استفاده از داده­های آموزشی از باندهای 4 و 5، کلاسهای تصویر نشان داده خواهند شد.

در این الگوریتم 12BVi,j,k'> در کلاس c قرار می­گیرد اگر و تنها اگر:

12خ¼ck-دƒck≤BVi,j,k≤خ¼ck+دƒck'>

 

C=1,2,. . .,m تعداد کلاسها و k=1,2,. . .,n تعداد باندها می­باشد.

بدین ترتیب حد بالا و پایین مطابق ذیل تعیین می­گردد:

12Lck=خ¼ck-دƒck'>  

                                      12âں¹Lck≤BVi,j,k≤Hck'>

12Hck=خ¼ck+دƒck'>

شکل

              II.            الگوریتم طبقه­بندی حداقل فاصله نسبت به میانگین (Minimum Distance to Mean Classification Algorithm): این الگوریتم، یکی از متداول­ترین و در عین حال ساده­ترین روش­های طبقه­بندی تصاویر رقومی است. اگر این روش به درستی اجرا گردد می­تواند نتایج طبقه­بندی دقیقی که قابل مقایسه با سایر روش­های طبقه­بندی پیچیده است، تولید نماید. در این روش همانند الگوریتم متوازی­السطوح لازم است کاربر بردار میانگین را برای هر کلاس در هر باند µck از داده­های آموزشی محاسبه کند. برای انجام روش طبقه­بندی حداقل فاصله، یک برنامه باید فاصله هر بردار میانگین µck را از هر پیکسل ناشناخته ( 12BVi,j,k'> ) محاسبه کند. این امکان وجود دارد که فاصله با استفاده از روش فاصله اقلیدسی یا یر اساس روش “Round the Block” محاسبه کند. در این بحث نیز از مثال قبلی برای اندازه­گیری فاصله اقلیدسی دو پیکسل a و b استفاده شده است.

12Dist=BVi,j,k-خ¼ck2+BVi,j,l-خ¼cl2'>

 

که در آن 12خ¼ck'> و 12خ¼cl'> نشان دهنده بردارهای میانگین برای کلاس c در باندهای k و l هستند. با محاسبه فاصله اقلیدسی از نقطه a تا میانگین همه کلاسها (5 کلاس)، این امکان وجود دارد که کوتاهترین فاصله را بتوان تعیین کرد.

شکل

           III.            الگوریتم طبقه­بندی حداکثر احتمال (Maximum Likelihood Classification Algorithm): روش­های طبقه بندی که تا اینجا بحث شده­اند براساس تعیین مرزهای تصمیم­گیری در فضای عارضه (باند) و براساس (Distance) طیفی کلاس آموزشی هستند. قاعده تصمیم­گیری طبقه­بندی حداکثر احتمال مبتنی بر احتمال (Probability) می­باشد. این روش، هر پیکسل دارای الگو اندازه­گیری X را به کلاس i نسبت می­دهد. در صورتی که آن بردار X دارای بیشترین احتمال شباهت به آن کلاس باشد. به عبارت دیگر، طبقه­بندی حداکثر احتمال، احتمال تعلق یک پیکسل به یک مجموعه از کلاس­های mگانه که از پیش تعیین شده­اند، را محاسبه کرده و سپس پیکسل را به کلاسی می­دهد که در آن مقدار احتمال، ماکزیمم باشد. روش طبقه­بندی حداکثر احتمال هنوز یکی از پرکاربدترین الگوریتم­های طبقه­بندی با نظارت است.

فرآیند طبقه­بندی حداکثر احتمال فرض را بر این می­گذارد که داده­های آماری آموزشی برای هر کلاس در هر باند، به صورت نرمال توزیع (Gaussian) شده­اند. بنابراین داده­های آموزشی با هیستوگرام­های 2 یا n مدی در یک باند منفرد، مناسب نیستند. در چنین شرایطی هریک از مدها احتمالاً نماینده کلاس­های جداگانه­ای هستند و لازم است نرم­افزار طبقه­بندی کننده، برای آنها مجدداً آموزش داده شود. به این ترتیب، هیستوگرام­های تک مدی با توزیع گاوسی که شرط توزیع نرمال رابرآورده می­کند، به وجود می­آید. اما چگونه می­توان اطلاعات احتمال موردنیاز را از داده­های جمع­آوری شده آموزشی به دست آورد. پاسخ به توابع چگالی احتمال (Probability Density Functions) وابسته خواهد بود. این مفهوم را می­توان با استفاده از داده­های آموزشی مربوط به یک کلاس در یک باند توضیح داد.

تابع چگالی احتمال محاسبه شده برای کلاس wi (مثلاًجنگل) با استفاده از معادله زیر به دست می­آید:

12pxwi=1(2د€)2دƒiexp-12x-خ¼i2دƒi2'>

که در آن exp[ ] عبارت است از e (پایه لگاریتم طبیعی) به توان مقدار رودنظر، x عبارت است از مقدار یک پیکسل در محور x. 12خ¼i'> عبارت است از میانگین محاسبه شده برای تمام مقادیر پیکسل­های آموزشی کلاس جنگل، و 12دƒi2'> عبارت است از وریانس محاسبه شده برای کلیه پیکسل­های این کلاس. بنابراین کافی است میانگین و وریانس هریک از کلاس­های آموزشی را برای محاسبه تابع احتمال ذخیره کنیم.

با تئجه به اینکه داده­های تصویری جهت طبقه­بندی در چندین باند تهیه می­شوند، لذا رابطه فوق به صورت ذیل برای هر بردار طیفی X و همچنین ماتریس وریانس کوریانس 12Vi'> و ماتریس میانگین 12Mi'> برای هر کلاس از داده­های آموزشی در می­آید:

12pXwi=1(2د€)2دƒiexp-12(X-Mi)TVi-1(X-Mi)'>

در روش ماکزیمم شباهت، مقدار احتمال تعلق هر پیکسل با بردار طیفی X به تک­تک کلاس­ها محاسبه شده و 12wi'>   12X∈'>   خواهد بود؛ اگر شرط زیر وجود داشته باشد:

12pXwi.p(wi)≥pXwi.p(wj)'>

که 12p(wj)'> احتمال اولیه برای هر کلاس است. معمولاً 12p(wj)'> برای همه کلاس­ها برابر فرض می­شود. لذا می­تواند از دو طرف معادله حذف گردد؛ که البته به شکل ساده­تر، این احتمال برای هر بردار طیفی X و ماتریس وریانس کوریانس 12Vi'> و ماتریس میانگین 12Mi'> مطابق ذیل محاسبه می­شود.

12pi=12loge|Vi|-12(X-Mi)TVi-1(X-Mi)'>

2. طبقه­بندی بدون نظارت (Unsupervised Classification):

 در این طبقه­بندی نوع و مکان انواع پوشش­های زمین (Land-Cover Types) که قرار است به عنوان کلاس تعیین شوند، معمولاً از قبل شناخته شده نیستند. دلیل این امر این است که اطلاعات زمینی مرجع یا وجود ندارند و یا عوارض سطح زمین در صحنه تصویربرداری شده، خوب تعریف نشده­اند. بنابراین از کامپیوتر خواسته می­شودکه پیکسل­های دارای خصوصیات طیفی مشابه از لحاظ برخی معیارهای آماری معین را در یک خوشه واحد گروه­بندی کند. سپس، کاربر خوشه­های طیفی را برچسب­گذاری (Re-lable) کرده و آنها را ترکیب (Combine) کرده و در کلاسهای اطلاعات قرار می­دهد.