روشی جدید در قطعهبندی خودکار تصاویر ماهوارهای با دقت بالا برای استخراج . . .

روشی جدید در قطعه بندی خودکار تصاویر ماهواره ای با دقت بالا برای استخراج خطوط ساحلی

نازیلا محمدی1، علی اصغر آل شیخ2*1، امین صداقت3، محمدرضا ملک4

دانشجوی دکتری GIS، گروه GIS، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
دانشیار، گروه GIS، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
دانشجوی کارشناسی ارشد فتوگرامتری، گروه سنجش از دور و فتوگرامتری، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
استادیار، گروه GIS، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده
این مقاله روشی جدید برای استخراج خودکار خطوط ساحلی از تصاویر ماهواره ای با قدرت تفکیک بـالا ارائـه مـی دهـد . روش پیشنهادی بر مبنای قطعه بندی فازی بوده که در آن از آنالیز هیستوگرام رنگ جهت تعیین تعـداد کلاسـها و از الگـوریتم ژنتیـکبرای بهینه سازی ماتریس قطعه بندی فازی استفاده شده است.
1268732112263

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

ابتدا تصویر ماهواره ای با استفاده از روش طبقه بندی فازی پیشنهادی به چندین کلاس همگن طبقه بندی شده و سپس با استفادهاز فیلتر مرفولوژی، نویز موجود در تصاویر کاهش می یابـد . آنگـاه بـا کمـک الگـوریتم آسـتانه گـذاری، خطـوط سـاحلی اسـتخراج می گردند. برای ارزیابی روش ارائه شده از تصاویر ماهواره ای آیکنوس در منطقه کنارک در چابهار ایران استفاده شـد. نتـایج نـشانمی دهد که 95% از خطوط استخراجی با این الگوریتم در محدوده حریم سه پپکسلی خط مبنا قرار گرفته اند که این نتـایج بیـانگردقت بالای الگوریتم پیشنهادی است.
کلمات کلیدی: تصاویر ماهواره ای، استخراج عوارض، هیستوگرام رنگ، قطعه بندی فازی، الگوریتم ژنتیک

A NOVEL SEGMENTATION APPROACH FOR
COASTLINE EXTRACTION FROM HIGH RESOLUTION
SATTELITE IMAGES

N. Mohammadi1, Ali A. Aalesheikh2, A. Sedaghat3, M.R. Malek4

1-PhD student, GIS Department, KNT University of Technology
2-Associated professor, GIS Department, KNT University of Technology
3-MSc student, Remote Sensing and Photogrammetry Dept., KNT Univ. of Technology
4-Assistant professor, GIS Department, KNT University of Technology

Abstract
The objective of this paper is to introduce a new method for coastlines delineation from high-resolution satellite images automatically. The proposed approach integrates the color histogram analysis for estimating the number of clusters, fuzzy c-partition, and genetic algorithms for optimizing fuzzy c-partition matrix.
The imagery is classified into homogenous areas using the proposed fuzzy logic segmentation approach. Morphological filtering is then used to remove noises from the segmented image.

[email protected] نویسنده مسوول مقاله *
بهار
مهنــدسـی
The coastlines are finally extracted from the filtered image by a delineation algorithm. The developed approach is evaluated based on a 1 m resolution IKONOS pansharpened imagery of Konarak region in Chabahar, Iran. It is demonstrated that 95% of the extracted lines remain within the three-pixels buffer areas around the coastlines. This presents the effectiveness of the proposed algorithm.
Keywords: Satellite images, Feature extraction, Colour histogram, Fuzzy segmentation,

1- مقدمه
استخراج مرز عوارض آبی و آشکارسازی تغییرات آن بــرای کاربردهــای مختلفــی همچــون تعیــین میــزانفرسایش سـاحلی، نمـایش تغییـرات خطـوط سـاحلی،توسعه پ ایدار وضعیت منـاطق سـاحلی، برنامـه ریـزی وپیش بینی رفتار سـاحل و تعیـین احتمـال خطـر بـرایناوبری امن در حمل و نقل دریایی بسیار کارا و حیـاتیاست [1، 4]. از آنجاییکه روشهای دستی و نقشه برداری میـدانی در اسـتخراج عـوارض بـ ویژه در نـواحی وسـیعفرآیندی مشکل و زمانبر بوده، بهکارگیری فناوریهـایخودکار برای استخراج تغییرات خطوط سـاحلی الزامـیبهنظر می رسد. بعلاوه، بهنگام سازی نقشههـای خطـوطساحلی، ارزیابی تغییرات مکانی و زمانی و دگرگونیهای ناشی از عوامل طبیعی و انسانی، نیازمنـد تکنیـکهـایخودکار و تکراری است.
روش معمول در استخراج خطوط ساحلی، تفسیر بصریعکسهای هوایی با قدرت تفکیک بالا مـیباشـد . تعیـینغیـر خودکـار عـوارض بـرداری نظیـر خطـوط سـاحلی فرآیندی زمانبر و خسته کننده بوده که نیاز به مهارت وتوجه فراوان به جزئیات دارد.
امروزه ماهواره های تجاری بطـور فزاینـده تـصاویر چنـدطیفی با قـدرت تفکیـک مکـانی بـالا تهیـه مـیکننـد . متخصـصان سـنجش از دور بـرای رسـیدن بـه هـر دو پــارامتر کیفیــت رنــگ و قــدرت تفکیــک بــالا، بانــدپانکروماتیک1 با قدرت تفکیـک بـالا و بانـدهـای چنـدطیفی2 با قدرت تفکیک پایینتر را به نسبت 4 به 1 بـایکدیگر تلفیق مـی نماینـد . بـرای مثـالIKONOS و Orbview-3 تصاویر بـا مشخـصاتPan (1m) وMS
مشخــصات Pan (0.4m)و MS (1.6m) تولیــد قطعهبندی با تغییر میانگین، استخراج خطـوط سـاحلی
تابستان 89
(4m) و QuickBird تــصاویر بــا مشخــصات (0.6m) Pan و MS (2.4m) و GeoEye-1 تــــصاویری بــــا
Genetic algorithm

میکنند. از ترکیب باندهای PAN و MS که بارزسازی پانکروماتیک3 نامیده مـیشـود، تـصویری جدیـد تهیـه میگردد. بسته به تکنیک بکار گرفته شده برای ترکیب،تصاویر مرکب نسبت به یک تصویر چنـد طیفـی دارایقدرت تفکیـک بهتـری هـستند [5]. عملیـات خودکـار استخراج عوارض و طبقهبندی تـصاویر بارزسـازی شـدهپانکروماتیـک، کـارایی سیـستمهـای سـنجش از دور را افزایش میدهد [6، 7].
امروزه تابع بارزسازی در بستههای نرم افزاری سـنجشاز دور نظیر ERDAS Imagine ،PCI Geomatica و ENVI موجود میباشد. مطالعات فراوانی جهت توسـعه تکنیکهای رقومی پردازش تصاویر برای آشکارسـازی وترسیم تـودههـای آبـی و اسـتخراج خطـوط سـاحلی ازتصاویر ماهواره ای چندطیفی انجام شده است [4، 8، 9، 10].
لی و همکارانش [16] توابع رشنال4 ماهواره آیکنوس5 را توسعه داده و از آنها برای استخراج خطـوط سـه بعـدیساحلی بر روی تصاویر استریویPAN با قدرت تفکیک یک متر استفاده کردهاند. مطالعات آنهـا نـشان داد کـهخطوط سـاحلی اسـتخراج شـده از تـصاویر مـاهواره ای آیکنوس دارای دقت زمینی 2 تا 4 متـر مـیباشـد کـهنزدیک به دقت نقشههـای توپـوگرافی خطـوط سـاحلیمربوط بهNOAA/NGS 6 با مقیاس 1:5000 و بیـشتراز دقــت نقــشههــای توپــوگرافی USGS7 بــا مقیــاس
1:24000 میباشد.
1268732112263

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

1268732112263

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

دی و همکــارانش [9] روشــی نــیم اتوماتیــک بــرایاستخراج خطـوط سـاحلی از تـصاویرPAN بـا قـدرتتفکیک 1 متر وMS با قدرت تفکیک 4 متر از تـصاویرماهواره ای آیکنـوس ارائـه دادهانـد . ایـن روش براسـاساولیه و پالایش خط ساحلی میباشد.
لیـو و زک [11] قطعـهبنـدی تـصویر را بـا اسـتفاده از حدگذاری تطبیق پذیر محلی8 انجـام داده انـد . روئیـز وهمکارانش [4] روشی خودکار جهت اسـتخراج خطـوطساحلی با استفاده از تصاویر Landsat TM ارائه کـردهو نشان دادند که تصاویر با دقت متوسط 30 متر، دقـتمکانی کافی برای نمایش کلی خطـوط سـاحلی پویـا رافراهم میکند.
در حال حاضر ابزارهـای نـرم افـزاری مطمـئن و سـریعجهت اسـتخراج اتوماتیـک خطـوط سـاحلی از تـصاویرماهواره ای چند طیفی موجود نمـیباشـد . در سـه دهـهگذشته، از تئوری مجموعه فازی بطور گسترده در بهبودآنالیز تـصویرهای سـنجش از دور اسـتفاده شـده اسـت[12، 13]. محققــین متعــددی منطــق فــازی را بــرای اجرای طبقه بندی نظارت نشده و آشکارسازی تغییـرات[14، 15، 16]، طبقه بندی نظارت شده [12] و ترکیبتصاویر برای بهبود دقت طبقه بندی بکار گرفتهاند [17، 18].
در این مقاله روشی جدید بر پایـه منطـق فـازی جهـتاسـتخراج خطـوط سـاحلی از تـصاویر بارزسـازی شـده پانکروماتیک ماهواره آیکنوس ارائه شده است. این روشاز اطلاعات رنگی موجود در تصویر اسـتفاده مـیکنـد وشامل سه مرحله میباشد:
قطعه بندی براسـاس کلاسـهایc-partition فـازی ومعیار شباهت رنگی در فضای رنگهای اصلی – طبقهبندی نواحی خشکی و آبی
حذف نویز و استخراج خط ساحلی

2- روش اجرا
شکل 1 نمـایی کلـی از روش پیـشنهادی را نـشان میدهد. قطعهبندی تصویر شامل تقـسیم تـصویر چنـدطیفی به نواحی یکسان بـر پایـه همگـن بـودن رنـگ ومطابق با عـوارض مـورد نظـر مـیباشـد [19]. در ایـنمطالعه عوارض مورد تفکیک نواحی آبـی و خـشکیانـد .
روش پیشنهادی شامل مراحل اصلی زیر میباشد:

الف) بررسی آنالیز هیستوگرام رنـگ بـه منظـور تعیـینتعداد کلاسها
ب) استفاده از قطعهبنـدی فـازی جهـت تقـسیمبنـ دی تصویر مورد نظر به دسته های همگن ج) استفاده از فیلتر مرفولوژی جهت از بین بـردن نـویزدر تصویر کلاسهبندی شده د) تعیین خطوط ساحلی بهوسیله آستانهگذاری ه) استخراج خودکـار خطـوط سـاحلی و ارزیـابی دقـتروش پیشنهادی با تعریف ناحیه بافری

شکل 1- فلوچارت روش پیشنهادی

2-1- آنالیز هیستوگرام رنگ از آنجا که روش هیستوگرام رنگ از پیچیدگی کم وکارایی بالا برخوردار بوده ، از این روش در آنـالیز تـصویررنگی استفاده شد [19]. هیستوگرام رنگ توزیع آمـاریرنگها در یک تصویر را نمایش مـیدهـد . روش عمـومیبـرای بدسـت آوردن هیـستوگرامهای رنگـی در فـضای رنگیRGB ، تقسیم فضا به تعدادی محدوده و محاسبهتوزیع رنگها در این محدودههـا اسـت. در ایـن مقالـه ازهیستوگرام رنگ برای تعیین تعداد کلاسترهای تـصویراستفاده شد تا یـک خلاصـه سـازی از توزیـع رنگهـا درتصویر ایجاد شود.
در فضای رنگیRGB ، یک رنگ با ترکیبی از سه جـزءاصلی آن نمایش داده میشود. این مدل از یک سیـستممختصات با سه محور عمود بر هم که هر جزء اشاره بـه
1268732112263

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

یک محور داشته، با شروع از مبـدأ و افـزایش در طـولمحور تشکیل یافته است.
هر رنگ در فضای رنگیRGB مـیتوانـد فقـط مقـادیرگسسته بین صفر تا 255 (اگر برای هر رنگ 8 ب یـت درنظر گرفته شود) را داشته باشد. ساختار فضای رنـگ را میتوان توسط یک مکعب نشان داد. بنابراین هـر رنـگمیتواند به سـادگی بـا مقـادیر قرمـز و آبـی و سـبز یـامختصات مکعب رنگی تعریف شود [20].
اگر فضای رنگیRGB به i محدوده رنگی تقسیم گردد، میتوان هیستوگرام رنگی تـصویر بـاn پیکـسل را بـه-صورت یک بردار (رابطه (1)) نمایش داد. در این رابطـه hi آماره رنگهای موجـود در تـصویر را در برداشـته و بـااستفاده از رابطه (2) محاسبه میشود.
H =[h1,h2 ,…,hi−1 ] (1)
395429109842

hi =nni (2)

ni نمایانگر تعداد پیکسلها در محـدوده رنگـی i اسـت . فضای رنگیRGB ، با 24 بیت در هر پیکسل و 8 بیـتبرای هر جزء قرمز، آبی و سبز نمایش داده میشود کـهدر طـول سـه محـور مربوطـه بـا تعـداد NG ،NR و NB مشخص می شود. تعداد کل محدودههای رنگی بـصورت N = NR × NG × NB است. برای هر محدوده شاخصی بصورت رابطه (3) معرفی میشود، بطوریکه:
R = 0, 1, … , NR-1
G = 0, 1, … , NG-1
B = 0, 1, … , NB-1

i = R + NG ×G + NB2 ×B (3)

پیکسل با رنگ (r, g, b) مطابق رابطه (4) در محـدودهای با اندکسi خواهد بود. در ایـن رابطـه علامـت  معرف عملگر انتگرال است.

i =rN256R+ NG×gN256G+ NB2 ×bN256B (4)

شکل 2 نشان دهنده نمونه ای از تقـسیم فـضای رنگـیRGB با 4 = NR = NG = NB میباشد. در ایـن مثـالتعداد 64 محدوده بدست آمده است.

شکل 2 – تقسیم فضای رنگی سه مؤلفه ای

2-2- قطعه بندی براساس کلاسهای فـازی
( Fuzzy c-partition)
یک تصویر رنگی بـاn پیکـسل در فـضای رنگـیRGB میتواند به عنوان یک مجموعه برداری و بـصورت رابطـه
(5) نمایش داده شود.
v ={v1,…,v j ,…,vn} (5)

(vj = ( vrj, vgj, vbj یک بردار رنگی از پیکسل j ام و vrj, vgj وvb j سه جـزء رنگـی قرمـز، آبـی و سـبز آن می ب اشند. درجه عضویت فـازی پیکـسلvj متعلـق بـهکلاسترi ام معادل [1,0]∈pij بوده و بصورت رابطه (6) نمایش داده میشود [21].
p = [pij ] , i = 1, 2,L , c j = 1, 2,L , n (6)

∑c pij =1 for all j = 1, 2, … , n
i=1
0<∑n pij <n for all i = 1, 2, … ,c
j=1

c بیانگر تعداد دستههای طبقه بندی بوده و روابط (7) و(8) قیود لازم میباشند.
مقدار عددی درجه عضویت هر پیکـسل را مـیتـوان ازروابط زیر محاسبه نمود [22].
1268732112263

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

pij

cm−1 (9)
∑µ(vck ,v j )
k=1 µ(vci,vj) =exp(−k1d(vci,vj))× cos(k2θ(vci,vj)) (10)
657524-25091

d(vci,vj)= (vcri −vrj)2+(vcgi −vgj)2+(vcbi −vbj)2

θ(vci,v j) =arccos
vcrivrj +vcgivgj +vcbivbj
191472-54260

 (vcri2 +vcgi2 +vc2bi)(vrj2 +vgj2 +vbj2) 

(µ(vci, vj معیار شباهت بین بردار vci (بـردار مرکـزیکلاس c) و vj میباشد. (∞ ,1) ∈m وزن تـوانی رویعضویت فازی است. 1k و 2k مقادیر ثابت و (d(vci, vj و (θ(vci, vj فاصله و زاویه بین vci و vj میباشند.
کلاسـتر مـیباشـد ، بـا اسـتفاده از رابطـه (9) محاسـبه تصویر
مـیشـود. لازم بـه ذکـر اسـت کـه بردارهـای مرکـزی الگوریتم ژ نتیک یک روش بهینهسازی با بهرهگیری کـلاس هـای c بـصورت { vc = { vc1, vc2, …, vcc از جستجوی موازی فضای جواب میباشد. این روش بـامشخص میشوند. ایجاد ارتباط میان راهحـل هـا ، جـواب بهتـر را از میـان
در این مقاله از قطعهبندی فازی جهت یـافتن مجموعـهبردار مرکزی و محاسبه ماتریسc-partition فـازی بـااستفاده از مجموعه مراکـز اسـتفاده شـده اسـت . بـدینمنظور ابتدا هر کلاستر یک بردار مرکـزی را در فـضایرنگیRGB تعیین کرده، سپس شـباهت بـینvci وvj که مشخص کننده عضویت فـازی vj متعلـق بـهi امـینمــسائل بهینــه ســازی نظیــر branch-and-boundinteger programming ،[23] approach [24]،
،26] و الگوریتم ژنتیک [25] simulated annealing
27] ارائه شده اند. در این تحقیق بـرای تعیـین بهتـرین c-partition فازی از الگـوریتم ژنتیـک اسـتفاده شـدهاست.
یکی از اساسیجتـرین مـشکلات روشـهای بهینـهسـازیمعمول که با روندی تکراری همگرا میشوند، وابـستگینتایج به موقعیت نقاط اولیه جـستجو اسـت. در مقابـل،نتایج حاصل از روشـها ی مبتنـی بـر الگـوریتم ژنتیـک مستقل از موقعیت نقاط اولیه جستجو هستند. زیرا اینروشـها از جـستجوی مـوازی فـضای جـواب و از تعـدادنسبتا زیادی از نقاط فضای جستجو بهعنـوان جمعیـتاولیه، استفاده میکنند.
الگوریتم ژنتیک علاوه بر ایجاد راهحلهای جام ع، حتیبرای مقولـههـای جـستجوی پیچ یـده نیـز جـواب هـایمناسب را بسرعت تعیین میکنـد . همچنـین الگـوریتمژنتیک، برخلاف روشهای موجود جستجوی مستقیم، درجوابهای بهینه محلی متوقـف نـشده و بهتـرین جـوابعمومی مسأله را مستقل از نقاط جستجوی اولیه تعیینمینماید.
تعیین بهترین جواب برای کل مـسأله و عـدم توقـف دربهینههای محلی ، اسـتقلال جـواب حاصـل از موقعیـتنقاط اولیـه جـستجو، امکـان بکـارگیری آن بـرای حـلمسایل با پیچیدگی زیاد و نیز سـرعت بـالای الگـوریتمژنتیک در همگرایی و رسیدن به جواب بهینه، مهمتریندلایل انتخاب این روش برای بهینهسازی بوده است.

2-2-1- استفاده از الگوریتم ژنتیک برای قطعه بندی
تعیین بهترین c-partitionفازی نیازمند تعیین تعـدادکلاسترها است. در روش پیـشنهادی ایـن مقالـه تعـدادکلاسها با روش هیستوگرام بدست می آید و با توجه بهتعداد نواحی تعیین شده، تابع هـدفJm(p,vc) بهینـهمیگردد. در حال حاضر تعـدادی الگـوریتم بـرای حـلتمامی جوابهـای ممکـن اسـتخراج مـی نمایـد [26]. در الگوریتم ژنتیک هر راهحل توسـط یـک رشـته بـه نـامکروموزوم نمایش داده میشود.
دراین مقاله الگوریتم ژنتیک بـرای قطعـهبنـدی تـصویربصورت زیر طراحی شده است:
کرومزوم: مطابق شکل 3، کرومز وم در یک جمعیت بـهوسیله یک رشته برداری شاملc بردار مرکزی متناسـببا c کلاستر در نظر گرفته میشود.

vc1 vc2


vcj … vcn

شکل 3- تصویر کرومزوم و ژنها

جمعیت اولیه : جمعیت اولیه به نحوی ساخته مـیشـودکه بردارهای مرکزی در هر کرومـزوم بطـور تـصادفی ازمحدودههایی با بیشترین تعداد پیکسل انتخاب گردنـد.
تعداد کرومزوم ها در یک جمعیت در حدود 20 تا 50 وبا توجه به تصویر در نظر گرفته میشود.
ارزش گذاری : جهت استفاده از الگـوریتم ژنتیـک، لازماست یک تابع هدف برای هـدایت الگـوریتم بـه سـمتجواب بهینـه، تعریـف گـردد. در ایـن مقالـه ارزش هـرکرومزوم با تابع هدف رابطه (9) تعیین میشود.
عملگرهای ژنتیک : در این مقالـه از روش چـرخ رولـتبرای عملگر انتخاب استفاده شـده اسـت. در ایـن روشاحتمــال انتخــاب هــر کرومــزوم متناســب بــا مقــدارشایستگی آن میباشد. از عملگر تقـاطع بـا یـک نقطـهبرش و نیز عملگر جهـش جهـت جلـوگیری از انتخـاببهینههای محلی استفاده شده است.
تابع هدف: تابع هدف Jm(p,vc) بصورت زیر است.

J m (p,vc)=∑∑cn pijmµ(vci ,v j ) (13)
i= =1 j 1

پارامترهای این رابطه در بخـش 2-2 معرفـی شـدهانـد .
طراحی و اجرای فرآیند جستجو که بوسیلهJm کنتـرلمیشود، سبب میگردد تا بهترینvc مطابق با بهتـرینc-partition محاسبه گردد.
شرط توقف : الگوریتم ژنتیک تا زمانی تکرار میشود کهشرط توقف حاصل گردد. شرط توقـف در ایـن تحقیـق بصورت شرط پویـا در نظـر گرفتـه شـده اسـت. بـدینصورت که اگر بهبودی در میزان تابع هـدف تـا قبـل ازتکرار مشخص که صد نسل در نظر گرفته شده است رخندهد، الگوریتم متوقف میشود و در غیر اینصورت تکرارتا نسل صدم ادامه مییابد.
2-3- عمل فیلتر
به دلیل پیچیدگی تصاویر بـا قـدرت تفکیـک بـالا،استخراج عوارضی چـون نـواحی آب و خـشکی پـس ازقطعه بندی، اغلب با مـشکلاتی همـراه مـیباشـد . بـرایمثال اشیاء غیـر آبـی نظیـر کـشتی بـهعنـوان خـشکی طبقهبندی می شوند. جهت جلوگیری از بروز این موارد،فیلتر مرفولوژی دوتایی9 استفاده گردیده تـا در تـصاویر تقسیمبندی شده عوارض نامطلوب حذف شوند [28].
ترکیبات مناسب عملگرهـای مرفولـوژی دوتـایی نظیـرانبساط و انقباض میبایـست بـسته بـه شـکل عـوارضنامطلوب انتخاب شوند. الگوریتم بسته شـدن 10 بـرای ازبین بردن نویزهـا در ایـن تحقیـق مـورد اسـتفاده قـرارگرفته است.

2-4- استخراج خط ساحلی در این تحقیق، و برای تعیین مرزخشکی و آب یـکالگوریتم مرز بندی11 طراحی شد که در آن بـا اسـتفادهاز 8 پیکسل همسایه، پیکسلهای پیرامون ناحیـه مـرزی از رابطه (14) محاسبه میشوند.

N (14)

در رابطه فوق (N(p تعداد همسایههای هم نوعp اسـت. شکل 4 آرایش همسایهها را برای هـر پیکـسل نمـایش میدهد.

شکل 4- آرایش 8 همسایه

3- پیاده سازی
1268732112263Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

1268732112263Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

روش پیشنهادی برای اسـتخراج اتوماتیـک خطـوطساحلی و مرز بین خشکی و دریا روی یک تصویر نمونهاجرا شده است. بدین منظور از تصاویر آیکنوس استفاده گردیــد. تــصویر مــورد اســتفاده دارای 256 در 256پیکسل بوده و ترکیبی از سه رنـگ قرمـز، آبـی و سـبزاسـت. ایـن تـصویر بـصورت هندسـی تـصحیح و دارای سیستم تصویر UTM میباشد (شکل 5).

شکل 5- تصویر آیکنوس استفاده شده

آنالیز هیستوگرام برای تصویر مورد نظر انجام گرفت تـاتعداد کلاسترها مـشخص گـردد. جهـت تعیـین تعـدادکلاسترها بایستی تعداد قلههای موجود در هیـستوگرامو تغییرات ناگهانی مبنا قرار گیرند که بـدین منظـور ازیک حد آستانه (عدد 500) برای تعیین تعداد کلاسترهااستفاده گردید (شکل 6). تغییرات کوچکتر از این مقدارمیتواند ناشی از خطاها و تغییـرات کوچـک موجـود درتصویر باش ند. در صورت در نظر گرفتن تغییرات جزئـیبهعنوان کلاستر جدیـد، عـلاوه بـر بـزرگ شـدن طـولکروموزومها و افزایش حجم عملیـات، تعـداد کلاسـترهابصورت غیر واقعـی افـزایش یافتـه و بیـشتر از عـوارضموجود در منطقه میشود کـه نهایتـا منجـر بـه تلفیـقکلاسترهای مشابه خواهد شد.

شکل 6- هیستوگرام مربوط به تصویرمورد مطالعه

همانطور که در هیستوگرام بالا مشاهده میشود، دو قلهقابــل تــشخیص بــوده بنــابراین تعــداد کلاســترها دو مـیباشـد. بـدین ترتیـب کرومزومهـا بایـستی از 6 ژن تشکیل یابند.
در مرحله بعد تصویر توسط الگوریتم قطعهبنـدی فـازیجزء به جزء گردید. پـس از بررسـی ترکیبـات مختلـفپارامترهای 1k و 2k (که بـهعنـوان مقـادیر ثابـت رابطـه(10) معرفی میشوند) مقادیری معـادل 0.2 و 0.0001 بترتیب در نظر گرفته شدند.
بــرای ایجــاد تناســب بــین دو پــارامتر دقــت و زمــان محاسبات، انـدازه جمعیـت اولیـه 30 و حـداکثر تعـدادتکرار برای توقف 100 در نظر گرفته شد. البته در عملبا توجه بـه اینکـه شـرط فعـال بـرای توقـف الگـوریتماستفاده گردیده اسـت، پروسـه تکـرار بـه مرحلـه 100 نمیرسد و قبل از آن الگوریتم به وضعیت پایدار رسیده و متوقف میشود. در ایـن تحقیـق وضـعیت پایـدار بـهصورت تغییرکمتر از 5% سازگاری برای 5 تکرار متـوالیتعریف شده است.
مقایسه تصویر حاصل (شکل7) با تـصویر اولیـه نـشانگرتقسیم کل تصویر به دو ناحیه خشکی و دریـا اسـت. در صــورتیکه تعــداد کلاســترهای تعیــین شــده توســطهیستوگرام بیش از دو کلاس باشد، بـا تلفیـق کلاسـهامیتوان به 2 کلاس خشکی و دریا و در نتیجه مرز بینآنها رسید.

شکل 7- تصویر حاصل ازقطعه بندی فازی

همانطور که در شکل 7 ملاحظه میشود، نقاط سیاه در نواحی سفید و بالعکس وجود دارند که برای حذف این پیکسلهای نویز، عملگر مرفولوژی دوتایی بسته شدن (برای پر کردن گودالها و حذف نویزها) بکار گرفته شد.
شکل 8 نشان دهنده نواحی همگن خشکی و نواحی همگن دریا پس از استفاده از فیلترمربعی با طول 3 پیکسل است.

شکل 8- تصویر حاصل از قطعه بندی پس از حذف نویز

شکل 10- قسمتی از خط مبنا با سه لایه بافری
بدین ترتیب مرز بین خشکی و دریـا بوسـیله الگـوریتمآستانه گذاری استخراج گردید. در شکل 9 مرز استخراجشده روی تصویر اصلی نشان داده شده است.

شکل 9- خط مرزی استخراج شده بر روی تصویر اولیه

4- ارزیابی نتایج
استفاده از روشهای بصری یکی از روشهای متـداول جه ت مقای سه نت ایج حاص ل از اس تخراج خودک ار و دادههای مبنا میباشـد . بـا توجـه بـه اینکـه مـرز بـینخشکی و آب در تصویر مرز لحظهای بوده کـه پیوسـتهدستخوش تغییرات مـیباشـ د، تعیـین آن بعنـوان مـرزخشکی و آب و نیز ارزیابی نتایج حاصل دشوار است . لذا در این تحقیق، برای ارزیابی نتایج الگوریتم پیـشنهادی از حریمی چند پیکسلی اطـراف خـط مـرزی لحظـهای استفاده شد [29]. در این روش بافرهـایی بـه عـرض 1 پیکسل برای عارضه مبنا در نظر گرفته میشود و خـطساحلی استخراجی با مجموعه یک تـا چهـار لایـه بـافرعارضه مبنا مقایسه میگردد. در این تحقیـق از 3 لایـهبافر یک پیکسلی حول خط مرزی استخراج شده دستیمطابق شکل 10 استفاده شده است.

1268732112263Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

جهت ارزیابی کمی، محاسبه مقدار خطای کمیـسیون12و خطای از دست رفتگی13 ضروری است.
خطای کمیسیون که در شکل 11 مشخص شده اسـت،بصورت نسبت تعداد پیکسلهای استخراج خودکـار کـهدر ناحیه بافری خط مبنـا قـرار ندارنـد، بـه تعـداد کـلپیکسلهای استخراج خودکار تعریف میشود.
خطای از دست رفتگی که در شکل 11 نشان داده شدهاست، بیانگر نسبت تعداد آن دسته از پیکـسلهای خـطمبنا که هیچ یک از لایههـای بـافری آنهـا شـامل خـطاستخراج خودکار نیست، به تعداد کل پیکـسلهای خـطمبنا میباشد.

شکل 11- نمایش خط استخراج خودکار و خطاها

مق دار خط ای کمی سیون اس تخراج خودک ار مطــابقالگوریتم ارائه شده در این مقاله 4.5% و خطای از دسترفتگی 3.5% محاسبه شده است که خطوط اسـتخراجیحدود 95% بر محـدوده بـافر سـه پپکـسلی خـط مبنـامنطبق است . فراوانی نسبی پیکـسلهـای صـحیح رویخط مبنا 18.2% و فر اوانی نسبی پیکسلهای من طبق بربافرهای اول، دوم و سـوم بـه ترتیـب 28.7%، 31.6% و 16.3 % اس ت. فراوان ی ن سبی پیک سله ای خ ارج از محدوده سه بافری 5.1% میباشد.
میانگین تفاوت خط استخراج شده توسط این الگـوریتمبا محدوده خط مبنا تقریبا یک پیکسل میباشد. 5- نتیجه گیری
در روش ارائه شده، استخراج خطوط سـاحلی بطـوراتوماتیـــک از تـــصاویر آیکنـــوس بارزســـازی شـــدهپانکروماتیک انجام گرفت. نوآوری این روش در استفادهاز الگوریتم هـای تقـسیمبنـدی فـازی اسـت کـه آنـالیزهیستوگرام و الگوریتم ژنتیک را بطور اتوماتیک بـا هـمتلفیق کرده و نیازی به مشخص نمودن خطوط سـاحلیبصورت دستی نمیباشد.
این الگـوریتم بـر پایـه ایـدهای از c-partition فـازی وترکیب آن با آنالیز هیستوگرام رنگ و الگوریتم ژنتیـکبرای حل مساله قطعهبندی تـصویر رنگـی ایجـاد شـدهاست. مراحل انجام روش پیشنهادی به شرح زیر است:
بکارگیری آنالیز هیستوگرام رنگ جهت تعیین تعدادگروههای تصویر رنگی
قطعهبنـدی فـازی جهـت تقـسیمبنـدی تـصویر بـهکلاسترهای همگن
حذف نویز بوسیله عملگر بسته شدن مرفولوژی و
تعیین مرز بین خشکی و آب الگوریتم با استفاده از تصاویر آیکنـوس کـه مربـوط بـهمنطقه کنارک در چابهار ایران میباشـد، ارزیـابی شـد.
نتیجه این ارزیابی نشان داد کـه میـانگین تفـاوت خـطاستخراج شده توسط این الگوریتم با محدوده خط مبنـاتقریبا یک پیکسل میباشد. لازم به ذکر است کـه مـرزبین خشکی و آب در تـصویر، مـرز لحظـهای بـوده کـهپیوسته دستخوش تغییرات میشـود . بنـابراین، تعیـیناین مرز بهعنوان مرز خشکی و آب و نیز ارزیـابی نتـایجآن دارای پیچیدگی هایی بوده که حتی با در نظر گرفتن این امر، ارزیابی نتایج کار دشواری است. در نظر گرفتنبافرهای چند پیکسلی اطراف خط مـرزی لحظـهای بـهبهبود کیفیت ارزیابی نتایج کمک شایانی نمود.
از آنجا که استخراج اتوماتیک خطوط ساحلی از تصاویرمـاهواره ای بـا قـدرت تفکیـک بـالا بـه دلیـل عـواملی همچون امواج سطح اقیانوس، ساختار ساحلی و سایه هـاو مغایرت کم بین آب و خـشکی بـسیار مـشکل اسـت،نقش ناظر انسانی در استخراج خطوط ساحلی از تصاویر
1268732112263Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017

Downloaded from marine-eng.ir at 17:18 +0330 on Monday October 30th 2017



قیمت: تومان

دسته بندی : مهندسی دریا و بندر

دیدگاهتان را بنویسید