مهدی مختارزاده

الگوریتم (Scale Invariant Feature Transform) SIFT یکی از روش های تناظریابی عارضه مبناست که به منظور انجام فرآیند تشخیص الگو در تصاویر اپتیکی ارائه شده است. با اینکه عملکرد بهتر توصیفگر این الگوریتم در مقایسه با دیگر روش ها اثبات شده و نسخه های گوناگونی نیز در مسیر افزایش کارایی آن ارائه شده است، اما عملگر استخراج عارضه در این الگوریتم با مشکلات جدی برای انجام تناظریابی در تصاویر سنجش از دور مواجه است. کنترل پذیری این الگوریتم در استخراج عوارض در تصاویر سنجش از دور پایین است و در آن راه حلی نیز برای انتخاب عوارض پایدارتر و متمایزتر و کنترل توزیع آنها، به منظور موفقیت در فرآیند تناظریابی، پیشنهاد نشده است. در مقاله حاضر با بهره گیری از خصوصیات فضای مقیاس در این الگوریتم روشی جدید با عنوان UR-SIFT (Uniform Robust Scale Invariant Feature Transform) به منظور استخراج عوارض پایدار تصاویر و در توزیع یکنواختی از مکان و مقیاس طراحی شده است. برای این منظور با توسعه روابطی جدید برمبنای ضریب مقیاس سطوح هرم تصاویر در الگوریتم SIFT، تعداد عوارض مورد نیاز در هر سطح تعیین گردیده و با بهره گیری از دو معیار پایداری و تمایز و در ساختاری شبکه ای استخراج شده است. بعد از استخراج عوارض و ایجاد توصیفگر آنها، فرآیند تناظریابی اولیه با استفاده از فاصله اقلیدسی میان توصیفگرها و با بهره گیری از روشی دوجانبه انجام می شود. در ادامه با استفاده از مدل تبدیل پروژکتیو و روش کمترین مربعات، صحت جفت تناظرهای اولیه بررسی شده و تناظرهای ناسازگار حذف شده اند. نتایج عملی بر روی دو جفت تصویر ماهواره ای بیانگر کارایی بالای روش پیشنهادی در مقایسه با الگوریتم استاندارد SIFT است.

با پیدایش نسل جدید ماهواره های سنجش از دور پلاریمتری رادار با روزنه مجازی (SAR) نظیر (TerraSAR-X، RADARSAT-2، ALOS و جز اینها) کاربردهای سنجش از دور راداری، در زمینه های، پایش و ارزیابی بحران های زیست محیطی، از جمله فرونشست زمین، بررسی فرسایش خاک، وقوع زلزله، آتشفشان و سیل دوچندان شده است. هدف اصلی این مقاله، استخراج اطلاعات بنیادی از تصاویر پلاریمتری و تعیین میزان اهمیت هر کدام از ویژگی های موجود در فضای ویژگی است. المان های فضای ویژگی از حاصل ضرب باندهای HH، VV و HV ـ که دربردارنده اطلاعات دامنه و فاز هستند ـ تشکیل شده است. با به اجرا درآوردن معیار تفکیک پذیری بین کلاسی فیشر، اهمیت هر کدام از ویژگی ها مورد بررسی قرار می گیرد و سپس ویژگی ها براساس قدرت تفکیک پذیری و همبستگی بین باندی رتبه بندی می شوند. در مرحله بعدی با اجرا کردن الگوریتم طبقه بندی نظارت شده، بیشترین شباهت دقت طبقه بندی ترکیب های مختلف ویژگی ها بررسی می شود و در نهایت بهترین ترکیب ویژگی های موجود حاصل می گردد. استخراج بهترین ترکیب متشکل از حداقل ویژگی های موجود در فضای ویژگی، علاوه بر حفظ مهم ترین اطلاعات موجود در تصاویر پلاریمتری، منجر به کاهش حجم پردازش تصاویر پلاریمتری نیز می شود که می توان الگوریتم پیشنهاد شده در این مقاله را روی تماس داده های پلاریمتری مورد ارزیابی قرار داد.