همجوشی تصویر چندطیفی مبتنی بر MRF با استفاده از یک رویکرد تطبیقی ​​بر اساس درون یابی هدایت شونده لبه

در تفسیر تصاویر سنجش از دور، ممکن است برخی از تصاویری که توسط سنسورهای مختلف ارائه می شود نامفهوم شود.. برای درک بصری بهتر این تصاویر، انجام یک سری اصلاحات اولیه و پیش پردازش و سپس انجام یک سری مراحل اصلی پردازش برای تجزیه و تحلیل دقیق تر روی تصاویر ضروری است. چندین روش برای پردازش وجود دارد که به نوع تصاویر سنجش از دور بستگی دارد. رویکرد مورد بحث در این مقاله، یعنی همجوشی تصویر، استفاده از رنگ های طبیعی یک تصویر نوری برای افزودن رنگ به تصویر ماهواره ای در مقیاس خاکستری است که به ما امکان مشاهده بهتر تصویر HR سنسور OLI لندست-8 را می دهد. این فرآیند با تاکید بر جزئیات تکنیک فیوژن قبلا انجام شده است. با این حال، ما قصد داریم مفهوم فرآیند درون یابی را اعمال کنیم. در حقیقت، ما بسیاری از ابزارهای نرم افزاری مهم مانند ENVI و ERDAS را به عنوان معروف ترین ابزارهای پردازش تصویر سنجش از راه دور می بینیم که تنها دارای تکنیک های درون یابی کلاسیک هستند (مانند دو خطی (BL) و کانولوشن دو مکعبی/مکعبی (CC)). بنابراین، تحقیقات مبتنی بر ENVI و ERDAS در حوزه همجوشی تصویر و حتی سایر تحقیقات فیوژن اغلب از درون یابی جدید و بهتر استفاده نمی کنند و عمدتاً بر روی جزئیات الگوریتم فیوژن برای دستیابی به کیفیت بهتر متمرکز هستند، بنابراین ما فقط بر تأثیر درون یابی تمرکز می کنیم. کیفیت همجوشی در تصاویر چند طیفی Landsat-8. ویژگی مهم این رویکرد استفاده از روش درون یابی آماری، تطبیقی ​​و هدایت لبه برای بهبود کیفیت رنگ در تصاویر در عمل است.

کلید واژه ها

همجوشی تصاویر ماهواره ای ، درونیابی آماری ، تصاویر چندطیفی ، میدان تصادفی مارکوف (MRF) ، تکنیک همجوشی تصویر شدت-رنگ-اشباع (IHS) ، آمار حس طبیعی (NSS) ، تخمین خطای حداقل میانگین مربعات خطی (LMMSE)

1. مقدمه

پردازش تصاویر سنجش از دور راهی برای دستیابی به اطلاعات در کاربردهای مختلف علوم زمین است. این تصاویر به طور گسترده در زمینه های مختلف از جمله جغرافیای فیزیکی و مطالعات فتوگرامتری ماهواره ای، مطالعه تغییرات آب و هوا، فیزیک زمین و مهندسی سریع زمین، هیدرولوژی و فرسایش خاک، مطالعات جنگل و زمینه های مختلف کشاورزی استفاده می شود. تصاویر سنجش از دور دارای انواع مختلفی مانند عکس های زمینی، عکس های هوابرد و تصاویر ماهواره ای هستند. تصاویر ماهواره ای را می توان به تصاویر در ناحیه مرئی (تصاویر نوری)، تصاویر حرارتی (مادون قرمز)، تصاویر راداری و تصاویر لیزری و غیره تقسیم کرد. برای درک بصری بهتر تصاویر، انجام یک سری از پیش پردازش ها و اصلاحات اولیه و سپس اجرای یک سری فرآیندهای اصلی برای تجزیه و تحلیل دقیق تر روی تصویر ضروری است.1] . هر یک از این تصاویر با ابزار خاصی ارائه شده و برای برخی کاربردهای خاص استفاده می شود. به عنوان مثال، تصاویر قابل مشاهده در بسیاری از کاربردها که نیاز به رنگ طبیعی دارند، مناسب هستند. مشکل تصاویر قابل مشاهده این است که تمام اطلاعات سطح در دسترس نیست و این دلیلی برای استفاده از تصاویر سایر سنسورها است. در مناطق قابل مشاهده، کیفیت تصویر در آب و هوای بد و شب تاریک نامناسب است، زیرا از سیستم های تصویربرداری غیرفعال در نوری ترین سنسورها استفاده می شود. تصاویر حرارتی اغلب در طیف فرکانس مادون قرمز (IR) ارائه می شوند و معمولاً در مطالعات گرمایش و تغییر دمای زمین استفاده می شوند. مشکل اصلی این تصاویر، دقت فضایی کمتر حسگرهای IR در مقایسه با حسگر نوری است. با این حال،2 ] .

چندین ماهواره سنجش از دور برای ماموریت های مختلف به فضا پرتاب شده اند. روی هر یک از این ماهواره ها یک یا چند حسگر برای اهداف مختلف قرار می گیرد. با توجه به موارد استفاده، هر سنسور در برخی از باندهای فرکانسی خاص عکس می گیرد و اطلاعات متناسب را به ما می دهد. سری ماهواره های لندست از یک گروه 8 ماهواره ای (در حال حاضر) توسط ناسا و USGS ساخته شده است و از سال 1972 پرتاب شده اند. اخیراً ماهواره های Landsat-7 و Landsat-8 فعال هستند (در دسترس هستند) که در سال 1999 پرتاب شده اند و 2013 به ترتیب.

محبوب ترین ماهواره این گروه Landsat-7 است و سنسور چند طیفی آن با نام ETM+ یکی از محبوب ترین سنسورهای سنجش از دور در جهان است. ماهواره Landsat-8 حداقل برای یک ماموریت ده ساله در نظر گرفته شده و دو حسگر چند طیفی روی آن قرار داده شده است. این دو حسگر OLI و TIRS نامگذاری شدند و به ترتیب در نه و دو باند فرکانسی تصاویر را ارائه می دهند. سنسور OLI تصاویر چندطیفی را ارائه می‌کند که تقریباً همه باندهای ETM+ را در خود دارد. با این حال، آنها در SNR و وضوح فضایی بهبود یافته اند. این سنسور به صورت مرئی و IR عکس می گیرد و سنسور TIRS که به عنوان سنسور حرارتی در نظر گرفته می شود فقط در دو باند IR عکس می گیرد. برخی از باندهای سنسور OLI در جدول 1 ارائه شده است. Lansat-8 داده های مکانی را با وضوح متوسط ​​(30 متر) جمع آوری می کند. سنسور حرارتی TIRS دارای وضوح 100 متر در هر دو باند فرکانسی خود است که این وضوح یک دقت ضعیف در نظر گرفته می شود. تصاویر Landsat-8 به صورت رایگان در دسترس هستند و فرمت آنها Geo-TIFF است، یک فرمت فایل برای ذخیره سازی بدون تلفات که دارای ارجاع جغرافیایی است. بنابراین، آنها نیازی به اصلاحات هندسی ندارند. ترکیب باندهای 2، 3 و 4 تصویری قابل مشاهده با وضوح 30 متر ایجاد می کند و باند هشتم که دارای وسیع ترین طیف نور مرئی است (حدود دو سوم طیف را شامل می شود) دارای وضوح 15 متر است (هر پیکسل 225 متر مربع را نشان می ^دهد . زمین)، بنابراین وضوح خوبی دارد همانطور که در جدول 1 مشاهده می شود. این باند پانکروماتیک نامیده می شود و به عنوان بالاترین باند وضوح در سنسور OLI در نظر گرفته می شود [ 3 ].

به شرح زیر، برخی از رویکردهای همجوشی را مرور می کنیم، اما به دلیل تمرکز بر روی فرآیند دیگری (یعنی درون یابی [ 4 ] [ 5 ] [ 6 ])، این نمای کلی کوتاه خواهد بود. ماهواره‌های سنجش از دور اپتیکال/غیرفعال تصاویر چندطیفی (MS) و پانکروماتیک (PAN) را ارائه می‌کنند که دارای وضوح/دقت مکانی، طیفی، رادیومتری و زمانی متفاوت هستند. تصاویر چند طیفی دارای اطلاعات طیفی بالا و اطلاعات مکانی کم هستند، در حالی که تصویر PAN دارای اطلاعات طیفی پایین و فضایی بالا است. ادغام تصاویر چند طیفی با وضوح پایین (فضایی) و تصاویر PAN با وضوح بالا (فضایی) یک مشکل داغ بوده است. تصویر MS مصنوعی با وضوح فضایی و طیفی بالا می‌تواند قابلیت‌های تفسیری و نتایج قابل اعتمادتری را ارائه دهد.7 ] [ 8 ] . در طول دو دهه گذشته، رویکردهای فیوژن مختلفی توسعه یافته است. این روش ها عمدتا به چهار دسته تقسیم می شوند: روش های مبتنی بر جایگزینی طرح ریزی، روش های مشارکت طیفی نسبی، روش های همجوشی مبتنی بر ARSIS و روش های مبتنی بر مدل [ 8 ] [ 9 ]. در [ 9] تفاوت های بین این طرح ها به صراحت توضیح داده شده است. بقیه این مقاله به شرح زیر سازماندهی شده است. بخش دوم مبانی روش پیشنهادی را بیان می کند، بخش سوم یک الگوریتم درون یابی خاص با عنوان برآورد خطای حداقل میانگین مربعات خطی (LMMSE) را مرور می کند، بخش چهارم ایده پیشنهادی برای ترکیب بهتر تصویر در سنسور Landsat-8 را ارزیابی می کند و بخش نهایی نتیجه گیری از تمام موضوعات مورد بحث در این مقاله.

2. مبانی و بینشی در مورد روش پیشنهادی

دو رویکرد اصلی در رنگ آمیزی تصاویر در مقیاس خاکستری وجود دارد. رویکرد اول شامل روش هایی است که از رنگ مجازی برای تولید تصاویر رنگی استفاده می کند. هنوز تنها راه رنگ آمیزی در برخی کاربردهای خاص، استفاده از این تکنیک ها است، اگرچه آنها عمدتاً قدیمی هستند. رویکرد دوم شامل روش هایی است که از یک تصویر رنگی دیگر برای تولید رنگ در یک تصویر در مقیاس خاکستری استفاده می کند. به طور کلی، این تصویر رنگی ممکن است توسط ابزارهای دیگر یا همان ابزار تولید شود. در این مقاله روش دوم بررسی می شود یعنی می خواهیم تصویر سیاه و سفید را با یک تصویر رنگی که توسط همان سنسور ارائه شده است رنگی کنیم. این فرآیند ادغام تصویر MS یا پان شارپنینگ نام دارد و قبلا با تاکید بر جزئیات تکنیک فیوژن انجام شده است. اما قصد داریم مفهوم فرآیند درون یابی را که در مطالعات گذشته مورد توجه قرار نگرفته به کار ببریم. در واقع می بینیم که بسیاری از ابزارهای نرم افزاری مهم مانند ENVI و ERDAS به عنوان معروف ترین ابزارهای پردازش تصویر سنجش از دور تنها دارای تکنیک های درون یابی کلاسیک (مانند BL و CC) هستند و در نتیجه تحقیقات مبتنی بر ENVI و ERDAS در زمینه ترکیب تصاویر و حتی حتی سایر تحقیقات فیوژن اغلب از درون یاب های جدید و بهتر استفاده نمی کنند. بنابراین ما فقط بر تاثیر درون یابی در کیفیت همجوشی در یک برنامه خاص، یعنی تصاویر چند طیفی Landsat تمرکز می کنیم. بدیهی است که این تصاویر نیازی به اصلاحات هندسی ندارند زیرا توسط همان سنسور تهیه شده اند. نکته مهم در این تصاویر تلفیق تصاویر با وضوح بالا و متوسط ​​است. ما از یک روش مبتنی بر ابتدایی به نام IHS استفاده می کنیم. در واقع می بینیم که بسیاری از ابزارهای نرم افزاری مهم مانند ENVI و ERDAS به عنوان معروف ترین ابزارهای پردازش تصویر سنجش از دور تنها دارای تکنیک های درون یابی کلاسیک (مانند BL و CC) هستند و در نتیجه تحقیقات مبتنی بر ENVI و ERDAS در زمینه ترکیب تصاویر و حتی حتی سایر تحقیقات فیوژن اغلب از درون یاب های جدید و بهتر استفاده نمی کنند. بنابراین ما فقط بر تاثیر درون یابی در کیفیت همجوشی در یک برنامه خاص، یعنی تصاویر چند طیفی Landsat تمرکز می کنیم. بدیهی است که این تصاویر نیازی به اصلاحات هندسی ندارند زیرا توسط همان سنسور تهیه شده اند. نکته مهم در این تصاویر تلفیق تصاویر با وضوح بالا و متوسط ​​است. ما از یک روش مبتنی بر ابتدایی به نام IHS استفاده می کنیم. در واقع می بینیم که بسیاری از ابزارهای نرم افزاری مهم مانند ENVI و ERDAS به عنوان معروف ترین ابزارهای پردازش تصویر سنجش از دور تنها دارای تکنیک های درون یابی کلاسیک (مانند BL و CC) هستند و در نتیجه تحقیقات مبتنی بر ENVI و ERDAS در زمینه ترکیب تصاویر و حتی حتی سایر تحقیقات فیوژن اغلب از درون یاب های جدید و بهتر استفاده نمی کنند. بنابراین ما فقط بر تاثیر درون یابی در کیفیت همجوشی در یک برنامه خاص، یعنی تصاویر چند طیفی Landsat تمرکز می کنیم. بدیهی است که این تصاویر نیازی به اصلاحات هندسی ندارند زیرا توسط همان سنسور تهیه شده اند. نکته مهم در این تصاویر تلفیق تصاویر با وضوح بالا و متوسط ​​است. ما از یک روش مبتنی بر ابتدایی به نام IHS استفاده می کنیم. ما می بینیم که بسیاری از ابزارهای نرم افزاری مهم مانند ENVI و ERDAS به عنوان معروف ترین ابزارهای پردازش تصویر سنجش از راه دور تنها دارای تکنیک های درون یابی کلاسیک (مانند BL و CC) هستند و بنابراین تحقیقات مبتنی بر ENVI و ERDAS در حوزه ادغام تصویر و حتی سایر تحقیقات فیوژن اغلب از درون یابی های جدید و بهتر استفاده نمی کنند. بنابراین ما فقط بر تاثیر درون یابی در کیفیت همجوشی در یک برنامه خاص، یعنی تصاویر چند طیفی Landsat تمرکز می کنیم. بدیهی است که این تصاویر نیازی به اصلاحات هندسی ندارند زیرا توسط همان سنسور تهیه شده اند. نکته مهم در این تصاویر تلفیق تصاویر با وضوح بالا و متوسط ​​است. ما از یک روش مبتنی بر ابتدایی به نام IHS استفاده می کنیم. ما می بینیم که بسیاری از ابزارهای نرم افزاری مهم مانند ENVI و ERDAS به عنوان معروف ترین ابزارهای پردازش تصویر سنجش از راه دور تنها دارای تکنیک های درون یابی کلاسیک (مانند BL و CC) هستند و بنابراین تحقیقات مبتنی بر ENVI و ERDAS در حوزه ادغام تصویر و حتی سایر تحقیقات فیوژن اغلب از درون یابی های جدید و بهتر استفاده نمی کنند. بنابراین ما فقط بر تاثیر درون یابی در کیفیت همجوشی در یک برنامه خاص، یعنی تصاویر چند طیفی Landsat تمرکز می کنیم. بدیهی است که این تصاویر نیازی به اصلاحات هندسی ندارند زیرا توسط همان سنسور تهیه شده اند. نکته مهم در این تصاویر تلفیق تصاویر با وضوح بالا و متوسط ​​است. ما از یک روش مبتنی بر ابتدایی به نام IHS استفاده می کنیم. نکته مهم در این تصاویر تلفیق تصاویر با وضوح بالا و متوسط ​​است. ما از یک روش مبتنی بر ابتدایی به نام IHS استفاده می کنیم. نکته مهم در این تصاویر تلفیق تصاویر با وضوح بالا و متوسط ​​است. ما از یک روش مبتنی بر ابتدایی به نام IHS استفاده می کنیم.10 ] برای فرآیند تولید رنگ در تصاویر بی رنگ. شکل 1 مراحل پردازش کلی در ادغام تصویر و همچنین تکنیک فیوژن IHS را نشان می دهد که در اینجا استفاده شده است. ما اهمیت درون یابی را در این شکل به عنوان یک فرآیند داخلی نشان داده ایم. طبق تکنیک IHS، تصویر رنگی را از فضای رنگی RGB به HSI تبدیل می کنیم. سپس اطلاعات رنگی که در اعطای رنگ و اشباع هستند گرفته شده و پس از تغییر اندازه با تصویر پانکروماتیک، با این تصویر ترکیب شده و نتیجه دوباره به فضای RGB تبدیل می شود. تغییر رنگ در فضاهای رنگی مختلف راه های مختلفی دارد. با توجه به استفاده از مدل فضای رنگی HSI (HSV) در این مقاله [ 11 ] [ 12 ]،

روش Kruse and Raines [ 13 ] که برای تصاویر USGS بهینه است، برای پردازش IHS استفاده می شود.

بنابراین علاوه بر روش IHS، باید به سوال دیگری نیز پاسخ داد که مسئله تغییر اندازه است [ 14 ]. این امر با استفاده از الگوریتم درونیابی خاص بر اساس یک برآورد خطی آماری امکان پذیر است. ویژگی این روش در مقایسه با روش درون یابی سنتی مانند روش CC در نظر گرفتن این نکته است که تصاویر Landsat را می توان به عنوان تصاویری با رفتار مبتنی بر MRF در جغرافیایی ترین مناطق در نظر گرفت. در مجموع، همه روش‌های درون‌یابی اغلب بر اساس نوعی میانگین‌گیری آماری کار می‌کنند و این عمل مشابه فیلتر پایین‌گذر (LPF) است، بنابراین باید روش‌های بهتری را در تخمین داده‌های از دست رفته جستجو کرد. روش ها باید از اطلاعات موثر برای تخمین تمام پیکسل های همبسته استفاده کنند (با ضریب تاثیر مناسب، به شکل 2 مراجعه کنید.(آ)).

3. LMMSE Interpolator

در این بخش، در مورد روش درونیابی LMMSE که در [ 15 ] ارائه شد، بحث می کنیم، این طرح یک طرح آماری هدایت لبه است و از چهار تا شش همسایه نزدیک برای تخمین پیکسل ها استفاده می کند و بنابراین با تصاویر مبتنی بر MRF تناسب خوبی دارد. در شکل 2 مشاهده می شود(آ). نکته مهم در مورد LMMSE، رویکرد تطبیقی ​​در LMMSE در مقایسه با طرح‌های کلاسیک مانند تکنیک کانولوشن مکعبی (CC) است که از شانزده همسایه نزدیک برای تخمین پیکسل استفاده می‌کند. و دو خطی (BL) که تنها با استفاده از چهار همسایه نزدیک، پیکسل هدف را تخمین می زند، بنابراین طرحی ساده و مناسب برای تصاویر مبتنی بر MRF از نظر پیچیدگی محاسباتی و تأثیر پیکسل های همسایه است، اما اینطور نیست. تطبیقی ​​زیرا نتایج تجربی بر اساس مقیاس خاکستری و تصاویر رنگی نشان می دهد که BL در عمل عمدتا ضعیف تر از CC است. خروجی های [ 15] ثابت کنید LMMSE در تصاویر سیاه و سفید بهتر از CC است و همچنین در روش ترکیبی IHS (به عنوان فرآیند فضای رنگی) نشان خواهیم داد که LMMSE دوباره از CC بهتر است. در این مطالعه، باید تصاویر چهار برابر بزرگ‌تر از تصاویر دو اسناد رنگی با وضوح 30 متر بسازیم (یعنی هر یک از ابعاد آنها دو برابر کوچکتر از تصویر برابر با مقیاس خاکستری است). برای رسیدن به این هدف، باید 75 درصد از پیکسل ها را با استفاده از 25 درصد آنها تخمین بزنیم. چندین روش درونیابی برای این تخمین وجود دارد اما در این کاربرد خاص با در نظر گرفتن استفاده از تبدیل خطی افین برای تغییر اندازه/نمونه‌برداری مجدد. بنابراین، می‌توانیم از درون‌یابی منظم مبتنی بر تخمین آماری استفاده کنیم که از LMMSE مشتق شده است (در برخی متون با عنوان DFDF [ 15 ] [ 16 ] [ 17 ]]). شکل 2 (ب) انتقال پیکسل های تصویر را در اندازه های کوچکتر به فضایی 4 برابر بزرگتر نشان می دهد. در ادامه این قسمت به برآورد آماری LMMSE می پردازیم. همانطور که در شکل 3 (ب) مشاهده می شود، برای محاسبه مقدار جهت پیکسل های موجود، ابتدا در دو زاویه 45 و 135 درجه، دو مقدار متوسط ​​برای پیکسل نمونه در مکان x _h (2i, 2j) و موقعیت های یکسان خواهد بود. محاسبه شده که x ₄₅ و x ₁₃₅ نامگذاری شده اند و از رابطه (1) به دست می آیند. حال می‌توانیم دو مقدار خطا برای این دو جهت معرفی کنیم و در محاسبات بعدی از آن‌ها استفاده کنیم. معادله (2) مقادیر خطای مورد نظر را نشان می دهد. در معادله (2)، x _h (2i، 2j) یا به طور خلاصه x _hوجود ندارد، اما می توان در این نقطه به دست آورد که خطای تخمین حداقل می شود. ما تخمین x _h را x’ _h نام گذاری می کنیم و این تخمین را می توان به این صورت بدست آورد که خطاها به حداقل برسد. بنابراین بر اساس روش LMMSE، برای دستیابی به چنین نتایجی، طبق رابطه (3)، x’h را _می توان به عنوان ترکیب خطی وزن های w ₄₅ و w ₁₃₅ از x ₄₅ و x ₁₃₅ که خطای تخمین به کمترین مقدار می رسد، شناخت. مقدار با انتخاب وزنه های مناسب w ₄₅ و w ₁₃₅ .

ایکس45=x ( i , j + 1 ) + x ( i + 1 , j )2ایکس135=x ( i , j ) + x ( i + 1 , j + 1 )2x45=x(i,j+1)+x(i+1,j)2×135=x(i,j)+x(i+1,j+1)2(1)

ه45( 2 i , 2 j ) =ایکس45( 2 i , 2 j ) –ایکسساعت( 2 i , 2 j )ه135( 2 i , 2 j ) =ایکس135( 2 i , 2 j ) –ایکسساعت( 2 i , 2 j )e45(2i,2j)=x45(2i,2j)−xh(2i,2j)e135(2i,2j)=x135(2i,2j)−xh(2i,2j)(2)

وزن ها پس از محاسبات لازم به صورت معادله (4) خواهد بود. پس از محاسبه w ₄₅ و w ₁₃₅ ، واریانس های خطای جهت محاسبه می شود و محاسبات واریانس مطابق با رابطه (5) خواهد بود که در آن u، S ₄₅ و S ₁₃₅ به ترتیب از معادلات (6) و (7) به دست می آیند. برای سایر پیکسل‌هایی که در موقعیت‌های دیگر قرار دارند، از دو جهت متعامد (0 و 90 درجه) که مقادیر پیکسل‌ها از قبل در دسترس بوده یا به عنوان نتایج تخمین آماری در شکل 3 (ب) به دست آمده‌اند، پیکسل‌های موجود را تخمین می‌زنیم. ادامه تخمین پیکسل های موجود تا درون یابی کامل همه پیکسل های جدید (75 درصد) که در شکل 3 نشان داده شده است ادامه خواهد یافت.(ج) و شکل 3 (د).

ایکس“ساعت=w45ایکس45+w135ایکس135w45+w135= 1{w45،w135} =arg minw45 + w135 = 1 E{(ایکس“ساعت–ایکسساعت)2}x′h=w45x45+w135x135w45+w135=1{w45,w135}=argminw45 + w135 = 1E{(x′h−xh)2}(3)

w45=σ2(ه135)σ2(ه45) +σ2(ه135)w135=σ2(ه45)σ2(ه45) +σ2(ه135)= 1 –w45w45=σ2(e135)σ2(e45)+σ2(e135)w135=σ2(e45)σ2(e45)+σ2(e135)=1−w45(4)

σ2(ه45) =13∑k = 13(اس45( k ) – u )2σ2(ه135) =13∑k = 13(اس135( k ) – u )2σ2(e45)=13∑k=13(S45(k)−u)2σ2(e135)=13∑k=13(S135(k)−u)2(5)

u =ایکس45+ایکس1352u=x45+x1352(6)

اس45= { x ( i , j + 1 ) ,ایکس“45, x ( i + 1 , j ) }اس135= { x ( i , j ) ,ایکس“135, x ( i + 1 , j + 1 ) }S45={x(i,j+1),x′45,x(i+1,j)}S135={x(i,j),x′135,x(i+1,j+1)}(7)

4. شبیه سازی

برای ارزیابی روش پیشنهادی، دو تصویر پانکروماتیک نشان داده شده در شکل 4 (الف) و شکل 4 (ب)، با وضوح 15 متر، با تصاویر رنگی رنگی شده اند.

از ترکیب باندهای 2، 3، و 4 OLI، با وضوح 30 متر، که در شکل 4 (ج) و شکل 4 (د) نشان داده شده است. خروجی های رنگی (تصاویر ترکیب شده) به ترتیب در شکل 4 (ه) و شکل 4 (f) نشان داده شده است. کیفیت قابل توجه روش پیشنهادی مبتنی بر استفاده از درونیابی مناسب است. اگرچه در ادغام تصاویر MS با استفاده از تکنیک IHS، تصحیح وزن رنگ اغلب به دلیل تأثیر باند IR در پانکروماتیک انجام می شود، [ 10 ] را ببینید.] برای اطلاعات بیشتر، اما در اینجا استفاده نشده است. برای ارزیابی دقیق کیفیت تصاویر، باید از معیارهای مناسب استفاده کنیم. می دانیم که ارزیابی بصری کافی نیست. بنابراین، لازم است از ارزیابی کیفیت متریک (محاسباتی) (QA) در کنار ارزیابی کیفیت بصری استفاده شود. ارزیابی کیفیت متریک که دارای دو نوع QA عینی و QA ذهنی است، خود یک زمینه تحقیقاتی مستقل است و بسیاری از محققان معیارهای مختلفی را برای کاربردهای مختلف در QA تصویر (IQA) پیشنهاد کرده‌اند. معیار ارزیابی کیفیت مورد استفاده در اینجا به نام SSIM، توسط وانگ و همکاران. [ 18 ] . این معیار کاملاً بر اساس سیستم بینایی انسان (HVS) و آمار حس طبیعی (NSS) است [ 19] . SSIM که توسط وانگ ارائه شده است نیز یک متریک مرجع کامل است (به عنوان مثال PNSR به عنوان رایج‌ترین معیار ارزیابی کیفیت برای ارزیابی شباهت یک متریک مرجع کامل است) به این معنی که تصویر اصلی باید در دسترس باشد. و علاوه بر آن تطابق خوبی با HVS ندارد و بنابراین این اپلیکیشن مناسب نیست زیرا تصویر مرجع کاملا در دسترس نیست. این مشکل توسط یانگ و همکاران حل شد. [ 20 ] و امکان استفاده از این معیار در چنین کاربردهایی وجود دارد. شکل 5مجموعه‌ای از پیکسل‌های تصویر خروجی را برای مقایسه با تصویر رنگی اصلی نشان می‌دهد، این فرآیند نمونه‌برداری پایین نامیده می‌شود و روشی رایج برای ارزیابی در پردازش تصویر دیجیتال است. در مجموع، ارزیابی کیفیت متریک دارای سه نوع است: مرجع کامل، مرجع کاهش یافته و بدون مرجع [ 18 ] [ 21 ]. حالت دوم مورد بحث قرار گرفته است

در این مقاله. SSIM در معادله (8) نشان داده شده است. در این معادله مقادیر و σ _x و σ _y به ترتیب انحراف معیار برای آنها هستند و همچنین σ _xy مقادیر کوچک غیر منفی است، اطلاعات بیشتر در این زمینه را در [ 18 ] [ 22 ] ببینید. مقدار SSIM حداقل برابر با 1- یا 0٪ شباهت و حداکثر 1+ است. در SSIM، حداکثر شباهت مربوط به شباهت 1 یا 100٪ (یکنواخت) است. جدول 2 خروجی های SSIM را برای دو تصویر ذوب شده شکل 4 (ه) و شکل 4 نشان می دهد.(و). کیفیت فیوزینگ بر اساس درون یاب LMMSE به وضوح توسط SSIM تایید شده است. این کیفیت فقط تطابق را در رنگ‌های تصویر اصلی و ترکیبی نشان می‌دهد. کیفیت رنگ فیوژن مبتنی بر LMMSE در جدول 2 نشان داده شده است . با این حال، یک پیش الحاق برای LMMSE مانند [ 15 ] برای بهبود عملکرد استفاده شده است، [ 15 ] را در این رابطه ببینید (پیش درون یابی ممکن است یک فرآیند زمان واقعی نباشد). شکل 6 نتایج روش پیشنهادی را در مقایسه با کانولوشن مکعبی (CC) [ 23 ] به عنوان یک روش کلاسیک نشان می دهد [ 24 ].

SSIM =( 2توایکستوy+سی1) ( 2σایکسσy+سی2) (σx y+سی3)(تو2ایکس+تو2y+سی1) (σ2ایکس+σ2y+سی2) (σایکسσy+سی3)SSIM=(2uxuy+C1)(2σxσy+C2)(σxy+C3)(ux2+uy2+C1)(σx2+σy2+C2)(σxσy+C3)(8)

 

منابع

 

[ 1 ]	سالاری، ر.، محسنی، ع.، خسروی، م.ر. و رستمی، ح. (1394) ارزیابی عملکرد فیلترهای تطبیقی ​​آماری و غیرخطی برای کاهش نویز تصاویر SAR. IT2015، تهران.
[ 2 ]	خسروی، محمدرضا، کشاورز، ع.، رستمی، ح. بیستمین کنفرانس سالانه انجمن کامپیوتر ایران، مشهد، 3-5 اسفند 1393، 245-250.
[ 3 ]	https://Landsat.usgs.gov
[ 4 ]	خسروی، محمدرضا و رستمی، ح. (1395) تکنیک آماری جدید برای درونیابی تصاویر لندست. ICAUCAE2016، تهران، 7 مارس 2016، 1-3.
[ 5 ]	Khosravi, MR and Restami, H. (1395) بهبود طرح پنهان سازی داده مبتنی بر واترمارک باینری در تصاویر سنجش از دور. ICAUCAE2016، تهران، 7 مارس 2016، 1-3.
[ 6 ]	خسروی، MR، سالاری، SR و رستمی، H. تحلیل خطای مدل‌سازی در تخمین فضایی تصویر دیجیتال بر اساس الگوریتم LMMSE. مجله ایده های نو در علم و فناوری. (در مطبوعات)
[ 7 ]	Pohl، C. و Genderen، JL (1998) ترکیب تصویر چند سنسوری در سنجش از دور: مفاهیم، ​​روش‌ها و کاربردها. مجله بین المللی سنجش از دور، 19، 823-854. https://doi.org/10.1080/014311698215748
[ 8 ]	توماس، سی، رانچین، تی، والد، ال. و چانوسوت، جی. (2008) سنتز تصاویر چند طیفی به وضوح فضایی بالا: بررسی انتقادی روش‌های همجوشی بر اساس فیزیک سنجش از دور. IEEE Transactions on Geoscience and Remote Sensing, 46, 1301-1312. https://doi.org/10.1109/TGRS.2007.912448
[ 9 ]	Wang, W., Jiao, L. and Yang, S. (2014) ادغام تصاویر چند طیفی و پانکروماتیک از طریق نمایش پراکنده و مدل خودرگرسیون محلی. فیوژن اطلاعات، 20، 73-87.
[ 10 ]	Choi, MJ, Kim, HC, Cho, NI and Kim, HO (2007) یک روش بهبود یافته با شدت-رنگ-اشباع برای فیوژن تصویر IKONOS. مجله بین المللی سنجش از دور، 1-10.
[ 11 ]	مقیمی، م.ک و پورقاسم، ح. (1394) تشخیص سایه بر اساس ترکیبات تجزیه هسنبرگ و تجزیه و تحلیل اجزای اصلی در کاربردهای نظارتی. مجله تحقیقات IETE، 61، 269-284. https://doi.org/10.1080/03772063.2015.1018848
[ 12 ]	مقیمی، م.ک و پورقاسم، ح. (1393) تشخیص سایه بر اساس ترکیبات فضای رنگی HSV و تبدیل متعامد در ویدئوهای نظارتی. کنفرانس سیستم های هوشمند ایران، بم، 4-6 بهمن 1393، 1-6.
[ 13 ]	Kruse, FA and Raines, GL (1984) تکنیک برای افزایش تصاویر رنگی دیجیتال با کشش کنتراست در فضای رنگی Munsell. مجموعه مقالات سمپوزیوم بین المللی سنجش از دور محیط زیست، سومین کنفرانس موضوعی: سنجش از دور برای زمین شناسی اکتشافی، آن آربور، 755-760.
[ 14 ]	Gonzalez, RC and Woods, RE (2008) پردازش تصویر دیجیتال. نسخه سوم، سالن پرنتیس، رودخانه زین بالایی.
[ 15 ]	Zhang, L. and Wu, X. (2006) یک الگوریتم درونیابی تصویر هدایت شده با لبه از طریق فیلتر جهت و ترکیب داده ها. معاملات IEEE در پردازش تصویر، 15، 2226-2238. https://doi.org/10.1109/TIP.2006.877407
[ 16 ]	خسروی، م.ر.، سالاری، ر. و رستمی، ح. (1394) تحلیل خطای مدل سازی در تخمین فضایی تصویر دیجیتال. IT2015، تهران.
[ 17 ]	Luo, L., Chen, Z., Chen, M., Zeng, X. and Xiong, Z. (2010) واترمارک تصویر برگشت پذیر با استفاده از تکنیک درون یابی. IEEE Transactions on Information Forensics and Security، 5، 187-193.
[ 18 ]	Wang, Z., Bovik, AC, Sheikh, HR and Simoncelli, EP (2004) ارزیابی کیفیت تصویر: از دید خطا تا تشابه ساختاری. معاملات IEEE در پردازش تصویر، 13، 600-612.
[ 19 ]	شیخ، منابع انسانی و بوویک، AC (2006) اطلاعات تصویر و کیفیت بصری. معاملات IEEE در پردازش تصویر، 15، 430-444. https://doi.org/10.1109/tip.2005.859378
[ 20 ]	Yang, C., Zhang, JQ, Wang, XR and Liu, X. (2008) یک معیار کیفیت جدید بر اساس شباهت برای ترکیب تصویر. فیوژن اطلاعات، 9، 156-160.
[ 21 ]	Luo, XY, Zhang, J. and Dai, QH (2012) اندازه‌گیری هندسه مبتنی بر برجسته‌سازی برای عملکرد فیوژن تصویر. IEEE Transactions on Instrumentation and Measurement، 61، 1130-1132. https://doi.org/10.1109/tim.2011.2174898
[ 22 ]	Khosravi, MR, Khosravi, A., Shadloo-Jahromi, M. and Keshavarz, A. (2015) یک طرح رنگی جعلی جدید بر اساس محافظت از عمق برای سنسورهای غیرفعال/اپتیکال MR. KBEI2015، تهران، 5-6 آبان 1394، 362-367.
[ 23 ]	Keys, R. (1981) درونیابی کانولوشن مکعبی برای پردازش تصویر دیجیتال. معاملات IEEE در آکوستیک، گفتار و پردازش سیگنال، 29، 1153-1160. https://doi.org/10.1109/TASSP.1981.1163711
[ 24 ]	Wald, L. (1999) برخی از شرایط مرجع در ترکیب داده ها. IEEE Transactions on Geoscience and Remote Sensing، 37، 1190-1193. https://doi.org/10.1109/36.763269
[ 25 ]	Khosravi, MR, Basri, H., Khosravi, A. and Restami, H. (2015) تقسیمات کروی کارآمد انرژی برای مسیریابی مبتنی بر VBF در UWSN های متراکم. KBEI2015، تهران، 5-6 آبان 1394، 362-367.