پردازش تصاوير ماهواره اى بعنوان يكى از منابع اطلاعات، همواره از نظر زمان و هزينه نقش تعيين كننده اى را در پروژه هاى GIS به خود اختصاص داده است. در اين مقاله روشهاى اتوماتيك پردازش اين تصاوير بطور مختصر معرفى شده است. این مقاله برگرفته از ماهنامه نقشه برگرفته شده است.

با وجود گسترش تكنيكهاى برداشت اطلاعات سنجش از دور در سالهاى اخير و افزايش قدرت تفكيك زمينى سنجنده ها،تكنيكهاى پردازش تصاوير هنوز بر پايه مفاهيم گسترش يافته در دهه 70 ميلادى (طبقه بندى بر مبناى پيكسل ها در محيط چند بعدى) استوار شده اند. در صورتيكه اين روش مخصوصا در تصاوير با قدرت تفكيك بالا با خطاى مكانى مواجه مى شود به نحوى كه بسيار محتمل است دو پيكسل مجاور كه به دو عارضه (land cover)مختلف اختصاص دادهمى شوند، در واقع داراى ماهيت يكسان باشند.

از طرفى بازار GIS بدنبال ابزارى ارزان قيمت براى تبديل اتوماتيك اين منابع اطلاعاتى به پلى گون هايى است كه نشان دهنده عوارض با مفهوم براى به روز رسانى بانكهاى اطلاعاتىGIS باشند. تفاوت عمده بين روش قديمى پيكسل مبنا با روش شىء گرا در اين است كه روش جديد پيكسلها را طبقه بندى نمى كند بلكه تصوير را در مقياس مورد نظر به قطعاتى ازعوارض مشابه تقسيم مى كند.مزاياى اين روش عبارتند از:

• علاوه بر اطلاعات طيفى تصوير، الگوريتم از اطلاعات ديگرى از قبيل بافت و اشكال فركتالى عوارض استفاده مى كند.

• قطعه قطعه كردن تصوير در مقياسهاى مختلف امكان جداسازى عوارض مجاور كه با هم كنتراست دارند را مى دهد و اثر پارازيت ها و تغيير بافتهاى جزئى را حذف مى كند.

• هر مرحله از عمليات طبقه بندى در مقياس مناسب صورت مى گيرد. فقط عوارضى كه در آن مقياس داراى اطلاعات معنى دار بافتى هستند مورد آناليز قرار مى گيرند. اين خاصيت سبب مى شود كه انواع عوارض موجود، در مقياس مناسب آنها بررسى و طبقه بندى شوند.

• آناليز يكپارچه گروه عوارض مشابه بطور قابل ملاحظه اى اثر پارازيتها را كاهش داده و امكان استفاده ازاطلاعات با ارزش تصاوير را فراهم مى سازد.

• با كاهش قابل ملاحظه واحدهاى تصوير، طبقه بندى تصوير با سرعت بالا قابل انجام است.

• با امكان توليد عوارض تصويرى در مقياسهاى مختلف،يك پروژه مى تواند يك شبكه سلسله مراتبى با سطوح عوارض مختلف داشته باشد كه با يكديگر در ارتباط قرار مى گيرند.

• الگوريتم شىء گرا پس از جدا سازى بافتهاى مختلف تصوير، اقدام به تفكيك انواع عوارض موجود مى كند بنابراين محصولى با دقت مكانى مناسبتر توليد مى كند. در كنار توليد عوارض شبكه اى در هر تصوير، امكان اعمال طبقه بندى فازى نيز در اين الگوريتم وجود دارد.در هر مرحله از قطعه قطعه سازى تصوير يك سطح درشبكه سلسله مراتبى توليد مى شود در نتيجه اين ساختار نمايانگر اطلاعات تصوير در مقياسهاى مختلف مى باشد. عوارض كوچكتر، عضوى از عوارض بزرگتر هستند. در نتيجه هر عارضه با عوارض مجاور و عوارض درونى خود ارتباط دارد.

طبقه بندى در اين روش به جاى پيكسلها بر مبناى عوارض انجام مى گيرد و علاوه بر اطلاعات طيفى، بافت، شكل و ارتباط شبكه اى عوارض در طبقه بندى و عضوگيرى هر گروه تاثير مى گذارد. به عبارت ديگر، اين الگوريتم عملياتى كه در مغز انسان براى طبقه بندى تصوير انجام مى گيرد را مدلسازى مى كند.

The final classified image in eCognition.  The orange areas are non-forested

نرم افزارى كه الگوريتم شىء گراى آناليز تصاوير ماهواره اى را اجرا مى كندeCognitionTM مى باشد كه توسط Creative Technologies Delphi2در مونيخ تهيه شده است و توانايى آناليز تصاوير ماهواره اى با قدرت تفكيك بالا(VHR) رادار و عكسهاى هوايى را دارا مى باشد. مفهومى ، كه اين نرم افزار بر مبناى آن پايه ريزى شده است اينست كه اطلاعات لازم براى تعبير و تفسير تصاوير فقط در پيكسل ها نمايش داده نمى شود بلكه با كشف ارتباط متقابل و معنادار عوارض تصوير هويدا مى شود.

 

 

The final classified image in PCI.  The blue outlined areas are non-forested

 

    
Figure 9: Comparing the two classifications. 

Though the classifications were very similar, some differences can be noted.  The eCognition classification more accurately picked up long, skinny non-forested areas such roads (see figure 10).

    
Figure 10: Detail of the eCoginition classification on the left, and the PCI classification on the right.  Notice how the eCognition classification was much more accurate at identifying narrow areas in the image.

Also, the eCognition classification tended to produce more small areas that were non-forested, as opposed to the larger and fewer areas of the PCI classification (see Figure 11).

   
Figure 11: A comparison of the non-forested polygons in eCognition (on the left) and PCI (on the right).  The eCognition classification seems to have classified many smaller polygons than the PCI classification.

استفاده با ذکر منبع وبلاگ GEO-GIS بلا مانع می باشد