ادغام تصاویر فراطیفی با تصاویر دارای قدرت تفکیک مکانی بالا بر پایه سطوح مختلف تبدیل موجک گسسته هار
محورهای موضوعی : کاربرد GIS&RS در برنامه ریزیحسن حسنی مقدم 1 , علی اصغر تراهی 2 , پرویز ضیاییان فیروزآبادی 3
1 - کارشناس ارشد سنجش از دور و GIS، دانشگاه خوارزمی تهران
2 - استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه خوارزمی تهران
3 - دانشیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی،دانشگاه خوارزمی،ایران، تهران
کلید واژه: تصاویر فراطیفی, ALI, موجک گسسته, بازنمونه برداری, Gram-Schmit,
چکیده مقاله :
ادغام تصویر، فرآیند تلفیق اطلاعات مناسب از مجموعه‌ای تصاویر در یک تصویر است، به‌طوری‌که تصویر ادغام‌شده حاوی اطلاعات مفیدتر و کامل‌تر از هر یک داده‌های ورودی خواهد بود. هدف از ادغام تصاویر سنجش‌ازدوری، ترکیب اطلاعات به‌دست‌آمده از سنجنده هایی باقدرت های تفکیک مکانی، طیفی و زمانی متفاوت به‌منظور به دست آوردن تصویری با جزئیات اطلاعاتی بیشتر نسبت به هرکدام از داده‌های انفرادی است. هدف از تحقیق حاضر، ارزیابی عملکرد تبدیل موجک گسسته در ادغام تصاویر فراطیفی با تصاویر دارای قدرت تفکیک مکانی بالا است. برای این منظور، پنجره‌ای از تصاویر سنجنده های هایپریون،ALI و OrbView3، انتخاب گردید. ابتدا تصویر هایپریون، به لحاظ باندهای غیرقابل استفاده و نویزهای استریپ، تصحیح شد. از باند پانکروماتیک سنجنده ALI، به‌منظور تصحیح هندسی و ثبت تصویر هایپریون استفاده گردید. در ادامه تصویر هایپریون با استفاده از عملیات بازنمونه برداری به‌صورت تصویری با اندازه پیکسل 10 متر تبدیل‌شده و با استفاده از الگوریتم Gram-Schmit، با تصویر ALI، ادغام شد. دوباره با استفاده از تصویر OrbView3، بر روی تصویر ادغام‌شده، عملیات ثبت تصویر انجام‌گرفته سپس هر دو تصویر با استفاده از عملیات بازنمونه برداری به‌اندازه پیکسل 4 متر تبدیل شدند. تصویر OrbView3، با استفاده از موجک گسسته هار، در چهار سطح تجزیه‌شده و جهت ادغام مورداستفاده قرار گرفت. نتایج تحقیق نشان داد که با هر بار افزایش سطح تجزیه تصویر، صحت و دقت ادغام افزایش پیدا می‌کند.
Image fusion is the process of integrating the information from a set of images in an image, as the fused image contains more useful information than any input data. The aim of remotely sensed image fusion is integration of information that obtained from sensors with different spatial, spectral and temporal resolution in order to get an image with more detail than any individual data. In the fusion process, output image is a combination of important features of two or more input data. The aim of this study was to evaluate the performance of discrete wavelet transform in fusion of hyperspectral and high resolution images. For this purpose, a window of images of Hyperion, ALI and OrbView3 sensors was selected. First, the Hyperion image was corrected for unusable bands and strip noise. Panchromatic band of ALI sensor was used for geometric correction and registration of hyperion image. The hyperion image transformed into a 10 m pixel image using the sampling operation and fused with the ALI image using the Gram-Schmit algorithm. Using the OrbView3 image, the results was captured on the fused image, then both images were converted to 4-pixel pixel size using the resampling operation. The OrbView3 image was decomposed into four levels using a HAAR wavelet and used for fusion procedure. The results showed that with increased level of image decomposition, the accuracy and precision of the integration increases.
_||_
Mamatha, G., Lakshmaiah, M.V., and Sumalatha, V. (2015). “Evaluating of DWT based image fusion with three different resampling methods”. International advanced research journal in science, engineering and technology, 2(2), 10-14.
Pohl, C., and Van Genderen, J. (2016). Remote sensing image fusion: A practical guide. Crc Press.
Sahu, V. and Sahu, D. (2014). “Image fusion using wavelet transform: A review”. Global Journal of Computer Science and Technology: Graphics & Vision, 14(5), 20-28.
Naveen, S., Mani. V.R.S., and Arivazhagan. S. (2016). “Block based algorithm for the fusion of multisensor images”. Middle East journal of scientific research, 24, 13-20
Anshakov, G., Rashchupkin, A. V., and Zhuravel, Y. N. (2015).” Hyperspectral and multispectral Resurs-P data fusion for increase of their informational content”. Computer Optics, 39(1), 77-82.
Vivekan. A.J., Thirumurugan. P., and Dhanarega. A. J. (2014). “Image fusion and improving classification accuracy: A survey”. International journal of engineering sciences and research technology, 3(11), 496-500.
Vignesh, T., Thyagharajan, K. K., Murugan, D., Sakthivel, M., and Push paraj, S. (2016). “Analysis of thres holding versus image fusion techniques to change detection using remote sensing images”. International Journal, 4(8).
Li, S., Kang, X., Fang, L., Hu, J., and Yin, H. (2017). “Pixel-level image fusion: A survey of the state of the art”. information Fusion, 33, 100-112.
Anita, S. J. N., & Moses, C. J. (2013, March).” Survey on pixel level image fusion techniques”. In Emerging Trends in Computing, Communication and Nanotechnology. International Conference on (pp. 141-145). IEEE.
Nirmala, D. E., & Vaidehi, V. (2015, March). “Comparison of Pixel-level and feature level image fusion methods”. In Computing for Sustainable Global Development (INDIACom), 2015 2nd International Conference on (pp. 743-748). IEEE.
Nalini .M., Kolekar. B., & Shelkikar. R.P. (2016). “A review on wavelet transform based image fusion and classification”. International journal of application or innovation in engineering and management, 5(3), 111-115.
Abdikan, S., & Sanli, F. B. (2012). “Comparison of different fusion algorithms in urban and agricultural areas using sar (palsar and radarsat) and optical (spot) images”. Boletim de Ciências Geodesics, 18(4), 509-531.
Kour, P. (2015). Image processing using discrete wavelet transform. International journal of electronics & communication (IIJEC), 3(1), 53-59
Deng, C., Li, H. N., & Han, J. (2011). “Comparison and Analysis of the Fusion Algorithms of Multi-spectral and Panchromatic Remote Sensing Image”. Advances in Computer Science, Intelligent System and Environment, 169-173.
Karathanassi, V., Kolokousis, P., and Ioannidou, S. (2007). “A comparision study on fusion methods using evaluation indicators”. International Journal of Remote Sensing, 28(10), 2309-2341.
Grochala, A., & Kedzierski, M. (2017). “A method of panchromatic image modification for satellite imagery data fusion”. Remote sensing, 9(6), 1-21.
Gambhir, D., & Manchanda, M. (2016). “A novel fusion rule for medical image fusion in complex wavelet transform domain”. International journal of image and graphics, 16(04), 1650022.
Mishra, H. O. S., & Bhatnagar, S. (2014). “MRI and CT image fusion based on wavelet transform”. International Journal of Information and Computation Technology. ISSN, 0974-2239.
Ben-Shoshan, Y., & Yitzhaky, Y. (2014). “Improvements of image fusion methods”. Journal of Electronic Imaging, 23(2), 023021-023021.1-11.
Harooni, M., and karimi, M., (2014). “Optimal level of discrete wavelet transform fusion at pixel level in satellite imagery”. 3rd confrense of new ideas in electrical engineering(2014), Azad university, Esfahan, Iran.