افزایش صحت استخراج اطلاعات از داده‌های سنجنده OLI با استفاده از روش FFT-IHS

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشگاه خوارزمی تهران

چکیده

هدف از تحقیق حاضر، به‌کارگیری روش FFT_IHS به‌منظور افزایش صحت استخراج اطلاعات از داده‌های سنجنده OLI، ماهواره لندست 8 است. برای این منظور پنجره‌ای از تصاویر سنجنده OLI، شهرستان اردبیل انتخاب و بعد از اعمال پیش‌پردازش‌های موردنیاز از جمله تصحیح اتمسفریک، باندهای چند طیفی و پانکروماتیک با استفاده از روش FFT_IHS، با یکدیگر ادغام گردیدند. به‌منظور ارزیابی قابلیت روش FFT_IHS در افزایش صحت استخراج اطلاعات، اقدام به برداشت نمونه‌های آموزشی از تصاویر قیل و بعد از اعمال این روش گردید. همبستگی بین نمونه‌های آموزشی با استفاده از شاخص جفریس ماتوسیتا مورد ارزیابی قرار گرفت که نتایج این شاخص نشانگر همبستگی پایین بین نمونه های برداشت شده بود. در ادامه نمونه‌های آموزشی با استفاده از الگوریتم ماشین بردار پشتیبان شعاعی در 8 کلاس کاربری طبقه‌بندی شد. نتایج تحقیق نشان داد که طبقه‌بندی تصویر قبل از ادغام باندها دارای صحت کلی 88.3 درصد و ضریب کاپا 0.87 بوده و بعد از ادغام به روش FFT_IHS صحت کلی به 96.3 درصد و ضریب کاپا 0.96 افزایش‌یافته است.

کلیدواژه‌ها


عنوان مقاله [English]

Increasing the accuracy of data extraction from OLI data using the FFT-IHS method

نویسندگان [English]

  • Hasan Hasani Moghaddam
  • Ali Asghar Torahi
Kharazmi university
چکیده [English]

The aim of this study is to use of the FFT_IHS method to increase the accuracy of data extraction from OLI of Landsat 8 data. For this purpose, a window of OLI images of Ardabil County was selected and, after applying the necessary preprocesses include atmospheric correction, the multispectral and panchromatic bands were fused with the FFT_IHS method. In order to evaluate the capability of FFT_IHS method to increase the accuracy of information extraction, the training data were taken from the before and after applying this method. Correlation of training data’s was evaluated using the Jeffries Matusita index and the training data’s were classified into 8-classes using Support Vector Machine algorithm. The results showed that image classification before the fusion of bands has a overall accuracy of 88.3% and a kappa coefficient of 0.87 and after fusion with FFT_IHS, the overall accuracy is increased to 96.3% and the Kappa coefficient is to 0.96.

کلیدواژه‌ها [English]

  • FFT_IHS
  • OLI
  • Fusion
  • Jeffries Matusita Index
  • Polynomial Support Vector Machine

امیر انتخابی، شهرام. جوان، فرهاد. و حسنی مقدم، حسن(1396). آشکارسازی تغییرات کاربری اراضی و عوامل مؤثر بر آن با استفاده از شبکه عصبی مصنوعی. کاربرد سیستم اطلاعات جغرافیایی و سنجش‌ازدور در برنامه‌ریزی،دوره(8).1-11.

اشتهاردی، ابوالفضل. عبادی، حمید. ولدان زوج، محمدجواد. و محمدزاده، علی(1384). ارزیابی و مقایسه روش‌های تلفیق تصاویر ETM+ و پانکروماتیک اسپات. انجمن جغرافیایی ایران، دوره(3)، 117-134.

بیگدلی. بهناز. و  صمدزادگان، فرهاد .(1393).طبقه‌بندی داده‌های فراطیفی بر اساس سیستم‌های ماشین‌های بردار پشتیبان چندگانه با استفاده از گروه‌بندی باندهای طیفی. نشریه علوم و فنون نقشه‌برداری، 4، 257-263.

بشیرپور، مرتضی. ولدان زوج، محمدجواد. و مقصودی، یاسر(1395). مقایسه روش‌های تلفیق مبتنی بر PCA و IHS به‌منظور تلفیق تصاویر هایپریون و Cartosat-1. نشریه سنجش‌ازدور و GIS ایران. دوره(4).

بشیر پور، مرتضی. ولدان زوج، محمدجواد. و مقصودی، یاسر(1396). تلفیق تصاویر سنجش‌ازدوری با روش FFT-PCA.. مهندسی فناوری اطلاعات مکانی، دوره(5)، 123-146.

تراهی، علی‌اصغر. حسنی مقدم، حسن. و عدلی عتیق، رسول(1395). ارزیابی عملکرد الگوریتم ماشین بردار پشتیبان در تهیه نقشه کاربری اراضی. دومین کنفرانس ملی مهندسی فناوری اطلاعات مکانی، دانشگاه خواجه‌نصیرالدین طوسی، تهران. ایران.

تراهی، علی‌اصغر. عدلی عتیق، رسول و  حسنی مقدم، حسن(1394). ارزیابی قابلیت الگوریتم‌های طبقه‌بندی نظارت‌شده در تهیه نقشه کاربری اراضی. اولین کنفرانس ملی مهندسی فناوری اطلاعات مکانی، دانشگاه خواجه‌نصیرالدین طوسی، تهران. ایران.

جوان، فرهاد و حسنی مقدم، حسن(1396). آشکارسازی میزان تخریب جنگل‌های هیرکانی با استفاده از تصاویر ماهواره‌ای و الگوریتم ماشین بردار پشتیبان. فصلنامه استراتژی راهبردی جنگل. دوره(2).1-11.

حسنی مقدم، حسن(1396). ارزیابی عملکرد تبدیل موجک با الگوریتم‌های سطح اتخاذ تصمیم در ادغام تصاویر فراطیفی با تصاویر دارای قدرت تفکیک مکانی بالا. پایان‌نامه کارشناسی ارشد دانشگاه خوارزمی. استاد راهنما علی‌اصغر تراهی.

حقانی، احمد(1396). نگاهی تاریخی به پیدایش جبر نوین و برخی از بنیادی‌ترین دستاوردهای آن. فرهنگ و اندیشه ریاضی، دوره(36)، 1-34.

علیمحمدی، عباس. شمس‌الدینی، علی. و ضیاییان، پرویز(1387). مقایسه عملکرد طیفی و مکانی روش‌های ترکیب تصاویر در اختلاف قدرت تفکیک‌های مختلف تصاویر چند طیفی و پانکروماتیک: تهران. فصلنامه مدرس علوم انسانی، دوره(12). 137-119.

قاسمیان یزدی، محمدحسن. و الیاسی، مصلح(1389). ادغام اطلاعات مکانی آیکونوس و اطلاعات طیفی اسپات4. فصلنامه مدرس علوم انسانی، دوره(14). 57-81.

صیادی. امید. (1387). جزوه آشنایی مقدماتی با تبدیل موجک. دانشگاه صنعتی شریف، دانشکده مهندسی برق.

Akbari, E., Amiri, N., & Azizi, H. (2012). Remote Sensing and Land Use Extraction for Kernel Functions Analysis by Support Vector Machines with ASTER Multispectral Imagery. Iranian Journal of Earth Sciences, 4, 75-84.‏

Brooks. E. B.( 2013). “Fourier series application in multitemporal re,ote sensing analysis using landsat data”, Doctor of philosophy in forestry, Blaksburg, Virginia.

 

Cevikalp. H, & Kurt. Z.(2017). ., “The Fourier transform based description for visual object classification”, Anadolu University Journal of Science and Technology A- Applied Sciences and Engineering, Vol, 18, pp. 247-261.

 

Dhavan.R, & Kumar Gang. N.(2014). “A hybrid approach of wavelet for effective image fusion for multimodal medical images”, International journal of technical research and application, Vol, 2 pp. 44-48.

 

Gómez-Chova, L., Muñoz-Marí, J., Laparra, V., Malo-López, J., & Camps-Valls, G. (2011). A review of kernel methods in remote sensing data analysis. In Optical Remote Sensing (pp. 171-206). Springer, Berlin, Heidelberg.‏

Grochala. A, & Kedzierski. M.(2017). “A method of panchromatic image modification for satellite imagery data fusion”, Journal of remote sensing, Vol.9,pp. 1-21.

 

Gharbai. R, Taherazar. A, Elbaz. A, & Hassanien. A. E.(2014). ., “Image fusion techniqes in remote sensing”, Arxiv.

 

Gautam. R, & Datar. Sh.(2017). “Application of image fusion techniques on medical images”, International journal of current engineering and technology, Vol.7. pp. 161-167.

 

Hasani Moghaddam. H, Adli Atiq. R, Gholami. J, Abasi Ghadim. A, & Zeaiean Firouz Abadi. P.(2018). “Performance Analysis of Support Vector Machine, Neural Network and Maximum Likelihood in Land use/cover Mapping  and GIS”, 2nd International Conference on New Horizons in the Engineering Science, 9th August 2018 – Istanbul. TurkeyYildiz Technical University.

 

Hsu, C. W., Chang, C. C., & Lin, C. J. (2003). A practical guide to support vector classification.‏ Taiwan university.

 

Kaur. G, & Mittal. A. K.(2015). “A new hybrid wavelet based approach for image fusion”, IJIRSET, Vol, 4, pp. 19034-19043.

Kaur. D.(2016). “Image fusion using Hybrid techniques(PCA+SWT)”, International journal of engineering and computer science. Vol, 5. pp. 15661- 15667.

 

Nalini. M.S, Kolekar. B, & Shelkikar. R. P.(2016). ., “Areview on wavelet transform based image fusion and classification”, International journal of application or innovation in engineering and management, Vol,5. pp. 111-115.

 

Pohl. Ch, & Vangendern. J.(2016). “Remote sensing image fusion: A practical guide”, CRC press.

 

Sahu. D. K, & Parsai. M. P.(2012). “Different image fusion techniques- Acritical review”, International journal of modern engineering research, Vol, 2. pp. 4298- 4301.

 

Shenbaga Ezhil. S.(2017). “Real time application of Fourier transform”, Indonesian Journal of Electrical Engineering and Computer Science, Vol, 8. Pp. 574-577.

 

Taati. A., Sarmadian. F., Mousavi. A., Hossien Pour. CH., and Esmaile Shahir. A.M. (2014). Land use classification using support vector machine and maximum likelihood algorithm by Landsat5 TM imagery. Engineering and Physical Sciences, 12(8), 681-687.

Watanabe. F, Alcantra. E, Rodriguez. Th, Rotta. L, Bernardo. N, & Imai. N.(2017). “Remote sensing of the chlorophyll-a based on OLI/Landsat-8 and MSI/Sentinel-2A”, Annals of the Brazilian academy of science, pp. 1-14.

 

Xiao. Y, Ouyang. Zh, Zhang. Zh, & Xian. Ch.(2017). “A comparison of haze removal algorithms and their impact on classification accuracy for Landsat imagery”, BCG. Vol,23. Pp. 55-71.