تشخیص تغییرات در تصاویر رادار روزنه مصنوعی (SAR) با استفاده از شبکه عمیق PCAnet و با بهره گیری از تکنیک تشخیص نواحی برجسته در تصویر

تشخیص خودکار تغییرات در تصاویر رادار SAR۱ روندی است که در آن دو تصویر ثبت شده از یک موقعیت جغرافیایی یکسان و در زمانهای مختلف، توسط الگوریتم های رایانه ای توسعه داده شده، مورد تحلیل و بررسی قرار می گیرند تا تغییرات رخ داده در گذر زمان مشخص شوند . این کار نقش کلیدی در به روز رسانی داده های سطح زمین دارد که امری ضروری در نظارت مدرن محسوب میشود. در این مقاله برای هدف تشخیص تغییرات در تصاویر رادار SAR از نوعی یادگیری عمیق موسوم به شبکه تحلیل مولفه اساسی ۲ یا PCANet همراه با بکارگیری الگوریتم تشخیص نواحی برجسته در تصویر، استفاده شده است. شبکه PCANet به علت قابلیت یادگیری رابطه غیر خطی بین قسمتهای متناظر در دو تصویر مورد بررسی، نسبت به نویز موجود در این تصاویر، تاثیر پذیری بسیار کمی دارد. تشخیص برجستگیها از سامانه بینایی زیستی که دارای یک یا چند مرکز توجه است، الهام گرفته شده است. انتخاب داده های آموزش از اهمیت ویژه ای برای دقت و راندمان در کار تشخیص تغییرات در تصاویر رادار SAR برخوردار است. قبل از به کارگیری الگوریتم تشخیص برجستگیها، داده های آموزش از کل تصویر استخراج می شدند که منجر به زمان طولانی آموزش و عدم دقت طبقه بندی، با توجه به تعداد نامتعادل داده های دو طبقه تغییر یافته و تغییر نیافته، میشد. برای افزایش قابلیت اطمینان داده های آموزش و کاهش تعداد نمونه های آموزش، از الگوریتم تشخیص برجستگی های زمینه-آگاه۳ برای دریافت نواحی برجسته استفاده شده است. در این روش داده های آموزش فقط از نواحی برجسته بدست آمده، استخراج می شوند. سپس شبکه PCANet با داده های آموزش استخراج شده آموزش داده شده و پیکسل های باقی مانده در نواحی برجسته، توسط این شبکه طبقه بندی میشوند. در فرایند آموزش شبکه PCANet، ابتدا پارامترهای فیلترهای PCA هر لایه بصورت تحلیلی، با استفاده از داده های آموزش، بدست می آیند. این فیلترها مجزا کننده ترین ویژگی های داده های آموزش را استخراج میکنند. در آخرین گام فرایند آموزش، با استفاده از ویژگیهای بدست آمده، یک شبکه SVM خطی آموزش داده میشود و ابرصفحه مجزا کننده دو کلاس بدست می آید. سپس داده های آزمون توسط شبکه آموزش داده شده طبقه بندی میشوند و در نهایت نقشه تغییرات نهایی بصورت یک تصویر دودویی بدست می آید. نتایج تجربی بر روی چهار مجموعه داده تصاویر رادار سار ثبت شده در زمانهای مختلف ۴، نشان داد که شبکه PCAnet ترکیب شده با الگوریتم تشخیص برجستگیها عملکرد بهتری نسبت به روشهای مرجع پیشنهاد شده اخیر دارد .

کلیدواژه ها:

یادگیری عمیق ، رادار سار ، تشخیص تغییرات ، تشخیص برجستگی ها