ارزیابی الگوریتم ژنتیک در آشکارسازی تغییرات مناطق جنگلی به کمک تصاویر رادار با گشودگی ترکیبی ( sar)

در این پایان نامه قصد داریم با اتکا بر برخی الگوریتم های بهینه سازی موجود، به بررسی و بهبود روش های آشکارسازی تغییرات بر روی تصاویر ماهواره ای حاصل از سنجنده های رادار با روزنه ترکیبی بپردازیم. در این تحقیق سعی داریم مشکلاتی از قبیل آلودگی های نویزی موجود در این تصاویر، زمان و دیگر هزینه های اجرایی راتا حد امکان مدیریت و تعدیل نماییم. یکی از مشکلاتی که در ارتباط با کاربرد تصاویر sar پیش روی کاربر است، وجود یک الگوی ذاتی مخرب موسوم به نویز لکه ای است. این نویز که در واقع ناشی از خواص بازتابی سیگنال های رادار در برخورد با سطح می باشد، در بسیاری از کاربردهای پردازش تصویری به کمک تصاویر رادار، مشکل ساز است. آشکارسازی تغییرات تصاویر غیرهمزمان به منظور بررسی و مدیریت تغییرات در سطح یک منطقه جغرافیایی مشخص، از جمله کاربردهایی است که به شدت متاثر از نویز موجود در تصاویر موردبررسی است. در تحقیق حاضر سعی شده با بررسی برخی از تکنیک های پیکسل مبنا و مدلسازی های آماری، روش-هایی به منظور غلبه بر مشکل نویز لکه ای و افزایش دقت فرایند آشکارسازی پیشنهاد شود. الگوریتم ژنتیک، به عنوان یکی از روش های بهینه سازی مبتنی بر مفاهیم تکاملی، در بسیاری از کاربردهای پردازش تصویر مطرح می شود. در این کار، با توجه به قابلیت های الگوریتم ژنتیک در جستجوی پاسخ بهینه بدون نیاز به حدس اولیه و سرعت بالا، آن را به عنوان یک روش مناسب برای حل مسئله آشکارسازی مورد استفاده قرار می دهیم. حجم بالای تصاویر مورد بررسی و محاسبات پرهزینه و زمانبر، انگیزه استفاده از روش بخش بندی تصاویر به کمک پنجره متحرک با ابعاد مناسب را ایجاد نمود. استفاده از زیرتصاویر با ابعاد کوچک، اگرچه منجر به کاهش زمان همگرایی به پاسخ بهینه و حجم محاسبات می شود، ولی از سوی دیگر به علت حساسیت روش به ویژگی های آماری ناحیه مورد بررسی، موجب افزایش تاثیرپذیری از آلودگی های نویزی می شود. برای مدیریت این مشکل، استفاده از توابع کاهش نویز استاندارد، به صورت فرایندهای پیش پردازشی و همچنین در ترکیب با تابع هزینه مورد استفاده الگوریتم ژنتیک، پیشنهاد شد. بدین ترتیب دقت اجرای الگوریتم برای زوج تصاویر شبیه سازی شده و آلوده به نویز لکه ای با واریانس 01/0 و کمتر، تا مقدار 8 درصد نسبت به کل پیکسل های تصویر، بهبود می یابد. با افزایش میزان آلودگی های نویزی تصویر، این دقت کاهش پیدا می کند. در این بخش از کار، ایده استفاده از وابستگی های آماری بین پیکسل های تصویر مطرح شد. در راستای تامین این هدف، به سوی استفاده از مدل های آماری مناسب جهت توصیف ویژگی های تصویر، سوق پیدا کردیم. مدلسازی به کمک میدان های تصادفی مارکف و با اتکا بر روابط همسایگی بین پیکسل ها، راهکار مناسبی جهت غلبه بر اثرات نویزی تصاویر ارزیابی شد. تغییرات توابع هزینه مورد استفاده، متناسب با طبیعت مسئله آشکارسازی نیز منجر به بهبود روند مسئله آشکارسازی شد. بدین ترتیب توانستیم با ارائه روشی آماری مبتنی بر میدان های تصادفی مارکف، دقت فرایند آشکارسازی تغییرات را برای تصاویر با آلودگی های شدید نویزی تا واریانس 1/0، به مقدار 97 درصد کل پیکسل های تصویر برسانیم. مدت زمان کم برای همگرایی الگوریتم به پاسخ بهینه و مطلوب، دیگر مزیت روش پیشنهادی بر مبنای مدل mrf محسوب می شود.