بهبود الگوریتم میدان تصادفی مارکوف با هدف آشکارسازی نظارتنشده تغییرات تصاویر SAR چندکاناله

استفاده از دادههای چندکاناله۱ سنجندههای رادار با روزنه مجازی (SAR)۲، به دلیل مستقل بودن از شرایط جوی و نور خورشید و نیز دارابودن قابلیت بالا در استخراج تغییرات، در مقایسه با حالت تک کاناله، در کاربردهای متفاوتی مانند نظارت بر محیط زیست و مدیریت بلایای طبیعی بسیار توجیهپذیر است. با این حال، بهرهبرداری از این قابلیتها به استفاده از روشهای دقیق و اتوماتیک برای تولید نقشههای تغییرات از تصاویر اخذشده از منطقه جغرافیایی یکسان، در پلاریزاسیونها یا فرکانسهای گوناگون مربوط به زمانهای متفاوت، نیاز دارد. از سوی دیگر، حساسیت به بافت صحیح برای یک پیکسل میتواند به حذف خطاهای برچسبگذاری پیکسلهای منفرد کمک کند و نقشه تغییرات را بهبود بخشد. حذف نویز لکهای و ماهیت ایزوتروپیک مدلسازی میدانهای تصادفی مارکوف موجب نرم شدن مرزهای مکانی بین مناطق تغییریافته و تغییرنیافته در نقشه تغییرات نهایی میشود. به منظور حذف یا دست کم کاهش این اثر نامطلوب، استفاده از مدل مارکوف با هدف دخیل کردن اطلاعات لبهها در فرایند برچسبگذاری پیشنهاد میشود. این روند دقت لبهها در محل مرزهای مکانی را بهبود می بخشد و دقت آشکارسازی تغییرات را ارتقا میدهد. در این تحقیق، یک مدل مارکوف به منظور تشخیص نظارتنشده تغییرات، ازطریق ترکیب اطلاعات موجود در هریک از کانالهایSAR ، اطلاعات بافت مکانی و نیز اطلاعات لبه، معرفی شده و با استفاده از «توابع انرژی» فرموله شده است. به منظور برآورد پارامترهای مدل، الگوریتم بیشینهسازی امید ریاضی (EM)۳ با روش مشتقات لگاریتمی (MoLC)۴ ترکیب شده است. الگوریتم پیشنهادی با استفاده از تصاویر ASAR-ENVISAT به روش شبیهسازی ارزیابی شده است. براساس نتایج، روش پیشنهادی دقت کلی را، در مقایسه با روشهای موجود آشکارسازی تغییرات (با میانگین ۱۲%)، افزایش داده و قابلیت شناسایی هر سه نوع تغییرات (اندک- متوسط- زیاد) را داراست. این در حالی است که، با درنظرگرفتن اطلاعات باندها و بافت مکانی، قدرت شناسایی تغییرات اندک و متوسط بسیار پایین برآورد شده است. همچنین، با توجه به تعداد دفعات تکرار پایین، زمان اجرای الگوریتم بسیار کاهش یافته است. به طورکلی، بیشترین دقت الگوریتم، براساس روش پیشنهادی، ۶۷/۹۹% برآورد شد.