نرمالیزاسیون اتوماتیک تصاویر ماهواره ای چندزمانه با استفاده از شبکه های عصبی مصنوعی و پیکسل های تغییرنیافته

نرمالیزاسیون رادیومتریک نسبی اغلب در آنالیزهای تصاویر سنجش از دور، مخصوصا در آنالیزهای آشکارسازی تغییرات پوششی اراضی مورد استفاده قرار می گیرد. نرمالیزاسیون، اختلافات رادیومتریکی بین تصاویر، ناشی از نابرابری شرایط تصویربرداری و نه به خاطر تغییرات واقعی در بازتاب سطحی را کاهش می دهد. در این مقاله، یک روش نرمالیزاسیون اتوماتیک، مبتنی بر شبکه های عصبی و پیکسل های تغییرنیافته، معرفی می گردد. در روش پیشنهادی ابتدا پیکسل های تغییرنیافته با استفاده از روش طرح شده در این تحقیق که بر مبنای استفاده از روش آشکارسازی تغییرات cva، تبدیل مؤلفه های اصلی و قطعه بندی کا-مینز می باشد، تعیین شده و در مرحله مدل سازی، معماری های مختلفی از شبکه های عصبی به منظور تعیین بهترین معماری برای این کاربرد خاص، بررسی شده و شبکه با معماری بهینه برای تهیه تصویر نرمالیزه مورد استفاده قرار گرفته است. ایده مورد نظر روی دو جفت تصویر مرجع-هدف اخذ شده توسط سنجنده tm پیاده سازی شده است. نتایج نرمالیزاسیون حاصل از روش پیشنهادی با نتایج حاصل از 8 روش نرمالیزاسیون شامل: تطابق هیستوگرام(hm)، تصحیح haze(hc)، نرمالیزاسیون مینیمم-ماکزیمم(mm)، نرمالیزاسیون میانگین-انحراف معیار(ms)، رگرسیون ساده(sr)، رگرسیون بهبود داده شده درجات اول، دوم و سوم و رگرسیون بهبود داده شده خطی-قطعه ای مقایسه گردید. ارزیابی صورت گرفته از الگوریتم پیشنهادی، قابلیت این روش را هم در آشکارسازی اتوماتیک تغییرات و هم در کاهش تاثیرات شرایط تصویربرداری(اتمسفر و سایر عوامل تاثیرگذار) نسبت به روشهای متداول نشان می دهد. روش آشکارسازی تغییرات پیشنهادی، قابلیت بالایی در شناسایی تغییرات پوشش گیاهی صورت گرفته در منطقه داشته و استفاده از این روش باعث بهبود نتایج نرمالیزاسیون در تمامی باندهای تصویر، مخصوصا در باندهای سوم و چهارم که در محدوده طیفی نور قرمز و مادون قرمز قرار می گیرد، شده است. در مرحله مدل سازی نیز استفاده از شبکه های عصبی سبب کاهش خطای کمترین مربعات نرمالیزاسیون داده های ارزیابی در مقایسه با روشهای متداول نرمالیزاسیون(مدل های خطی و غیرخطی) شده است.