ارزیابی عملکرد آمارههای بافتی ماتریس رخداد همزمان در شناسایی تغییرات مهرداد اسالمی 3 شهروز حسینپور آیواتلو 1 علی محمدزاده 2 5 کارشناس ارشد فتوگرامتري - دانشکده مهندسي ژئودزي و ژئوماتيك - دانشگاه صنعتي خواجه نصيرالدين طوسي hosenpour245@gmal.com 2 دانشيار دانشکده مهندسي ژئودزي و ژئوماتيك - دانشگاه صنعتي خواجه نصيرالدين طوسي a_mohammadzadeh@kntu.ac.r 3 دانشجوي دکتري فتوگرامتري - دانشکده مهندسي نقشهبرداري و اطالعات مکاني - پرديس دانشکدههاي فني - دانشگاه تهران meslam2000@gmal.com )تاريخ دريافت تير 5331 تاريخ تصويب آذر 5331( چکیده نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره ششم شماره 3 اسفند ماه 5331 علوم ژئوماتيك از اصليترين منابع توليد اطالعات مکان مبنا ميباشند. سنجشازدور و فتوگرامتري در توليد چنين اطالعاتي نقش اساسي را برعهده دارند. شناسايي با توجه به ماهيت تغيير به وجود آمده براي نهادهاي مختلف داراي اهميت بالقوه هستند. تاکنون روشهاي شناسايي بسياري از جمله ماسك باينري مقايسه مستقيم و غيره مورد استفاده قرار گرفتهاند. هر يك از اين روشها با توجه به هدف مورد نظر از دادههاي متنوعي سود بردهاند تصاوير اپتيك و مادون قرمز داراي بيشترين استفاده به عنوان داده ورودي در شناسايي ميباشند. جهت بهبود دقت شناسايي فضاهاي ويژگي متنوعي از جمله ويژگيهاي بافتي مورد استفاده قرار گرفتهاند. آمارههاي بافتي مستخرج از ماتريس رخداد همزمان داراي تنوع باال با تاثيرگذاري متفاوت بر نتايج شناسايي ميباشند. اما استفاده از تمام ويژگيهاي بافتي براي افزايش دقت در مواقعي به دليل افزايش اندازه تعداد ويژگيها و وجود نويز مشکالتي را به همراه دارد. در اين مقاله به منظور ارزيابي عملکرد هر يك از اين آمارههاي شناخته شده به بررسي تاثيرگذاري آنها بر دقتهاي شناسايي پرداخته شد. ابتدا سه باند در ناحيههاي طيفي مختلف از تصوير لندست براي سالهاي 2153 و 2151 به عنوان دادههاي ورودي انتخاب گرديد. سپس آمارههاي ماتريس رخداد همزمان روي هر يك از سه باند براي هر کدام از سالهاي مورد اشاره استخراج گرديد. در مرحله بعد تصوير تفاضلي از طريق تفريق باندهاي آمارههاي بافتي متناظر براي سالهاي 2153 و 2151 توليد گرديد. همچنين تصوير تفاضلي باندهاي طيفي نيز توليد شد. سپس هر يك از تصاوير تفاضلي آمارهها )در باندهاي مورد نظر به صورت مجزا( با تصوير تفاضلي باندهاي طيفي ادغام و وارد طبقهبندي کننده بيشترين شباهت شد. نتايج بدست آمده نشان داد کارکرد آمارهها به عواملي مانند نوع کالسهاي مورد نظر و محدوده طيفي )داده مورد استفاده( نيز وابسته است. همچنين نتايج بدست آمده نشان داد در مجموع آمارههاي "ميانگين" "انتروپي" و "همگني" بيشترين و آمارههاي "واريانس" "کنتراست" و "همبستگي" کمترين تاثير را در افزايش دقت شناسايي با توجه به تستهاي اين پژوهش دارا ميباشند. واژگان کلیدی: شناسايي آمارههاي بافتي ماسك باينري ماتريس رخداد همزمان درياچه اروميه نويسنده رابط 119
[ 1- مقدمه ارزيابي عملکرد آمارههاي بافتي ماتريس رخداد همزمان در شناسايي در امروزه با گسترش علوم و پيشرفتهاي به وجود آمده فناوريهاي مختلف توليد اطالعات گوناگون و دقيق براي سازمانهاي مختلف از جمله شهرداريها ادارات راه و شهرسازي وزارت نيرو و نهادهاي حفاظت و مديريت محيط زيست از اهميت بااليي برخوردار است ]5[. شناسايي و پايش به وجود آمده در زمين از نيازهاي اساسي و مهم براي مديريت و تحليل براي نهادهاي مختلف ميباشد. علوم ژئوماتيك از اصليترين منابع مطالعه مکانمبنا ميباشند. با گسترش علم و فن اوري سنجشازدور حجم وسيعي از دادهها در دسترس قرار گرفتهاند بر مبناي اين دادهها و نياز سازمانها کاربردهاي مختلفي براي استفاده از آنها گسترش يافتهاند که يکي از آنها شناسايي است. از منظر علم سنجش از دور فرايند تشخيص تفاوتها در وضعيت يك شي يا پديده که از طريق مطالعه از راه دور آن پديده حاصل ميشود شناسايي ناميده ميشود ]2[. روشهاي شناسايي داراي فرايندها و دسته- بنديه يا مبناي تبديالت مختلف از جمله مقايسه مستقيم ]3[ و ]4[ بر و ]1[ ]6[ مبتني بر طبقهبندي و ]7[ ][ روشهاي وابسته به هوش مصنوعي و الگوريتمهاي فرا ابتکاري] 3 [ و ]51[ و غيره اشاره کرد. هر يك از اين روشها با توجه به هدف مورد نظر از دادههاي متنوعي سود برده و نتايج متفاوتي را به همراه داشتهاند ارزان بودن.]55[ دادههاي طيفي با توجه به گستردگي و در محدوده اپتيك و مادون قرمز موج الکترومغناطيس داراي بيشترين استفاده به عنوان داده ورودي در شناسايي هستند ]55[ و ]2[. ترکيب باندهاي طيفي طبقهبندي و شناسايي داشته است و استفاده از ويژگيهاي مکاني مستخرج از ]52[ با خود دادههاي طيفي ]53[ ]54[. و در افزايش دقت تاثير بسزايي را به همراه ميان دادههاي در اين بافتي مستخرج از ماتريس رخداد همزمان به طور گستردهاي به عنوان فضاي ويژگي مکاني براي شناسايي به کار گرفته شده است ]55[. از جمله پر استفادهترين اين موارد مربوط به ترکيب دادههاي طيفي و بافتي براي شناسايي قبل و بعد از زلزله بوده است ]51[. ارنر و همکاران در 2113 سال به صورت مقايسه پس از طبقهبندي براي شناسايي از ترکيب ويژگيهاي بافتي و طيفي مستخرج از تصوير پانکروماتيك براي سري زماني قبل و بعد از استفاده کردند ]56[. در تحقيقاتي ديگر براي شناسايي مناطق شهري و روستايي از تمام ويژگيهاي بافتي مستخرج از ماتريس رخداد همزمان در ادغام با باندهاي طيفي مبناي آناليز بردار استفاده گرديد ]57[ و ]5[. يکجا استفاده ماتريس رخداد همزمان با زماني باال همراه است. بر از تمام ويژگيهاي بافتي مستخرج از تحميل هزينه محاسباتي و همچنين در برخي از آمارههاي بافتي وابستگي بين کالسي بر روي نتايج خروجي تاثير گذار خواهد بود که در صورت شناسايي چنين آمارههايي نتايج پردازشها با بهبود روبرو خواهد شد. در تحقيقات ديگر با اتخاذ الگوريتمهاي بهينهيابي و فراابتکاري سياست استفاده از سعي شده است تا از تاثيرات هزينههاي استفاده از تمام فضاهاي آماري ماتريس رخداد همزمان کاسته شود ]53[ و ]21 در حالي که از محدوديتهاي الگوريتمهاي فراابتکاري وابستگي پاسخ نهايي الگوريتم به پارامترهاي اوليه تعريف شده ميباشد در نتيجه قبل از اجراي چنين الگوريتمهايي مقادير بهينه پارامترهاي اوليه تعيين ميگردد که اين فرايند مستلزم هزينه محاسباتي و همچنين استفاده از روشهايي از جمله سعي و خطا شبکه عصبي و نيز استفاده از دادههاي نمونه و غيره است ]25[. در بيشتر مطالعات انجام گرفته در ترکيب بافتي با ساير منابع داده آمارههاي به خصوص دادههاي طيفي چندين آماره بافتي مستخرج از ماتريس رخداد همزمان به يکجا صورت مورد استفاده قرار گرفتهاند. اين مهم بدون توجه به اين نکته که کداميك از اين آمارههاي بافتي در افزايش دقت نتايج خروجي نقش بيشتري دارد و کدام باعث کاهش دقت نتيجه خروجي ميگردد انجام پذيرفته است. وجود تعداد متعدد باندهاي ورودي به سيستمهاي شناسايي با کاهش سرعت محاسبات و افزايش و زمان هزينه همراه خواهد بود. همچنين نبود مطالعه جامع بر روي تاثير هر يك از آمارههاي بافتي در افزايش يا کاهش دقت شناسايي مطالعه چنين مواردي را ضروري مينمايد. با توجه به موارد مطرح شده در باال در اين تحقيق مطالعهاي جامع بر تاثير هر يك از آمارههاي بافتي 120
مستخرج از ماتريس رخداد همزمان در افزايش يا کاهش دقت شناسايي صورت پذيرفت. براي اين منظور از سه باند طيفي )2 1 و 7( سنجنده نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره ششم شماره 3 اسفند ماه 5331 OLI ماهواره لندست براي سالهاي 2153 و 2151 استفاده گرديد. ابتدا پيشپردازش به صورت کاليبراسيون تبديل درجه خاکستري به راديانس در دهانه سنجنده و همسان- سازي هيستوگرام انجام پذيرفت سپس آمارههاي بافتي شامل ميانگين واريانس همگني انتروپي عدم شباهت کنتراست گشتاور زاويهاي دوم و همبستگي براي هريك از باندهاي تصاوير سري زماني محاسبه گرديد. در مرحله بعد از آمارههاي بافتي باندهاي نظير تصاوير تفاضلي توليد گرديد. هر يك از تصاوير تفاضلي آمارههاي بافتي براي هر يك از باندهاي طيفي با تصوير تفاضلي سه باند اصلي ادغام و وارد طبقهبندي کننده بيشترين شباهت گرديد. براي آناليز بيشتر کل آمارهها بافتي مستخرج از يك باند طيفي را ادغام کرده و سپس نخستين باند حاصل از تبديل " آناليز مولفههاي اصلي" آن را با تصوير تفاضلي باندهاي 1 2 و 7 ادغام شده و وارد طبقهبندي کننده بيشترين شباهت گرديد سپس نتايج بدست آمده با نتايج حالتهاي استفاده از خود آمارههاي بافتي مقايسه گرديد. ادامه مقاله در چهار بخش تنظيم گرديده است. در بخش دوم داده منطقه مطالعاتي و همچنين دادههاي آموزشي و تست معرفي خواهد شد و نيز مروري بر روشهاي مورد استفاده در اين تحقيق انجام خواهد شد. در بخش سوم فرايند تحقيق بيان خواهد شد. بخش چهارم پيادهسازي بحث و ارزيابي نتايج خواهد بود. و در آخر بخش نتيجهگيري قرار گرفته است. )محدوده مادون قرمز مياني( از تصاوير سنجنده OLI ماهواره لندست براي سالهاي 2153 و 2151 ميباشد )شکل 5 (. رزولوشن مکاني اين تصاوير 31 متر و در ماه هشتم سال ميالدي اخذ گرديدهاند. تست انجام گرفته بر روي هر کدام از الزم به ذکر است باندها به صورت مستقل انجام خواهد پذيرفت. به دليل اينکه رفتار طيفي در ناحيههاي مختلف طيفي متفاوت است به همين دليل تحليل مورد نظر اين مقاله بر روي سه باند طيفي داده مورد استفاده تست مجزا مورد بررسي قرار گرفته است. به معني استفاده از سه داده منطقه مورد مطالعه محدوده درياچه اروميه واقع در شمال غرب ايران است. اين منطقه بين عرض 37 تا 3 درجه شمال جغرافيايي و طول جغرافيايي واقع در آذربايجان غربي ميباشد. 41 تا 46 درجه شرق ميان دو استان آذربايجان شرقي و همچنين به منظور آموزش و ارزيابي نتايج کار از داده- هاي آموزشي و تست با پراکندگي مناسب )شکل 5( در منطقه مطالعاتي به صورت جدول 5 استفاده گرديده است. 2- مواد و روشها در اين بخش منطقه مطالعاتي دادههاي مورد استفاده و نيز روشهاي استفاده شده معرفي خواهند شد. 1-2- داده و منطقه مطالعاتی شکل 5 - تصوير رنگي کاذب از باندهاي مورد مطالعه براي سال 2151 )الف( پراکندگي داده آموزشي )ب( و داده تست)ج( در اين تحقيق به جاي مطالعه کارکرد آمارههاي بافتي مستخرج از تنها يك باند طيفي کارکرد آنها در روي سه باند و در سه محدوده پر کاربرد از طيف الکترومغناطيس پرداخته شد. داده مورد استفاده در اين تحقيق باندهاي 2 )محدوده اپتيك( 1 )محدوده مادون قرمز نزديك( و 7 کالس نوع داده آموزشي تست جدول 5 - داده آموزشي و تست )پيکسل( 3545 عدم )پيکسل( 352 7715 7416 121
1-3-2- کنتراست 2-2- پیشپردازش ارزيابي عملکرد آمارههاي بافتي ماتريس رخداد همزمان در شناسايي از اصليترين پردازشهاي مورد نظر در سنجش از دور و به خصوص در بحث شناسايي پيشپردازش ميباشد. براي اين منظور ابتدا با استفاده از رابطه 5 دو تصوير بر اساس اطالعات مندرج در فايل دادهها کاليبره گرديد تا راديانس در باالي اتمسفر محاسبه گردد. Lmax L L mn Qcal Qcalmn Lmn Qcalmax Qcalmn )5( در فرمول باال Qcal مقدار درجهي خاکستري L ʎ راديانس باالي اتمسفر ساير پارامترها مربوط به حداقل و حداکثر مقادير درجات خاکستري ممکن در باند تصويري که است از فايل متاديتاي دادهها استخراج ميگردد. سپس دو تصوير سري زماني با انجام همسانسازي هيستوگرام آماده ورود به مرحله بعدي گرديد.]22[ تصاوير مورد استفاده زمين مرجع هستند و نيازي به انجام تصحيحات هندسي و زمين مرجع سازي نيست. 3-2- ماتریس رخداد همزمان در آناليزهاي آماري بافت ويژگيهاي بافتي از طريق توزيعهاي آماري ترکيبات مشاهده شده براي درجات خاکستري در يك موقعيت خاص در رابطه با يکديگر محاسبه ميشود. آمارههاي بافتي معموال آمارههاي بافتي نوع اول نوع دوم و مراتب تقسيمبندي ميشوند ]23[. به سه نوع باالتر ماتريس رخداد همزمان روشي براي استخراج اطالعات بافتي از نوع دوم ميباشد. يك ماتريس رخداد همزمان ماتريسي است که تعداد سطرها و ستونهاي آن مساوي با تعداد سطوح درجات خاکستري موجود در تصوير مورد استفاده ميباشد. يعني اگر تعداد درجات خاکستري يك تصوير G تا باشد آنگاه ابعاد ماتريس رخداد همزمان مورد نظر برابر با يك ماتريس G G ميباشد. عنصر ماتريسي P P(,j x, y) نشان دهنده تعداد تکرارهاي رابطه بين دو پيکسل که به وسيله فاصله پيکسلي )y,x ( جدا سازي شدهاند و بر اساس رابطه همسايگي تعريف شده که يکي از پيکسلها داراي درجه خاکستري و ديگري داراي درجه حاکي از تفاوتهاي محلي درجات خاکستري ميباشد و به صورت رابطه 2 تعريف شده و وزن بيشتري به عناصر دور از قطر اصلي ميدهد. که در آن خاکستري تصوير ميباشد. g Ng 1 Ng 1 2 ( ) (, ) 0 j 0 )2( تعداد درجات Contrast j P j نحوه محاسبه تعاريف و فرمولهاي ساير آمارههاي بافتي مطرح شده در اين تحقيق در منبع ]23[ آورده شده است. 4-2- طبقهبندی کننده بیشترین شباهت از معروفترين روشهاي طبقهبندي کنندههاي نظارتشده آماري ميباشد. در اين روش پيکسل به کالس با بيشترين احتمال تعلق نسبت داده ميشود. از مهمترين مزاياي آن سرعت باال سهولت و همچنين استفاده نمودن اين طبقهبندي کننده از توزيع نرمال و واريانس نمونهها در محاسبات ميباشد ]21[. فرض کنيم W نشاندهنده کالسهاي يك تصوير باشد بطوريکه =1,2,...,m و m بيانکننده تعداد کل کالسها باشد. در اين صورت پيکسل به کالس x تعلق ميگيرد در صورتي که رابطه 3 محقق گردد. W p( w / x) p( w / x) j )3( که در آن مقدار احتمال تعلق براي کالس از تمام کالس- هاي ديگر )يعني ) j تعلق )4( بيشتر است. بايد اشاره کرد که احتمال به کالس w به صورت رابطه 4 تعريف ميشود ]26[. در رابطه 4 احتمال اوليه وجود کالس p(w) احتمال تعلق کالس p( x / w) p( w) p( w / x) px ( ) w x به کالس w در تصوير با w p(x) 5 تفکيكکننده به صورت 1 رابطه λ و 1 در تصوير با و احتمال وجود تعريف ميشود. در نهايت تابع از روي پارامترهاي آماري براي هر کالس محاسبهشده و پيکسل به کالس با بيشترين مقدار تابع تفکيكکننده تعلق ميگيرد. در رابطه بيانکننده ميانگين و واريانس است ]27[. خاکستري j ميباشد اتفاق ميافتد ]24[. 1 Dscrmnant Functon 122
نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره ششم شماره 3 اسفند ماه 5331 1 T 1 1 g ( x ) ( ). ( ) ln ln( ( )) 2 x x 2 p w )1( به زبان سادهتر طبقهبنديکننده بيشترين شباهت در کاربردهاي سنجشازدوري به محاسبه مقادير واريانس و ميانگين تمام کالسها از روي مقادير درجات خاکستري تك تك باندها ميپردازد. سپس با مقدار دهي رابطه 1 مقدار تابع تفکيكکننده براي تمام کالسها بر روي پيکسل مورد نظر محاسبه ميشود. در نهايت پيکسل به کالسي تعلق ميگيرد که بيشترين مقدار تابع تفکيك کننده در آن کالس براي پيکسل مورد نظر رخ داده باشد. 5-2- تولید تصویر تفاضلی در ميان روشهاي پيکسلمبنا جهت بدست آوردن نقشه استفاده از روش تفاضل بين تصاوير همواره به عنوان يکي از روشهاي ساده مورد توجه بوده است. از اين رو در اين تحقيق به منظور توليد اطالعات اوليه براي مراحل بعدي از روش تفاضلگيري بين تصاوير سري زماني شد. استفاده که از مزاياي روش مذکور طبق تحقيقات مسرور حسين و همکاران )2153( ساده بودن و سرعت باالي آن ميباشد ]2[. براي تصوير )2153( I 1 و تصوير )2151( I 2 با اعمال تفريق I = I 2 - I 1 باندهاي متناظر در دو تصوير از هم کم شده و تصوير تفاضلي توليد ميشود. 6-2- آنالیز مولفههای اصلی به منظور کاهش وابستگي و نويز باندها در تصاوير با تعداد باندهاي فراوان از روشهاي کاهش ابعاد فضاي ويژگي استفاده ميشود. از جمله شناخته شدهترين روش- هاي کاهش ابعاد فضاي ويژگي روش آناليز مولفههاي اصلي ميباشد ]2[. در پردازشها تعريف ميشود که انتقال PCA n )K( که بهصورت يك بردار n تعريف شدهاند به يك بردار تعريف ميشود ]23[. بدين صورت بردار ورودي با طول يکسان بعدي x=(x1, x2,..., xn) T y که به صورت رابطه 6 y A ( x m x ) )6( اين شکل از رابطه از نقطه نظر فهم راحت است اما بايد در نظر گرفت که هر سطر از بردار براي يك ورودي ميباشد. بردار x شامل K 6 در رابطه m x مقدار بردار مقادير ميانگين براي تمام مقادير ورودي ميباشد. مقدار m x براي يك ورودي به صورت رابطه 7 تعريف ميشود. 1 K mx xk )7( K k 1 ماتريس A در رابطه 6 از طريق ماتريس کوواريانس C x تعريف ميشود. سطرها در ماتريس ويژه A که از ماتريس e C x توليد شدهاند به دست ميآيد. ماتريس از طريق بردارهاي و بر مبناي انطباق با مقادير ويژه C x محاسبه ميشود. ابعاد ماتريس C x ماتريس ورودي )( است. n در n از طريق رابطه با توجه به ابعاد 1 K T T x k k x x K k 1 C x x m m 3- فرایند تحقیق در اين مطالعه به منظور تحليل کارکرد انواع آمارههاي بافتي مستخرج از ماتريس رخداد همزمان به مانند فلوچارت شکل 2 عمل شده است. ابتدا بر روي دو تصوير ورودي پيشپردازش انجام گرفت. سپس ويژگيهاي آماري بافتي مستخرج از ماتريس رخداد همزمان شامل: ميانگين واريانس همگني انتروپي عدم شباهت کنتراست گشتاور زاويهاي دوم و همبستگي هر يك در چهار جهت )صفر 31 41 و 531 درجه( روي هر يك از سه باند براي هر کدام از سالهاي مورد اشاره استخراج گرديد. اين مرحله با تنظيمات ابعاد پنجره 1 پيکسل در 1 پيکسل )به صورت سعي و خطا محاسبه گرديده است( و با فاصله 5 پيکسلي با درجات جاکستري نرمال شده در 64 مورد انجام گرفت. در مرحله بعد از چهار جهت مستخرج ميانگينگيري صورت پذيرفت تا تاثير ناشي از "جهت" از بين رود ]31[. سپس براي آمارههاي متناظر باندهاي نظير تصوير تفاضلي با تفريق يکي از باندها بر ديگري توليد گرديد. سپس در فرايندهاي جداگانه براي تصاوير تفاضلي آمارههاي بافتي هر باند تصوير اصلي تصوير تفاضلي هر يك از آمارهها با باندهاي تفاضلي حاصل از تفريق باندهاي طيفي تصوير اصلي ادغام و وارد طبقهبندي کننده بيشترين شباهت گرديد. اين عمل براي تمام آمارهها در تمام باندهاي مورد مطالعه تکرار شد. سپس ارزيابي بر روي نتايج توليد شده اعمال گرديد. 123
ج) ب) ارزيابي عملکرد آمارههاي بافتي ماتريس رخداد همزمان در شناسايي براي ارزيابيهاي بيشتر تصاوير تفاضلي مربوط به کل آمارههاي بافتي مستخرج از هر يك از باندهاي تصوير اصلي با هم ادغام و از روش آناليز مولفههاي اصلي )PCA( براي کاهش فضاي ويژگي استفاده شد. سپس اولين باند خروجي حاصل از آناليز مولفههاي اصلي انتخاب شده و براي توليد تصوير تفاضلي غير طيفي استفاده شده و با باندهاي تفاضلي تصوير اصلي ادغام و به طبقهبندي کننده بيشترين شباهت وارد گرديد و نتايج حاصل با هم مقايسه شد. انجام عمل ميانگينگيري از چهار جهت مورد نظر فضاي ويژگي آمارههاي بافتي مانند شکل 3 براي هر باند توليد گرديد. آماره جدول 2 - تعداد و اطالعات آمارههاي بافتي براي يك سال باند زاوبه )درجه( تعداد باند در جهات تعداد باند پس از اعمال ميانگين تعداد تصاوير تفاضلي براي دو سال باند 7-41 -1 531-31 32 باند 1-41 -1 531-31 32 باند 2-41 -1 531-31 32 شکل 2 - فلوچارت فرايند تحقيق 4- پیادهسازی بحث و ارزیابی در اين بخش به پيادهسازي بحث و بدست آمده پرداخته خواهد شد. 1-4- پیادهسازی ارزيابي نتايج با توجه به روند مورد نظر تحقيق پس از اعمال مراحل پيشپردازش بر روي تصاوير اصلي آمارههاي بافتي به مانند جدول 2 استخراج گرديد. در واقع براي هر آماره در هر باند 4 داده )چهار جهت( توليد گرديد در صورتي که براي هر باند آماره مد نظر باشد در مرحله توليد ويژگي براي هر باند هر سال 32 آماره خواهيم داشت. سپس با شکل 3 - آماره بافتي "همگني" براي 2153 تصوير تفاضلي آماره فلا) ) و ) براي 2151 " همگني" حاصل از باند 2 ) در ادامه براي هر آماره در هر باند تصوير تفاضلي از تفريق فضاي ويژگي نظير براي سري زماني 2153 و 2151 همانند شکل 3 توليد گرديد. سالهاي سپس تصوير تفاضلي باندهاي طيفي توليد گرديد. هر يك از تصاوير تفاضلي آمارههاي بافتي با تصوير تفاضلي باندهاي طيفي ادغام و وارد طبقهبندي کننده بيشترين شباهت گرديد )شکل 4 )الف((. همچنين همانگونه که در باال توضيح داده شد اولين باند خروجي حاصل از آناليز مولفههاي اصلي با باندهاي تفاضلي تصوير اصلي ادغام و به طبقهبندي کننده بيشترين شباهت وارد گرديد )شکل 4 )ج((. 124
ب) ج) شکل 4- تصوير طبقهبندي شده براي ادغام آماره بافتي واريانس باند نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره ششم شماره 3 اسفند ماه 5331 2 و تصوير اصلي )الف ( باند 1 ( نتيجه استفاده از PCA ) 2-4- بحث و ارزیابی کارکرد در اين زير بخش نتايج بدست آمده در ارزيابي جامع آمارههاي بافتي مستخرج از ماتريس رخداد همزمان در شناسايي آورده شده است. عوامل متعددي از جمله شرايط ابعاد زميني هر پيکسل حدود منطقه نوع و تعداد کالسها ابعاد عوارض و نوع داده مورد استفاده عالوه بر عوامل تاثيرگذار در استخراج آمارهها مانند ابعاد پنجره فاصله پيکسلها و جهت مورد بررسي بر نتايج عملکرد آمارههاي بافتي تاثير- گذار خواهد بود. با توجه به يکسان بودن شرايط بررسي براي تمامي آمارهها در فرايند بررسي از منطقه مطالعاتي استفاده گرديد که اتفاق افتاده به صورت شفافي در حالت دو کالسي ) و عدم ( باشد تا فرايند بررسي مناسبتري را داشته باشد. از نظر تاثير و پراکندگي کالسها شرايط نتيجه طبقهبندي حاصل از استفاده از فقط دادههاي طيفي براي شناسايي براي دقت کل و ضريب کاپا به ترتيب 63/34 و 5/73 همچنين نتايج به دست آمده برابر درصد را نشان ميدهد. 63/ 33/12 5/44 و درصد را به ترتيب براي عدم کالس و دقت ميانگين کالسي نشان ميدهد. از آنجايي که آمارههاي بافتي در عمل درجات خاکستري در مکان را نشان ميدهند دادههاي تست به گونهاي انتخاب شده است که بيشترين پراکندگي را در مرزهاي بين و عدم داشته باشند تا آناليز بهتري از کارکرد آمارهها ارائه دهند. نتايج حاصل از 3 در جدول ادغام هريك از آمارههاي بافتي براي دادههاي باند 2 شامل دقت کل ضريب کاپا و کالس عدم آورده شده است. نتايج بدست آمده نشان داد استفاده از آمارههاي بافتي در افزايش دقت شناسايي با توجه به نوع آماره داراي نتايج متفاوتي است. نتيجه استفاده از اين آمارهها در افزايش دقت کل داراي ي بين صفر تا 51 درصدي و نيز براي ضريب کاپا ي بين صفر تا 35 درصدي ميباشد. آماره جدول 3 - نتايج حاصل از شناسايي با استفاده از آمارههاي باند 2 میانگین واریانس همگنی انتروپی عدم شباهت کنتراست گشتاور زاویه 2 همبستگی دقت کل 37/25 بافتي باند 2 ضريب کاپا 34/43 عدم 31/33 63/ 73/15 1/46 67/33 63/ 5/63 64/32 3/34 3/31 3/6 3/31 63/34 72/5 73/64 66/76 63/34 1/2 63/71 5/73 6/47 3/1 3/4 5/73 31/44 5/37 همچنين در جدول 4 نتايج حاصل از ادغام هر يك از آماره- هاي بافتي براي دادههاي به ترتيب باند 1 آورده شده است. جدول 4 - نتايج حاصل از شناسايي با استفاده از آمارههاي آماره باند 5 میانگین واریانس همگنی انتروپی عدم شباهت کنتراست گشتاور زاویه 2 همبستگی دقت کل 36/63 بافتي باند 1 ضريب کاپا 33/27 33/33 عدم 511 1/63 2/61 73/33 1/1 74/12 6/31 6/ 31/2 37/47 33/15 36/73 3/66 76/73 1/31 7/63 77/55 73/15 67/7 6/35 /41 31/5 3/36 /13 6/2 3/3 4/21 در جدول 1 نتايج حاصل از ادغام هريك از آمارههاي بافتي براي دادههاي باند 7 شامل دقت کل ضريب کاپا دقت کالس و کالس عدم آورده شده است. 125
ارزيابي عملکرد آمارههاي بافتي ماتريس رخداد همزمان در شناسايي جدول 1 - نتايج حاصل از شناسايي با استفاده از آمارههاي آماره باند 7 میانگین واریانس همگنی انتروپی عدم شباهت کنتراست گشتاور زاویه 2 همبستگی دقت کل 33/35 بافتي باند 7 ضريب کاپا 7/1 3/11 عدم 3/65 3/13 32/53 32/23 32/53 37/6 32/5 3/31 3/11 37/6 37/64 37/6 37/6 37/ 37/74 7/7 31/1 31/12 31/1 31/13 31/56 7/3 33/31 31/14 31/15 31/14 31/12 31/1 33/32 در محدوده طيفي اپتيك و مادون قرمز نزديك آماره بافتي "ميانگين" "انتروپي" و "همگني" داراي بيشترين تاثير در افزايش دقت نتايج طبقهبندي براي دقت کل و ضريب کاپا است. اين در حالي است که در محدوده مادون قرمز مياني تقريبا تمام آمارهها عملکرد يکساني در افزايش دقت کل و ضريب کاپا دارند. تاثير استفاده از کمترين آمارههاي بافتي در محدوده طيفي اپتيك و مادون قرمز نزديك در ارزيابي دقت کل و ضريب کاپا براي آمارههاي "واريانس" "عدم شباهت" براي محدوده مادون قرمز اتفاق افتاده است. اين مهم مياني براي آمارههاي "ميانگين" "واريانس" و "همبستگي" اتفاق افتاده است. نتايج بدست آمده نشان ميدهد استفاده از نوع آماره بافتي به منظور افزايش دقت کل و ضريب کاپا به محدوده طيفي )داده مورد استفاده( که آمارههاي بافتي از آن استخراج ميشوند وابسته است. زيرا به عنوان مثال در محدوده اپتيك آماره "ميانگين" اما در محدوده مادون قرمز مياني آماره "گشتاور زاويهاي دوم" داراي بيشترين تاثير هستند. اين مهم به احتمال فراوان ناشي از رفتار طيفي متفاوت کالسهاي انتخابي )کالسهاي مورد مطالعه( در محدودههاي طيفي اخذ شده و در نتيجه تفاوت رفتار آمارهها در آن محدوده باشد زيرا ممکن است در محدوده طيفي رفتار دو کالس مشابه هم بوده در نتيجه استفاده از نوع آماره تفاوتي را ايجاد نکند. اين مورد اتفاقي است که در محدوده طيفي مادون قرمز مياني رخ داده است. براي افزايش عدم نيز آمارههاي "ميانگين" و "انتروپي" در محدوده طيفي اپتيك و مادون قرمز نزديك بيشترين تاثير را دارند. همچنين کمترين تاثير مربوط به استفاده از آماره "همبستگي" و "کنتراست" است. در محدوده مادون قرمز مياني بيشترين تاثير مربوط به آماره "کنتراست" اتفاق افتاده است و کمترين تاثير مربوط به آمارههاي "ميانگين" "واريانس" و "کنتراست" ميباشد. در محدوده طيفي اپتيك و مادون قرمز نزديك بيشترين تاثير در افزايش براي تمام آمارههاي بافتي به صورت تقريبا يکسان اتفاق افتاده است. اين نتيجه براي محدوده مادون قرمز مياني نيز صادق است. نتايج بدست آمده به مانند باال تاثير محدوده طيفي )داده مورد استفاده( و نوع کالسها بر اثرگذاري آمارهها را نشان ميدهد. براي ارزيابي بيشتر " دقت ميانگين کالسي" براي تمام باندها و آمارهها به صورت شکل 1 مقايسه گرديد. نتايج بدست آمده نشان ميدهد در محدوده اپتيك و مادون قرمز نزديك دقت آماره "انتروپي" "همگني" و "ميانگين" براي دقت ميانگين کالسي بيشتر از مواردي است که از ديگر آمارههاي بافتي استفاده شده است. کمترين دقت ميانگين کالسي براي حالتي است که از آمارههاي "همبستگي" و "گشتاور زاويهاي دوم" استفاده شده است. همچنين در ناحيه مادون قرمز مياني نيز آماره کنتراست بيشترين تاثير را در افزايش دقت ميانگين کالسي دارد. در اين محدوده طيفي کمترين اثر براي استفاده از آمارههاي ميانگين همبستگي و واريانس مي- باشد. از مقايسه نتايج بدست آمده ميتوان نتيجه گرفت در محدوده اپتيك و مادون قرمز نزديك بيشترين تاثير بر روي افزايش دقتهاي شناسايي براي آماره "ميانگين" "انتروپي" و "همگني" است. اين در حالي است که در ناحيه مادون قرمز مياني بيشترين تاثير براي آمارههاي "گشتاور زاويهاي دوم" و "کنتراست" است. بار ديگر اهميت داده مورد استفاده و نوع کالس را در رفتار آمارهها نشان ميدهد. با توجه به شکل 1 اکثر آمارههاي بافتي مستخرج از ماتريس رخداد همزمان در ناحيه مادون قرمز مياني داراي تاثير زيادي در افزايش دقت ميانگين کالسي ميباشند. اين مهم با افزايشي بين 53 تا 57 درصدي در دقت در مقايسه با حالت فقط دادههاي طيفي را نشان ميدهد. اين در حالي است که نرخ اين براي آمارههاي مختلف در محدوده اپتيك و مادون قرمز نزديك عددي بين 2 تا 56 درصدي را دارد. 126
شکل 1 - تصوير طبقهبندي شده براي ادغام آماره بافتي واريانس باند 2 و تصوير اصلي )راست( باند 1 )وسط( نتيجه استفاده از PCA )چپ( همانگونه که در باال آماده است براي ارزيابيهاي بيشتر تصاوير تفاضلي مربوط به آمارههاي بافتي هر يك از باندهاي تصوير اصلي با هم ادغام و از روش آناليز مولفه- هاي اصلي )PCA( براي کاهش فضاي ويژگي استفاده شد. سپس اولين باند خروجي حاصل از آناليز مولفههاي اصلي با باندهاي تفاضلي تصوير اصلي ادغام و به طبقهبندي کننده بيشترين شباهت وارد گرديد. براي در اعمال آناليز مولفههاي اصلي بر روي مطالعه آورده شده است. آماره جدول نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره ششم شماره 3 اسفند ماه 5331 6 3 نتايج باند مورد جدول 6 - نتايج استفاده از آناليز مولفههاي اصلي براي شناسايي دقتها آمارههای باند 2 آمارههای باند دقت کل 36/37 ضريب کاپا 33/34 3/34 عدم 34/33 33/32 37/13 36/31 3/51 5 آمارههای باند 32/5 37/6 31/54 31/17 7 نتايج بدست آمده نشان ميدهد استفاده از خروجي روش آناليز مولفههاي اصلي براي افزايش دقت شناسايي داراي نتايج مطلوبتر در مقايسه با استفاده از خود آمارههاي بافتي ميباشد. اما استفاده از اين متد به جاي استفاده مستقيم از آمارههاي بافتي با افزايش هزينههاي محاسباتي و زمان همراه خواهد بود. همچنين دقت ميانگين کالسي مربوط به استفاده از آناليز مولفههاي اصلي در مقايسه با بهترين دقت ميانگين کالسي آمارههاي هر باند در شکل 6 آورده شده است. شکل 6 - مقايسه کارکرد استفاده از باند خروجي آناليز مولفههاي اصلي و خود آمارهها براي تاثير بر دقت ميانگين کالسي در محدوده اپتيك و مادون قرمز نزديك طيف الکترومغناطيس استفاده از آناليز مولفههاي اصلي دقتي تقريبا برابر يا بيشتر از بهترين نتايج استفاده از خود آماره- ها دارد. اين در حالي است که در محدوده مادون قرمز مياني نتيجه عکس را نشان ميدهد و با کاهشي معادل با 2 درصدي نسبت به بهترين نتيجه استفاده از خود آماره- هاي بافتي همراه است. انجام گرفته )نوع داده مورد استفاده( نتايج بدست آمده از آناليزهاي دليلي محکم بر ادعاي تاثير محدوده طيفي بر عمکلرد آمارهها و نيز نوع کالس انتخابي در نتيجه عملکرد آمارههاي مختلف بافتي باشد. تمامي عملياتها و پردازشهاي اين مقاله در محيط نرمافزاري MATLAB و ENVI 5- نتیجهگیری انجام گرفته است. شناسايي از مهمترين اطالعات مکاني مورد نياز براي سازمانهاي مديريتي خدماتي و بهرهبرداري بوده است. در سالهاي اخير در علوم مرتبط با فتوگرامتري و سنجش از دور روشهاي بسياري براي استخراج و شناسايي معرفي گرديدهاند. اين روشها از فضاهاي ويژگي طيفي و مکاني متفاوتي براي بهبود اهداف مورد نظر خود بهره بردهاند. بافتي آمارههاي مستخرج از ماتريس رخداد همزمان در دهههاي اخير از جمله پرکاربردترين اين ويژگيهاي مکاني 127
ارزيابي عملکرد آمارههاي بافتي ماتريس رخداد همزمان در شناسايي بوده است. گستردگي و تنوع باالي اين و بافتي دادههاي هزينههاي باالي محاسباتي و زماني استخراج و به کارگيري اين آمارهها نياز به بررسي کارکرد هر يك از آنها را در شناسايي براي استفاده بهينه از آنها را ايجاب ميکند. در اين تحقيق به منظور شناسايي و ارزيابي جامع عملکرد هر يك از ويژگيهاي آماري بافتي مستخرج از ماتريس رخداد همزمان شناخته شده )ميانگين واريانس همگني انتروپي عدم شباهت کنتراست گشتاور زاويهاي دوم و همبستگي( به بررسي ابعاد مختلف تاثيرگذاري آنان بر دقتهاي شناسايي پرداخته شد. براي اين منظور از باندهاي 1 2 و 7 ماهواره لندست به عنوان داده مطالعاتي استفاده گرديد. ابتدا آمارههاي بافتي براي هر يك از سالها و باندها استخراج و پس از توليد تصاوير تفاضلي به صورت يك به يك با تصاوير تفاضلي دادههاي طيفي اصلي ادغام و وارد طبقهبندي کننده بيشترين شباهت گرديد. نتايج بدست آمده نشان داد استفاده از انواع آمارههاي بافتي در محدودههاي مختلف طيف الکترومغناطيس تاثير متفاوتي را به همراه خواهند داشت. در محدوده اپتيك و مادون قرمز نزديك آمارههاي "ميانگين" "انتروپي" و "همگني" در افزايش دقت کل و ضريب کاپا بيشترين تاثير را دارد. اين در حالي است که در محدوده مادون قرمز نزديك "گشتاور زاويهاي دوم" داراي بيشترين تاثير است. کمترين تاثير استفاده از آمارههاي بافتي در محدوده طيفي اپتيك و مادون قرمز نزديك در ارزيابي دقت کل و ضريب کاپا براي آمارههاي شباهت" "واريانس" "عدم اتفاق افتاده است. اين مهم براي محدوده مادون قرمز مياني براي آمارههاي ميانگين "همبستگي" است. همچنين در مورد و "واريانس" "دقت ميانگين کالسي" در محدوده اپتيك و مادون قرمز نزديك دقت آماره- هاي "ميانگين" "انتروپي" و "همگني" داراي تاثير بيشتري نسبت به مواردي است که از ديگر آمارههاي بافتي استفاده شده است. کمترين "دقت ميانگين کالسي" براي حالتي است که از آمارههاي "همبستگي" و "گشتاور زاويهاي دوم" استفاده شده است. همچنين در ناحيه مادون قرمز مياني نيز آماره "کنتراست" بيشترين تاثير را در افزايش "دقت ميانگين کالسي" دارد. از جمله مهمترين نتايج بدست آمده اين مهم را نشان داد که کارکرد آمارهها به عواملي مانند نوع کالسهاي در نظر گرفته شده و محدوده طيفي )داده مورد استفاده( نيز وابسته است. همچنين نتايج بدست آمده نشان ميدهد استفاده از خروجي روش آناليز مولفههاي اصلي براي افزايش دقت شناسايي داراي نتايج مطلوبتري در مقايسه با استفاده از خود آمارههاي بافتي ميباشد. پيشنهاد ميشود در کارهاي آتي تاثير ديگر آمارههاي بافتي به خصوص آمارههاي نوع اول نيز بررسي گردد. همچنين تاثير نوع کالسهاي انتخابي گردند. در عملکرد آمارههاي بافتي نيز بررسي مراجع ]1] M. Eslam and A. Mohammadzadeh, "Developng a Spectral-Based Strategy for Urban Object Detecton From Arborne Hyperspectral TIR and Vsble Data," IEEE Journal of Selected Topcs n Appled Earth Observatons and Remote Sensng, vol. 9, pp. 10-116,2016. ] 2[ M. Hussan, D. Chen, A. Cheng, H. We, and D. Stanley, "Change detecton from remotely sensed mages: From pxel-based to object-based approaches," ISPRS Journal of Photogrammetry and Remote Sensng, vol. 0, pp. 91-106, 2013. ] 3[ N. Quarmby and J. Cushne, "Montorng urban land cover changes at the urban frnge from SPOT HRV magery n south-east England," Internatonal Journal of Remote Sensng, vol. 10, pp. 953-963, 199. ] 4[ F. Bovolo, G. Camps-Valls, and L. Bruzzone, "An unsupervsed support vector method for change detecton," n Remote Sensng, 2007, pp. 67409-67409-10. ] 5[ D. Lu, P. Mausel, E. Brondzo, and E. Moran, "Change detecton technques," Internatonal journal of remote sensng, vol. 25, pp. 2365-2401, 2004. ] 6[ A. A. Nelsen, "The regularzed teratvely reweghted MAD method for change detecton n mult-and hyperspectral data," Image Processng, IEEE Transactons on, vol. 16, pp. 463-47, 2007. ] 7[ A. Mller, E. Bryant, and R. Brne, "An analyss of land cover changes n the Northern Forest of New England usng multtemporal Landsat MSS data," Internatonal Journal of Remote Sensng, vol. 19, pp. 245-265, 199. ] [ N. S. Mshra, S. Ghosh, and A. Ghosh, "Fuzzy clusterng algorthms ncorporatng local nformaton for change detecton n remotely sensed mages," Appled Soft Computng, vol. 12, pp. 263-2692, 2012. 12
نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره ششم شماره 3 اسفند ماه 5331 ] 9[ B. C. Pjanowsk, S. Pthada, B. A. Shellto, and K. Alexandrds, "Calbratng a neural network based urban change model for two metropoltan areas of the Upper Mdwest of the Unted States," Internatonal Journal of Geographcal Informaton Scence, vol. 19, pp. 197-215, 2005. ] 01[ C. Huang, K. Song, S. Km, J. R. Townshend, P. Davs, J. G. Masek, et al., "Use of a dark object concept and support vector machnes to automate forest cover change analyss," Remote Sensng of Envronment, vol. 112, pp. 970-95, 200. ] 00[ E. Mehrdad, M. Al, and J. Mlad, "Estmates of the relatve changes of the Urma Lake usng fuzzy classfer," Journal of Geomatcs Scence and Technology, vol. 5, pp. 119-130, 2015. ] 02[ R. Wemker, A. Speck, D. Kulbach, H. Sptzer, and J. Benlen, "Unsupervsed robust change detecton on multspectral magery usng spectral and spatal features," n Proceedngs of the Thrd Internatonal Arborne Remote Sensng Conference and Exhbton, 1997, pp. 640-647. ] 03[ P. Coppn, I. Jonckheere, K. Nackaerts, B. Muys, and E. Lambn, "Revew ArtcleDgtal change detecton methods n ecosystem montorng: a revew," Internatonal journal of remote sensng, vol. 25, pp. 1565-1596, 2004. ] 04[ A. Sngh, "Revew artcle dgtal change detecton technques usng remotely-sensed data," Internatonal journal of remote sensng, vol. 10, pp. 99-1003, 199. ] 05[ D. Tomowsk, M. Ehlers, and S. Klonus, "Colour and texture based change detecton for urban dsaster analyss," n Urban Remote Sensng Event (JURSE), 2011 Jont, 2011, pp. 329-332. ] 06[ A. Erener and H. S. Düzgün, "A methodology for land use change detecton of hgh resoluton pan mages based on texture analyss," Italan Journal of Remote Sensng, vol. 41, pp. 47-59, 2009. ] 07[ C. He, A. We, P. Sh, Q. Zhang, and Y. Zhao, "Detectng land-use/land-cover change n rural urban frnge areas usng extended change-vector analyss," Internatonal Journal of Appled Earth Observaton and Geonformaton, vol. 13, pp. 572-55, 2011. ] 0[ L. Ya, L. Bnga, L. Qan-la, P. Chenc, and L. Yuana, "a Change Detecton Method for Remote Sensng Image Based on Mult-Feature Dfferencng Kernel Svm," ISPRS Annals of Photogrammetry, Remote Sensng and Spatal Informaton Scences, vol. 1, pp. 227-235, 2012. ] 09[ G. Zanjan and "Change detecton n urban areas usng AntColony Optmzaton Algorthm n remote sensng mages," Master of Scence Thess, pp. 10-0,1392. ] 21[ A. Moghm, "ntegraton textural and spectral nformaton from satellte mages for change detecton n urban areas usng drect and post classfcaton comparson methods," Master of Scence Thess, pp. 30-90, 2015. ] 20[ M. Ghodous, A. A. Aleshekh, and B. Saedan, "Analyzng publc partcpant data to evaluate ctzen satsfacton and to prortze ther needs va K-means, FCM and ICA," Ctes, vol. 55, pp. 70-1, 2016. ] 22[ X. Yang and C. Lo, "Relatve radometrc normalzaton performance for change detecton from mult-date satellte mages," Photogrammetrc Engneerng and Remote Sensng, vol. 66, pp. 967-90, 2000. ] 23[ F. Albregtsen, "Statstcal texture measures computed from gray level coocurrence matrces," Image processng laboratory, department of nformatcs, unversty of oslo, pp. 1-14, 200. ] 24[ M. Eslam, "Integraton of Arborne Hyperspectral Thermal Infrared and Vsble Images for Urban Object detecton," Master of Scence Thess, KN Toos unversty of technology, pp. 32-35,2015 ] 25[ J. D. Paola and R. Schowengerdt, "A detaled comparson of backpropagaton neural network and maxmum-lkelhood classfers for urban land use classfcaton," Geoscence and Remote Sensng, IEEE Transactons on, vol. 33, pp. 91-996, 1995. ] 26[ A. H. Strahler, "The use of pror probabltes n maxmum lkelhood classfcaton of remotely sensed data," Remote Sensng of Envronment, vol. 10, pp. 135-163, 190. ] 27[ A. A. Gtelson, "Wde dynamc range vegetaton ndex for remote quantfcaton of bophyscal characterstcs of vegetaton," Journal of plant physology, vol. 161, pp. 165-173, 2004. ] 2[ I. Jollffe, Prncpal component analyss: Wley Onlne Lbrary, 2002. ] 29[ M. Mudrova and A. Prochazka, "Prncpal component analyss n mage processng," n Proceedngs of the MATLAB Techncal Computng Conference, Prague, 2005. ] 31[ R. M. Haralck, K. Shanmugam, and I. H. Dnsten, "Textural features for mage classfcaton," Systems, Man and Cybernetcs, IEEE Transactons on, pp. 610-621, 1973. 129