شناسایی نظارت نشده تغییرات از تصاویر چند زمانه SAR با استفاده از خوشه بندی بر مبنای الگوریتم ژنتیک و مدل مخفی زنجیره تصادفی مارکوف

در پژوهش حاضر چارچوبی برای تهیه نقشه باینری تغییرات با بکارگیری الگوریتم ژنتیک و مدل مخفی زنجیره تصادفی مارکوف با هدف تحلیل فرایندهای مربوط به تغییرات ارائه شده است از الگوریتم ژنتیک جهت بهینه سازی پارامتر m در خوشه بندی FCM استفاده شده است چرا که با تغییر مقدار پارامتر m توابع عضویت با مقادیر مختلفی برای روش های خوشه بندی FCMتولید می شود و از طرفی مقادیر مختلف پارامتر m منجر به نتایج مختلف این روش ها در شناسایی خوشه های مربوط به تغییرات می شود جهت بهره برداری از اطلاعات مکانی در جهت بهبود نتایج کمی و کیفی نقشه باینری تغییرات نتیجه حاصل از خوشه بندی FCM بر مبنای الگوریتم ژنتیک با استفاده از مدل مخفی زنجیره تصادفی مارکوف مجددا برسب دهی شد جهت ارزیابی نتایج از تصاویر چند زمانه با قدرت تفکیک بالای TerraSAR-X از دریاچه در حال احداث چیتگر در بازه زمانی 2011تا2012 استفاده شده است جهت بررسی اثر همسایگی در تهیه نقشه باینری تغییرات از مقادیر مختلف پارامتر β در این زمینه استفاده شد نتایج نشان می دهد با افزایش مقدار این پارامتر نقشه تغییرات با نرخ خطای کل نرخ هشدار اشتباه و نرخ هشدار خطای کمتر به دست می آید همچنین جهت ارزیابی عملکرد روش پیشنهادی در جهت شناسایی نظارت نشده تغییرات این روش با روش های Otsu ، EM ،MRF خوشه بندی FCM(m=2) مقایسه گردید نرخ خطای کل روش پیشنهادی نسبت به روش حدآستانه گذاری Otsu خوشه بندی FCM(m=2) MRF و الگوریتم EM به میزان 4.56،4.38،4.74و15.78بهبود یافته است

کلیدواژه ها:

شناسایی نظارت نشده تغییرات ، الگوریتم ژنتیک ، تصاویر چند زمانهSAR ، مدل مخفی زنجیره تصادفی مارکوف