پیش پردازش تصویر
تصاویر سنجش از دور به صورت خام که از سنسورهای راه دور دریافت میشود ممکن است مخدوش شده یا دارای نقصهایی باشد. عملیات پیش پردازش معمولاً قبل از تفسیر و تجزیه و تحلیل تصویر مورد نیاز است. اساساً دو نوع عملیات پیش پردازش تصویر وجود دارد: کالیبراسیون هندسی و رادیومتری. کالیبراسیون هندسی با هدف حذف اعوجاج هندسی در یک تصویر ناشی از تغییرات هندسی سنسور – زمین (مانند مواردی که ماهوارهها یا هواپیماها از ارتفاع معمولی خود خارج میشوند، یا سنسورهای منحرف کننده از صفحه اصلی فوکوس) و ژئورفرنس تصویر به یک مکان خاص سیستم مختصات نقشه پیش بینی شده به طوری که میتواند با سایر لایههای داده GIS ترکیب شود. کالیبراسیون رادیومتریک شامل تصحیح یک تصویر برای بی نظمی حسگر، تصحیح یک تصویر برای اثرات جوی، یا بازیابی یک تصویر به طوری که به طور دقیق تابش اندازه گیری شده توسط سنسور را نشان دهد. نوع پیش پردازش مورد نیاز برای یک تصویر به کیفیت تصویر و هدف استفاده از دادهها بستگی دارد و در سنسورها بسیار متفاوت است. این بخش فقط برخی از عملیات پیش پردازش تصویر موجود در GIS را معرفی میکند.
کالیبراسیون هندسی
کالیبراسیون هندسی فرآیند تبدیل مختصات تصویر تحریف شده به مختصات تصویر صحیح هندسی است. ممکن است شامل چرخش، بزرگ شدن مجدد، طرح ریزی یا بازتولید تصویر باشد. به طور کلی پیکسل در تصویر اصلاح شده با پیکسل در تصویر تحریف شده اصلی همپوشانی ندارد (شکل 6-8). مقدار پیکسل در تصویر تصحیح شده باید مجدداً بر اساس مقادیر پیکسل اطراف موقعیت تغییر یافته در تصویر اصلی محاسبه شود. این فرایند را نمونه گیری مجدد مینامند. اساساً سه روش برای نمونهگیری مجدد وجود دارد : نزدیکترین همسایه، درونیابی دوخطی و کانولوشن مکعبی.
روش نزدیکترین همسایه مقدار هر پیکسل را در تصویر خروجی تصحیح شده به عنوان مقدار نزدیکترین پیکسل آن (مرکز به مرکز) در تصویر تحریف شده اصلی تعیین میکند. به عنوان مثال طرح آبی پررنگ در شکل 6-8 پیکسل هدف را در تصویر خروجی نشان میدهد. مقدار پیکسل با برچسب a در تصویر ورودی به آن اختصاص داده میشود. روش نزدیکترین همسایه مقدار پیکسلها را تغییر نمیدهد، بنابراین سریع است و یکپارچگی دادهها را حفظ میکند. اما ممکن است در تصویر تصحیح شده ظاهر مسدود کننده ایجاد کند زیرا ویژگیهای تصویر خروجی ممکن است تا نیم پیکسل به صورت مکانی خنثی شوند (شکل 6-9 b).
روش درون یابی دو خطی مقدار پیکسل خروجی تصحیح شده را به عنوان میانگین یا میانگین وزنی فاصله از چهار پیکسل ورودی نزدیک محاسبه میکند. به عنوان مثال پیکسل خروجی هدف درشکل 6-8 به عنوان میانگین مقادیر پیکسلهای برچسب گذاری شده با a و b تعیین میشود. این تصویر صاف تر از روش نزدیکترین همسایه تولید میکند، اما محدوده مقادیر روشنایی تصویر اصلی را تغییر میدهد (شکل 6-9 c).
شکل 6-8 تصویری صحیح از نظر هندسی که روی یک تصویر اصلی با شکل هندسی مخدوش قرار گرفته است.
شکل 6-9 نمونه برداری مجدد از یک تصویر لندست TM: (الف) اصلی، (ب) نزدیکترین همسایه، (ج) درون یابی دو خطی و (د) کانولوشن مکعبی
روش کانولوشن مکعبی مقدار پیکسل اصلاح شده را به عنوان میانگین یا مقدار وزنی فاصله از شانزده پیکسل ورودی نزدیک محاسبه میکند. به عنوان مثال ، پیکسل خروجی هدف درشکل 6-8 به عنوان میانگین مقادیر پیکسلهای برچسب گذاری شده با a ، b و c تعیین میشود. شبیه به درون یابی دو خطی است ، اما از نظر محاسباتی فشرده تر است. این روش یک تصویر را واضح میکند و ممکن است نویز را صاف کند (شکل 6-9 d). هر دو درون یابی دو خطی و پیچیدگی مکعبی شامل تغییر مقادیر پیکسل اصلی هستند ، که ممکن است در تجزیه و تحلیل الگوی طیفی بعدی تصویر مشکلاتی ایجاد کند. برای جلوگیری از این مشکلات، این دو روش اغلب پس از تجزیه و تحلیل الگوی طیفی انجام میشود.
کادر 6-3 نحوه نمایش مجدد تصویر و تغییر اندازه سلول آن در ArcGIS را با استفاده از یکی از روشهای نمونه گیری مجدد در بالا نشان میدهد.
کادر 6-3 بازتاب، چرخش و نمونه برداری مجدد تصاویر در ArcGIS |
کاربردی |
برای پیروی از این مثال، ArcMap را راه اندازی کنید و تصاویرwyle2000.tif و wylc2014.tifایجاد شده در کادر 6-2 را بارگیری کنید. wyle2000.tifو wylc2014.tifبه UTM Zone 55Nبا WGS84پیش بینی شدند. در این مثال، هر دو تصویر به نقشه شبکه استرالیا (MGA) با داده زمین مرکزی استرالیا (GDA94)1994 بازپخش خواهند شد . wyle2000.tif نیز از وضوح 30 متر به وضوح 20 متر نمونه برداری میشود. |
طراحی مجدد تصویر |
1) ArcToolBox را باز کنید. در پنجره ArcToolBox به مسیر Data Management Tools > Projections and Transformations > Raster رفته و روی Project Raster دوبار کلیک کنید. |
2) در گفتگوی Project Raster : |
الف) wyle2000.tif را به عنوان رستر ورودی انتخاب کنید. |
ب) C:\Databases\GIS4EnvSci\WooriYallock\wyle2000mga.tif را به عنوان مجموعه داده رستر خروجی وارد کنید. |
ج) روی دکمه Spatial Reference Properties کلیک کنید. در گفتگوی Spatial Reference Properties، Projected Coordinate Systems > National Grids > Australia را گسترش دهید، Zone 55 GDA 1994 MGA را انتخاب کنید و روی OK کلیک کنید. Zone 55 GDA 1994 MGA به عنوان سیستم مختصات خروجی تنظیم شده است. |
د) NEAREST (نزدیکترین همسایه) را به عنوان روش نمونه گیری مجدد انتخاب کنید. |
ه) روی OK کلیک کنید. تصویر چند باندی بازپخش شده ایجاد شده و به نمای داده اضافه میشود. |
3) مراحل قبلی را برای پروژه مجدد wylc2014.tif به Zone 55 GDA 1994 MGA تکرار کنید و تصویر باز پروژه شده را به صورت
C:\Databases\GIS4EnvSci\WooriYallock\wylc2014mga.tif ذخیره کنید. |
نمونه برداری مجدد از یک تصویر |
4) در پنجره ArcToolBox، به Data Management Tools > Raster > Raster Processing بروید و روی Resample دوبار کلیک کنید. |
5) در گفتگوی Resample : |
الف) wyle2000mga.tif را به عنوان رستر ورودی انتخاب کنید. |
ب) C:\Databases\GIS4EnvSci\WooriYallock\wyle2000mga20.tif را به عنوان مجموعه داده شطرنجی خروجی وارد کنید. |
ج) در هر دو کادر X و Y عدد 20 را وارد کنید. |
د) CUBIC (کانولوشن مکعبی) را به عنوان روش نمونه گیری مجدد انتخاب کنید. |
ه) روی OK کلیک کنید. اندازه پیکسل تصویر چند باند ورودی از 30 متر به 20 متر تغییر میکند. |
برگرفته از کتاب کاربرد GISدر محیط زیست
ترجمه:سعید جوی زاده،شهناز تیموری،فاطمه حسین پور فرزانه
لیست موضوع تحقیق
صاحبه با دکتر سعید جویزاده: پیشپردازش تصاویر ماهوارهای، چالشها و راهکارها
درباره دکتر سعید جوی زاده
دکتر سعید جوی زاده مدیر موسسه علمی تحقیقاتی چشم انداز هزاره سوم ملل و عاشق مجموعه علوم جغرافیایی است. وی معتقد است که دشمنان اصلی بشریت ترس، شک و بی هدفی هستند. کارشناسی جغرافیای طبیعی را در سال ۱۳۸۱ از دانشگاه یزد، کارشناسی ارشد جغرافیای طبیعی گرایش اقلیم شناسی محیطی را از دانشگاه خوارزمی در سال ۱۳۸۴ و مدرک دکتری خود را در سال ۱۳۹۸ در رشته اقلیم شناسی از دانشگاه خوارزمی اخذ کرده است. عنوان رساله ایشان “تحلیل فضایی خشکسالی در ایران” است. او متخصص سیستم های اطلاعات جغرافیایی(GIS) و سنجش از دور(RS) وآمار فضایی است. از سال ۱۳۸۱ مشغول تدریس در دانشگاه ها و مراکز دولتی و خصوصی است. وی همه ساله کارگاه های تخصصی را برای علاقه مندان به GIS و RS برگزار می کند. کتاب هایی مفید و کاربردی را در زمینه سیستم های اطلاعات جغرافیایی و سنجش از دور و آمار فضایی را به رشته تحریر درآورده است. هم اکنون نیز بروی سیستم های پهباد و برنامه نویسی پیشرفته در سیستم های اطلاعات جغرافیایی و سنجش از دور مشغول به فعالیت است. علاوه بر این سعید جوی زاده علاقه مند به مطالعات خشکسالی و بلایای طبیعی است و در زمینه خشکسالی نیز کتاب های متعددی را به رشته تحریر درآورده است. از آرزوهای دکتر جوی زاده همه گیر شدن سیستم های اطلاعات جغرافیایی و سنجش از دور و آمار فضایی در بین مردم و نهاد هادی تصمیم گیری است.
سعید جویزاده یکی از متخصصان برجسته در حوزه سیستمهای اطلاعات جغرافیایی (GIS) و سنجش از دور در ایران است. وی با بیش از دو دهه تجربه در این زمینه، نقش مهمی در پیشرفت و توسعه پروژههای مرتبط با GIS و سنجش از دور ایفا کرده است. سعید جویزاده دارای مدرک کارشناسی ارشد در این حوزه و همچنین در توسعه فناوریهای مکانی و تحلیل دادههای جغرافیایی بسیار فعال است.
از جمله دستاوردهای او میتوان به اجرای پروژههای متعدد در زمینه تحلیل مکانی، نظارت بر تغییرات زیستمحیطی، پایش منابع طبیعی و مدیریت بحران اشاره کرد. سعید جویزاده در زمینه پردازش تصاویر ماهوارهای چندطیفی و فراطیفی و نیز استفاده از دادههای سنجش از دور برای مدلسازی مکانی، تخصص و تجربهی بالایی دارد.
وی همچنین در زمینههای آموزشی فعالیت گستردهای داشته و با برگزاری کارگاهها و دورههای آموزشی مختلف، به انتقال دانش خود به جامعه علمی و حرفهای کمک کرده است. سعید جویزاده با بهرهگیری از نرمافزارهای تخصصی همچون ArcGIS، QGIS و نرمافزارهای پردازش تصاویر ماهوارهای، به ایجاد و مدیریت پایگاههای دادههای مکانی و تجسم دادههای جغرافیایی پرداخته و از پیشگامان تحلیل دادههای مکانی در کشور محسوب میشود.
مصاحبهکننده: نیما نوروزی
نیما نوروزی: سلام دکتر جویزاده! ممنون از اینکه وقتتان را در اختیار ما قرار دادید. امروز میخواهیم درباره پیشپردازش تصاویر ماهوارهای صحبت کنیم. به عنوان شروع، لطفاً توضیح دهید چرا پیشپردازش این تصاویر تا این اندازه حیاتی است؟
دکتر جویزاده: سلام جناب نوروزی. من هم خوشحالم که در این حوزه مهم با شما گفتگو میکنم.
پیشپردازش تصاویر ماهوارهای، مانند تمیز کردن و آمادهسازی بوم قبل از نقاشی است. دادههای خامی که از ماهوارهها دریافت میکنیم، اغلب شامل نویز، اعوجاجهای اتمسفری یا خطاهای سختافزاری هستند. اگر این خطاها اصلاح نشوند، هر تحلیلی بر پایه این دادهها گمراهکننده خواهد بود. مثلاً، یک ابر یا غبار ممکن است به اشتباه به عنوان تغییرات پوشش گیاهی تفسیر شود!
بخش اول: مراحل کلیدی پیشپردازش
نیما: لطفاً مراحل اصلی پیشپردازش تصاویر ماهوارهای را شرح دهید.
دکتر جویزاده: پیشپردازش معمولاً شامل چهار مرحله اساسی است:
- تصحیح رادیومتریک (Radiometric Correction):
- هدف: حذف نویز ناشی از اختلاف در روشنایی، خطاهای سنسور یا اثرات اتمسفر.
- مثال: تصحیح پُرشدگی پیکسلهای مرده (Dead Pixels) یا تنظیم مقادیر بازتابش طیفی.
- تصحیح هندسی (Geometric Correction):
- هدف: تطبیق تصویر با سیستم مختصات جغرافیایی واقعی.
- روش: استفاده از نقاط کنترل زمینی (GCPs) یا الگوریتمهای تطبیق خودکار (Auto-Registration).
- اتمسفرزدایی (Atmospheric Correction):
- هدف: حذف اثرات جو مانند پراکندگی رایلی یا وجود ذرات معلق.
- ابزار: مدلهایی مانند FLAASH یا ATCOR.
- تقسیمبندی ابری (Cloud Masking):
- هدف: شناسایی و حذف پیکسلهای تحت تأثیر ابر یا سایه آن.
- تکنیک: استفاده از باندهای مادون قرمز یا الگوریتمهای یادگیری ماشین.
بخش دوم: چالشهای پیشپردازش در ایران
نیما: با توجه به شرایط خاص آب و هوایی ایران (مثلاً گرد و غبار در خوزستان)، پیشپردازش تصاویر ماهوارهای چه چالشهای منحصربهفردی دارد؟
دکتر جویزاده: ایران به دلیل تنوع اقلیمی بالا، یک آزمایشگاه طبیعی برای محققان است!
- گرد و غبار و ذرات معلق: این پدیده در غرب و جنوب کشور، بازتابش طیفی را مختل میکند و نیاز به مدلهای پیشرفته اتمسفرزدایی دارد.
- پوشش ابری در شمال: مناطق خزری به دلیل رطوبت بالا، اغلب ابری هستند. برای حل این مشکل، از تکنیکهای توالی زمانی (Time Series) استفاده میکنیم تا تصاویر چندزمانه را ترکیب و ابرها را حذف کنیم.
- محدودیت دادههای زمینی: گاهی نقاط کنترل زمینی (GCPs) دقیق در مناطق دورافتاده وجود ندارد، بنابراین باید به الگوریتمهای سنجش از دور بدون GCP متکی باشیم.
بخش سوم: کاربردهای پیشپردازش در مدیریت منابع
نیما: پیشپردازش دقیق چگونه به مدیریت منابع طبیعی ایران کمک میکند؟
دکتر جویزاده: مثالهای ملموس زیادی وجود دارد:
- کشاورزی:
- با تصحیح طیفی، میتوان سلامت محصولات را از طریق شاخصهای NDVI یا SAVI بررسی کرد.
- در استان اصفهان، از این روش برای شناسایی زمینهای در معرض شوری خاک استفاده شده است.
- مدیریت آب:
- پیشپردازش تصاویر ماهوارهای GRACE به ما کمک میکند تغییرات ذخایر آب زیرزمینی در دشتهای ایران را رصد کنیم.
- مخاطرات طبیعی:
- پس از سیلابهای اخیر در گلستان، با حذف ابرها از تصاویر Sentinel-1 (که مبتنی بر رادار است و تحت تأثیر ابر نیست)، مناطق آسیبدیده را سریعتر شناسایی کردیم.
بخش چهارم: آینده پیشپردازش و نقش هوش مصنوعی
نیما: فناوریهایی مانند هوش مصنوعی چگونه فرآیند پیشپردازش را متحول میکنند؟
دکتر جویزاده: هوش مصنوعی (AI) یک انقلاب در این حوزه ایجاد کرده است:
- حذف خودکار ابرها: مدلهای CNN (شبکههای عصبی کانولوشنی) میتوانند ابرها را با دقت ۹۵ درصد شناسایی و حذف کنند.
- تصحیح سریع خطاها: الگوریتمهای یادگیری عمیق قادرند نویزهای پیچیده را بدون نیاز به تنظیم دستی پارامترها برطرف کنند.
- پیشبینی نیازهای پیشپردازش: سیستمهای هوشمند میتوانند بر اساس نوع سنسور و شرایط جغرافیایی، بهصورت خودکار مراحل پیشپردازش را انتخاب کنند.
- مثال: در پروژهای با دانشگاه شریف، از یک مدل GAN (شبکه تخاصمی) برای تولید تصاویر بدون ابر از دادههای ابری استفاده کردیم!
بخش پایانی: توصیه به پژوهشگران جوان
نیما: چه توصیهای برای دانشجویان علاقهمند به حوزه سنجش از دور و پیشپردازش دارید؟
دکتر جویزاده:
- ابزارها را عمیق یاد بگیرید: نرمافزارهایی مانند ENVI، QGIS یا Google Earth Engine را مسلط شوید.
- روی دادههای واقعی کار کنید: پروژههای میدانی با سازمانهایی مانند سازمان فضایی ایران یا شرکت آب منطقهای تجربه بینظیری میدهد.
- بین رشته ای فکر کنید: ترکیب سنجش از دور با علوم دیگری مانند کشاورزی، هواشناسی یا حتی باستان شناسی میتواند ایده های نوآورانه خلق کند.
نیما: سپاسگزارم از اطلاعات ارزشمندتان!
دکتر جویزاده: امیدوارم این گفتگو انگیزهای برای ورود جوانان به این حوزه باشد.
پایان مصاحبه
بدون دیدگاه