نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه تبریز

2 دانشگاه تبریز

چکیده

 





سگمنت­سازی یکی از روش­های اصلی استخراج اطلاعات در پردازش شیءگرای تصاویر ماهواره­ای است. فرآیند سگمنت­سازی، پدیده­های اولیه و اصلی در یک تصویر را تفکیک می­نماید که مبنایی برای طبقه­بندی شیءگرا می­باشد. با توجه به اینکه دقت طبقه­بندی شیءگرا تا حد زیادی وابسته به دقت سگمنت­سازی است، بنابراین تولید سگمنت­های مناسب نقش مهمی در دست­یابی به دقت بالا در فرآیند طبقه­بندی شیءگرا دارد. در این پژوهش با هدف ارزیابی فرآیند سگمنت­سازی به روش تفکیک مکانی چندگانه، از تصاویر ماهواره­ایIRS وSPOT5 وQuick Bird برپایه تکنیک­های تلفیق تصاویر ماهواره­ای استفاده شده است. در این راستا با توجه به قدرت تفکیک مکانی متفاوت تصاویر ماهواره­ای، از مقیاس­ها و تلفیق­های مختلف(نظیر ضرایب شکل و فشردگی شکل) جهت سگمنت­سازی استفاده شده است. نتایج تحقیق بیانگر تاثیر استفاده از اطلاعات مکانی و طیفی در بهینه­سازی مقیاس سگمنت­سازی است. به طوریکه اطلاعات مکانی تصویر Quick Bird و باند پانکروماتیک تصاویر IRS و SPOT5، در کنار قدرت تفکیک طیفی تصویر SPOT5(بویژه باند قرمز) و Quick Bird، تاثیر بسزایی در افزایش کنتراست تصاویر و درنهایت ارتقاء کیفیت سگمنت­سازی دارند. همچنین نتایج تحقیق بیانگر تلفیق تصاویر ماهواره­ای با تفکیک مکانی بالاتر، به عنوان روشی موثر برای ارتقاء کیفیت سگمنت­سازی است. نتایج این پژوهش در شناسایی روش­ها و تکنیک­های مختلف سگمنت­سازی برای افزایش دقت طبقه­بندی شیءگرا دارای اهمیت فراوانی است. نتایج اخذ شده همچنین برای سازمان­های اجرایی نظیر منابع طبیعی، جهاد کشاورزی،... در معرفی روش مناسب برای استخراج سریع و دقیق اطلاعات از تصاویر ماهواره­ای برای اهداف مدیریتی حائز اهمیت بوده و می­تواند راهگشای استخراج اطلاعات دقیق­تر از تصاویر ماهواره­ای باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluating of applying image fusion and optimizing techniques for improving the scale parameter of segmentation in object-based image analysis approach

نویسندگان [English]

  • bakhtiar feizizadeh 1
  • seyed mohammad hassanitabar 2
  • Jafar Jafarzadeh 2

1 Assistant professor of Department of Remote Sensing, Geographical Information Systems, University of Tabriz

چکیده [English]

Segmentation is one of the basic method of the information extraction within the object-based image analysis (OBIA) approach. This process separates initial and main objects which are basis for OBIA. According to this, generating appropriate segments plays an important role for performing high accurate object-based classification. Within this research, we aimed to employ multi spectral and spatial satellite images including: IRS, Quick Bird and Spot5, for the purpose of image fusion and optimizing the scale of segmentation. For this to happen, Multi-resolution segmentation approach was performed based on various satellite images with different spatial resolution. As that, spatial information of Quick Bird and panchromatic band of IRS and Spot5 images, alongside spectral resolution of Spot5 (red band, especially) and Quick Bird, have a significant impact in increasing the contrast of image and improve the quality of segmentation, subsequently. The results of this research, indicate the importance of applying spatial information for optimizing the scale of segmentation. In addition, results confirmed that object based image fusion techniques can be employed for integrating different spatial resolution of satellite images. It also turned out that integrating lower spatial resolution with high spatial resolution is an efficient procedure for improving segmentation quality. The results of research, are great of importance for identifying different segmentation approach of object-based classification. The achieved results are also important for executive departments such as Natural resource, agriculture, etc. in light of presentation appropriate approach for rapid extraction of information from satellite image.

کلیدواژه‌ها [English]

  • Object Based Image analysis
  • multi spectral and Spatial satellite images
  • segmentation
  • Optimization of scale parameter
  • Yengi ispiran village
- فیضی­زاده، بختیار، هلالی، حسین. (1389). مقایسه روش­های پیکسل پایه، شیءگرا و پارامترهای تاثیرگذار در طبقه­بندی پوشش کاربری اراضی استان آذربایجان­غربی. مجله پژوهش­های جغرافیای طبیعی، شماره71 . صص73 -84.
- فیضی­زاده، بختیار، حاجی­میر­رحیمی، سید­محمود. (1386) . آشکارسازی تغییرات فضای سبز شهر تبریز با استفاده از روش­های شیءگرا. اولین همایش سیستم­اطلاعات­جغرافیای شهری. دانشگاه شمال. آمل.10صفحه http://www.civilica.com/Paper-CUG01-CUG01_013.html
- فیضی­زاده، بختیار، جعفری، فیروز، نظم­فر، حسین. (1387) . کاربرد داده­های سنجش­از دور در آشکارسازی تغییرات کاربری­های اراضی شهری . نشریه هنرهای زیبا. شماره 34. صص17-24.
قربانی، رسول، پورمحمدی، محمدرضا، محمودزاده، حسن. (1395). ارزیابی و تحلیل گسترش فضایی کلانشهر تبریز با استفاده از تصاویر چند زمانه، نشریه جغرافیا و برنامه ریزی دانشگاه تبریز، (20)56، 238-219.
-Baatz.M &Schpe. A. (2000). Multiresolution segmentationan optimization approach for high quality multi-scale image segmentation. (Eds.),Angewandte Geographische Information verarbeitung XII. Beitra ¨ge zum AGIT- SymposiumSalzburg, vol. 200. Karlsruhe7 Herbert Wichmann Verlag. pp. 12 –23.
- Benz, U. C., Hofmann, P., Willhauck, G., Lingenfelder, I., & Heynen, M. (2004). Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing, 58(3), 239-258.
- Blaschke, T., Feizizadeh, B., & Holbling, D. (2014). Object-based image analysis and digital terrain analysis for locating landslides in the Urmia Lake Basin, Iran. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal, 7(12), 4806-4817
-Blaschke.T. (2010). Object based image analysis for remote sensing, ISPRS Journal of Photogrammetry and Remote Sensing, journal homepage .pp.10-21
- Blaschke, T, Burnett, C. (2003). A multi-scale segmentation/object relationship modeling methodology for landscape analysis. Ecological Modeling 168: 233-249.
- Blaschke.T, Lang.S. (2006). Bridging remote sensing and GIS-what are the main supportive pillsrs? International Conference on Object-based Image Analysis (OBIA 2006), University of Salzburg, Austria, pp.20
- Chaudhuri, B., & Sarkar, N. (1995). Texture segmentation using fractal dimension. IEEE Transactions on Pattern Analysis and Machine Intelligence,pp. 17, 72– 77.
- Clemens Eisank, Lucian Drăguţ, (2012), automated classification of topography from SRTM data using object-based image analysis, Geomorphology; 141-142:21-33.
- Claudia M. A, Iris M. S, Claudia D.A, Carolina M. D, Madalena N. P, Raul Q. F. (2007). Multilevel Object- Oriented Classification of Quickbird Images for Urban Population Estimates, Advances in Geographic Information Systems ACM GIS.pp. 5
-Dragut,L. Csillik,O. Eisank,C. Tiede,D.(2014). Automated parameterisation for multi-scale image segmentation on multiple layers. ISPRS Journal of Photogrammetry and Remote Sensing 88 (2014) 119–127  
- Dehvari. A, Heck R. J.(2009). Comparison of object-based and pixel based infrared airborne image classification methods using DEM thematic layer, Journal of Geography and Regional Planning Vol. 2(4), , April, 2009,Available online at www.academicjournals.org /JGRP ISSN 2070-1845, pp. 086-096.
-  Hofmann, T., Puzicha, J., & Buhmann, J, (1999). Unsupervised texture segmentation in a deterministic annealing framework. IEEE Transactions on Pattern Analysis and Machine Intelligence, NO20, pp.803-818
- Geman, D.; Geman, S.; Graffigne, C & Dong, P. (1990).  Boundary detection by constrained optimization. In: IEEE Transactions on Pattern Analysis and Machine Intel ligence, Vol. 12, Nr. 7, S.609-628.
- Jain, A. & F. Farrokhnia (1991). Unsupervised texture segmentation using Gabor filters. In: Pattern Recognition. Vol. 24, Nr. 12, S. 1167- 1186
- Meinel, G., Neubert, M. & Reder, J. (2001) The potential use of very high resolution satellite data  for urban areas – First experiences with IKONOS data, their classification and application in urban planning and environmental monitoring. In: Jürgens, C. (ed.): Remote sensing of urban areas. Regensburger Geographische Schriften 35, pp. 196-205.
- Platt, R. V. and Schoennagel, T.) 2009(. an object-oriented approach to assessing changes in tree cover in the Colorado Front Range 1938–1999, Forest Ecology and Management 258 (2009), Journal homepage: www.elsevier.com/locate/foreco, pp.1342–1349
-Wegner,S.,Oswald,H.,Wust,P.,&Fleck,E.(1997).Segmentierung mit der Wasserscheiden transformation. Spektrum der Wissenschaft, 6, 113-115
- Yan, GAO, (2003), Pixel Based and Object Oriented Image for Coal Fire Research, http://www.ITC.com (accessed in July 2008). pp. 3-99
-  Zhaocong, W, Lina, Y. and Maoyun, Q.(2009). Granular Approach to Object-Oriented Remote Sensing Image Classification, RSKT 2009, LNCS 5589, PP. 563– 570.