www.mktop_.ir

مقاله کامل در مورد تکنولوژی ثبت تصویر هوایی بر تصویر ماهواره ای (195صفحه) از این مطلب میتوانید در پایان نامه و مقاله سمینار و … خود استفاده بنمایید.

ثبت تصویر هوایی بر تصویر ماهواره ای پایان نامه کارشناسی ارشد

چکیده:

تثبیت خودکار تصاویر، فرآیند تعیین تناظریابی نقطه به نقطه (پیکسل به پیکسل) بین دو تصویر از یک منظره می­باشد. بعنوان مثال، تثبیت تصاویر در بسیاری از کاربردهای سنجش ­از دور، بینایی کامپیوتری، ناوبری مبتنی بر علائم زمینی و تصویر برداری پزشکی، به عنوان یک پیش پردازش اصلی مطرح است. در راستای تثبیت تصاویر سنجش از دور، تصاویر حاصل از سنجنده های متفاوت هوایی و ماهواره ای، یکی از پرکاربردترین منابع مورد استفاده در انجام روند فوق می باشند.

تکنولوژی ثبت تصویر هوایی بر تصویر ماهواره 2ای www.mktop.ir

تکنولوژی ثبت تصویر هوایی بر تصویر ماهواره 2ای www.mktop.ir

روشهای ارائه شده تقریباً به دو دسته اصلی قابل تقسیم هستند:

(۱) روشهای مبتنی ­بر مشخصه بر اساس استخراج مشخصه ها و ساختارهای متمایز در تصاویر انجام می گیرد. در این روشها دو مجموعه از مشخصه ها در دو تصویر مرجع و تصویر ورودی به نمایندگی نقاط کنترلی (نقاط مشخص، نقاط ابتدا و انتهای خطوط، مراکز مشخصه های خط، مرکز ثقل نواحی و غیره) شناسایی می شوند. هدف یافتن جفت های متشابه از میان آنها با استفاده از روابط مکانی و یا توصیف گرهای متفاوت می باشد.

(۲) روشهای مبتنی ­بر ناحیه یا شدت بیشترین تاکید را بر روی مرحله تناظریابی داشته و عملاً هیچ مشخصه ای در این روشها استخراج نمی شود.

این روش­ها که عموماً روشهای شبه همبستگی یا تناظریابی الگو نامیده می شوند با خود مقادیر شدت تصاویر سروکار دارند و اغلب، شناسایی کمینه معیار عدم شباهت یا بیشینه معیار شباهت منجر به یک مسئله بهینه سازی چند بعدی خواهد شد. در ابتدای این پایان­نامه، مقایسه این دو دسته کلی ارائه شده است. نیاز به شرایط آغازین پارامترها، افزایش تعداد پارامترهای بهینه ­شونده به بیشتر از چهار و شش پارامتر و‌ محاسبات سنگین از محدودیت های‌ روش‌های تناظریابی ناحیه‌ای محسوب می شوند. بنابراین  به‌ منظور دست یابی به قابلیت اطمینان، افزایش سرعت و دقت فرآیند تثبیت کاملاً خودکار تصاویر هوایی بر روی تصاویر ماهواره آیکونوس، استفاده از روش تناظریابی مشخصه‌ای پیشنهاد میگردد. آیکونوس (انگلیسی: (Ikonos) ماهواره تجاری دیدبانی زمین است و نخستین ماهواره‌ای بود که قابلیت تهیه تصاویر ماهواره‌ای با وضوح بالا (۱ و ۴ متر) از زمین را داشته است. تصاویر این ماهواره با وضوح ۴ متر در باندهای چندطیفی (MS) و ۱ متر در پانکروماتیک (PAN) تهیه می‌شود. فروش تصاویر ماهواره‌ای آیکونوس از اول ژانویه ۲۰۰۰ آغاز شد.نام آیکونوس از واژه یونانی eikōn به معنی تصویر گرفته شده است.www.mktop.ir

خلاصه مشخصات مربوط به سنجنده های IKONOS-II www.mktop.ir

خلاصه مشخصات مربوط به سنجنده های IKONOS-II www.mktop.ir

اصول فتوگرامتری هوایی براساس قوانین عدسی ها بوده و بوسیله رابطه ریاضی زیر توصیف می‌گردد:

u فاصله بین شئ تا عدسی، v فاصله بین تصویر تا عدسی و f فاصله کانونی عدسی دوربین می‌باشد.

دسته بندی عکس هوایی. هندسه فتوگرامتری هوایی- نقشه www.mktop.ir

دسته بندی عکس هوایی. هندسه فتوگرامتری هوایی- نقشه www.mktop.ir

بدین منظور، با استخراج مشخصه های نقطه ای نامتغیر از تصاویر در قالب یک ساختار سلسله مراتبی نسبت به تعیین نقاط متناظر برمبنای تناظریابی بردارهای توصیف گر اقدام میگرددد که از شش مرحله اصلی تشکیل گردیده است:

  1. ایجاد هرم‌ مناسب برای تصاویر هوایی و ماهواره ای.

  2. استخراج و ذخیره سازی مشخصه های نامتغیر و بردارهای توصیف گر  SIFTدر لایه های هرم.

  3. کاهش ابعاد توصیف گرها با استفاده از آنالیز مولفه های اساسی، تناظریابی بردارهای توصیف گر بروش کمترین فاصله.

  4. شناسایی خوشه های با ارزش و مستجکم از نقاط متناظر دو تصویر با تبدیل هاف تعمیم یافته

  5. تعیین تابع تبدیل، حذف خطاهای بارز تناظریابی در لایه های هم سطح از هرم تصاویر.

  6. بهبود ضرایب تابع تبدیل با جستجوی سلسله مراتبی در لایه های هرم تصاویر.

تکنولوژی ثبت تصویر هوایی بر تصویر ماهواره ای www.mktop.ir

تثبیت تصاویر، فرآیند تعیین تناظریابی نقطه به نقطه (پیکسل به پیکسل) یا مشخصه های مشترک بین دو تصویر از یک منظره می­باشد .در این فرآیند، برای دو یا چند تصویر از یک منظره که ممکن است در زمان، موقعیت و زاویه دید و یا سنجنده‌های مختلف اخذ شده باشند، هم­پوشانی و همترازی دقیق تعیین می­شود و دو تصویر، به­صورت هندسی تطبیق می­یابند . درواقع، الگوریتم تثبیت، پارامترهای تبدیل هندسی از نوع خاصی (مثلاً ) را جستجو می­کند که به ازای یک دسته پارامتر خاص (P)، تصاویر مورد نظر را به بهترین وجه منطبق نماید . در این حالت، اختلاف موجود در تصاویر، ناشی از شرایط متفاوت تصویربرداری معرفی می‌شود .

تثبیت تصاویر دربسیاری از کاربردهای سنجش­ازدور، بینایی کامپیوتری، هدایت و ناوبری خودکار سکوهای متحرک و تصویر برداری پزشکی، به عنوان یک پیش پردازش اصلی مطرح است. در سنجش از دور، تعداد زیادی سنجنده ماهواره ای و هوایی برای کاوش زمین وجود دارند که روی سکوهای مجزا با مدارات و مشخصات هندسی مختلف نصب شده و مشاهدات هم زمان یا چند زمانه از صحنه های مشترک، با ویژگی مخصوص به خود ارائه می دهند. ادغام این تصاویر در حالات مختلف مکانی، رادیومتریکی و زمانی، تفسیر بهتری از پدیده­های علوم زمینی و فضایی را ممکن می­سازد.

قبل از اینکه این تصاویر، بتوانند برای امور سطح بالاتری مانند آشکارسازی تغییرات، ردیابی محیطی، ساخت تصاویر با خصوصیات رادیومتریکی و قدرت تفکیک بالاتر، سازمان­دهی پرواز و ناوبری مبتنی بر علائم زمینی، ساخت مدل دیجیتالی ارتفاع، کاوش سیاره­ای و بهره وری از تلفیق داده­ها به­کار روند، باید مقدمتاً به­صورتی دقیق هم مرجع شوند . بعنوان مثال، می توان به ادغام تصاویر حاصل از سنجنده اسپات با دقت مکانی بهتر نسبت به تصاویر لندستTM با دقت و اطلاعات طیفی بیشتر، یا ادغام تصاویر رادارSAR با تصاویرTM اشاره کرد.

ازسوی دیگر، درحوزه سنجش­ازدور مفهومی به­نام تثبیت زمینی وجود دارد که برای کسب یا ارتقاء دقت مکانی پیکسل­های تصویر اجرا می­گردد و فرآیندهای زیر را شامل می­شود:

  1. تثبیت یک تصویر با یک نقشه یا اطلاعات برداری.

  2. تثبیت یک تصویر با تصویر زمین مرجع شده( قبلاً با یک نقشه تثبیت یافته است).

  3. یافتن رابطه­ای بین مختصات تصویری (سطر، ستون) و مختصات زمینی (عرض جغرافیایی، طول جغرافیایی) با ابزاری غیر از تثبیت تصویر مانند عامل انسانی خبره.

در اینجا بهتر است سه اصطلاح مهمی را که در این پایان­نامه مکرراً ذکر می­شوند را تعریف نمود،‌ این اصطلاحات عبارتند از:

  1. تصویر مرجع: یکی از دو تصویر موجود می­باشد که قرار است مختصات هندسی پیکسل­های آن، مرجعی برای تصویر دیگر (تصویر ورودی) محسوب شود.

  2. تصویر ورودی: تصویر دوم در مجموعه دوتایی تصاویر است که قرار است با تصویر مرجع، تثبیت گردد. تصویر ورودی، به­عنوان تصویر هدف، تصویر تست یا تصویر سنجش­شده نیز شناخته می‌شود.

  3. تابع تبدیل: تابعی است که تصویر سنجش­شده را به تصویر مرجع (یا بالعکس)، نگاشت می‌دهد. تصویری را که قرار است روی آن تبدیل صورت گیرد، تصویر متحرک و تصویر دیگر را تصویر ثابت می­نامند.

    تعریف مسئله تثبیت: هم‌مرجع‌نمودن تصاویر نسبت به هم یا نسبت به پایگاه اطلاعات مرجع را می‌توان بوسیله تبدیل هندسی و رادیومتریک لازم برای ارتباط فضای دوبعدی تصاویر به صورت زیر بیان کرد.اگر دو تصویر سطح خاکستری دوبعدی و که به ­ترتیب، تصاویر مرجع و ورودی نامیده میشوند را درنظر بگیریم، تبدیل هندسی بین دو تصویر بصورت زیر بیان می شود:

    در ابتدا، یک تابع تبدیل هندسی دوبعدی از یک کلاس خاص () که نگاشت بین این دو تصویر را متناسب با اختلاف هندسی میان آنها تعیین می­کند، به­عنوان فضای جستجو انتخاب می­گردد. سپس برای تثبیت تصاویر، پارامترهای این تبدیل (P) را طوری می­یابیم که برای هر x,y  تابع Fr بهترین همپوشانی را با Fداشته باشد.

    P مجموعه­ای از پارامترهای یک تبدیل سیستم مختصات دو بعدی بوده و q یک تبدیل یک­بعدی روی سطوح خاکستری تصویر می­باشد. یافتن تبدیل های هندسی و رادیومتری لازم برای منطبق کردن دو تصویر هدف مساله تثبیت می باشد در مواقعی که دو تصویر از دو سنجنده متفاوت بدست آمده باشند (مثل تصویر رادار و تصویر نوری) و یا دو تصویر در شرایط جوی متفاوتی دریافت شده باشند، تبدیل رادیومتریکی لازم است در غیر اینصورت یافتن تبدیل هندسی یا مکانی کلید اصلی حل مساله هم مرجع نمودن می باشد و تبدیل هندسی فوق به صورت دو تابع مجزا برای x و y در نظر گرفته می شود.

    تحقیقات نشان می دهد که طراحی یک روش کاربردی و عمومی در تمامی مسائل هم مرجع سازی غیر ممکن است و در هر مورد با توجه به اطلاعات و داده‌های کمکی موجود،‌ نوع تصاویر و شرایط جوی و تصویر برداری می‌بایست استراتژی مناسبی اتخاذ گردد.

    1-2- ضرورت تثبیت خودکار تصاویر

    در روشهای دستی با کمک یک اپراتور متخصص، مجموعه­ نقاط کنترلی با تعداد کم بسیار دقیق یا تعداد زیاد کم ­دقت اما دارای توزیع خوب شناسایی شده و تابع تبدیل تعیین می گردد که برای تصاویر بزرگ یا حجم بالای تصاویر نامناسب است. خطا در انتخاب تعاملی نقاط کنترلی منجر به خطا در دقت هم مرجع نمودن خواهد شد. بنابراین به روشهای خودکار با عدم نظارت اپراتور احتیاج است. جایگزین عملی روشهای دستی، طراحی مجموعه ای از الگوریتم های مختلف هم مرجع نمودن قدرتمند است.

    1-3- مراحل و مؤلفه ­های تثبیت خودکار تصاویر

    مطابق شکل با داشتن دو تصویر از یک منظره، مراحل ذیل برای تثبیت تصاویر، اتخاذ می‌گردند. (این مراحل، بیشتر برای روش­های مبتنی­ بر مشخصه سازگار هستند):

    مراحل فرآیند تثبیت خودکار تصاویر. www.mktop.ir

    مراحل فرآیند تثبیت خودکار تصاویر. www.mktop.ir

  پیش­ پردازش: به منظور تسهیل، بهبود و افزایش اعتماد استخراج و تناظریابی مشخصه ها، در این مرحله از اعمال پارامترهای کالیبراسیون و آماده سازی تصاویر استفاده می‌شود. این پیش­پردازش معمولاً با استفاده از روش‌هایی نظیر تنظیم مقیاس، رفع نویز، رفع محوشدگی و قطعه‌بندی انجام می گیرد. زمانی که اندازه پیکسل‌ها در تصاویری که قرار است تثبیت گردند متفاوت اما معلوم باشد، یک تصویر به مقیاس تصویر دیگر بازنمونه‌برداریمی‌شود. این تنظیم مقیاس، تناظریابی مشخصه را تسهیل خواهد کرد. اگر بدانیم که تصاویر مفروض، نویزی هستند برای کاهش نویز، ملایم­سازیصورت می‌گیرد. قطعه­بندی تصویر، فرآیند قسمت­بندی یک تصویر به مناطق مختلف است به ­نحوی که مشخصه­ها بهتر قابل استخراج شوند.

  1. انتخاب مشخصه ها: برای تثبیت دو تصویر، تعدادی مشخصه معین و پایدار از تصاویر انتخاب و استخراج می‌شوند تا تناظریابی میان آنها برقرار ‌گردد. آنگاه با داشتن مشخصه های متناظر، یک تابع تبدیل برای بازنمونه‌برداری تصویر ورودی به هندسه تصویر مرجع، تعیین می‌شود. عموماً مشخصه های به­کار رفته در تثبیت تصویر عبارتند از: گوشه، خط، منحنی، الگو، ناحیه و وصله. نوع مشخصه انتخاب شده در یک تصویر، به نوع تصویر بستگی دارد. تصویر یک منظره مصنوعی، اغلب حاوی قطعه خطوط است، درحالی­که یک تصویر ماهواره‌ای اغلب شامل مرزها و نواحی است. در تصاویر دوبعدی و سه­بعدی، الگوها فراوان هستند و می‌توانند به­ عنوان مشخصه برای منطبق کردن تصاویر، به­ کار روند.

  2. تناظریابی مشخصه ها : این مرحله می‌تواند با ارزیابی تشابه میان مشخصه‌ های تصویر مرجع و جستجوی متناظرهای آنان در تصویر ورودی، یا با استخراج مشخصه ها در هر دو تصویر به­صورت مستقل و سپس تعیین تناظریابی بین آنها، انجام شود. روش اول زمانی انتخاب می‌شود که مشخصه ها حاوی اطلاعات قابل ملاحظه‌ای مانند نواحی یا الگوهای تصویری باشند. روش دوم زمانی به­کار می‌رود که مشخصه های منحصربه­فرد، نظیر نقطه و خط، حاوی اطلاعات کافی نباشند.

    اگر مشخصه ها نقطه نباشند، تعیین حداقل یک جفت نقطه متناظر از هر جفت مشخصه متناظر، اهمیت دارد. مختصات نقاط متناظر، برای تعیین پارامترهای تبدیل به­کار می‌روند. برای مثال، اگر الگوها به­کار رفته باشند، مراکز الگوهای متناظر، نماینده نقاط متناظر هستند؛ اگر نواحی به­کار رفته باشند، مرکز انحنای نواحی متناظر، نماینده نقاط متناظر هستند؛ اگر خطوط به­کار رفته باشند، تقاطع جفت خطوط متناظر، نماینده نقاط متناظر می­باشند و اگر منحنی‌ها به­کار روند، نقاط دارای بیشترین انحنای محلی روی منحنی‌های متناظر، نماینده نقاط متناظر می‌باشند. پس از ارزیابی شباهت مشخصه ها توسط معیارهای تشابه و توصیف گرهای مختلف، عملیات تناظریابی نهایی با الگوریتم های جستجو و بهینه سازی قدرتمند انجام می گیرد.  

  3. تعیین یک تابع تبدیل: با دانستن مختصات یک مجموعه نقاط متناظر در تصاویر، یک تابع تبدیل برای بازنمونه­برداری تصویر ورودی (یا مرجع) به هندسه تصویر مرجع (یا ورودی)، تعیین می‌گردد. نوع تابع تبدیل و تعداد پارامترهای آن، باید متناسب با نوع اختلاف هندسی بین تصاویر باشد. اگر اختلاف هندسی بین تصاویر نامعلوم باشد، باید تبدیلی به­کار رود که بتواند به ­سادگی با اختلاف هندسی بین تصاویر سازگار گردد.

  4. بازنمونه­ برداری: با دانستن تابع تبدیل، تصویر ورودی به هندسه تصویر مرجع، بازنمونه‌برداری می‌شود. پس از محاسبه پارامترهای تبدیل، می توان از این تابع برای انتقال همه پیکسل های تصاویر استفاده نمود. این عمل، کاربردهای مختلفی در حوزه پردازش تصویر را که در بخش بعد ذکر خواهند شد، ممکن می‌سازد.

 از سوی دیگر، تثبیت تصویر می­تواند به­صورت ترکیبی از چهار مؤلفه زیر، دیده شود (این مؤلفه ­ها، بیشتر برای روش­های مبتنی­برشدت که در بخش بعد ذکر خواهند شد، سازگار هستند) :

  1. فضای مشخصه ها : مجموعه مشخصه های به­کاررفته برای انجام عمل تطبیق است که از داده مرجع و ورودی، استخراج می­شوند.

  2. فضای جستجو: کلاس (نوع) تبدیلات بالقوه­ای است که تناظر میان داده ورودی و داده مرجع را برقرار می­کند.

  3. استراتژی جستجو: این استراتژی به­کار می­رود تا انتخاب کند که چه تبدیلاتی باید برای رسیدن به پاسخ نهایی، محاسبه شده و ارزیابی شوند.

  4. معیار شباهت: میزان تثبیت میان داده ورودی و داده مرجع تبدیل­ یافته را برای یک تبدیل معین که در فضای جستجو انتخاب شده است، محاسبه می­کند.

1-4- طبقه ­بندی روش­های تثبیت تصویر

روش‌های تثبیت تصاویر می‌توانند با توجه به معیارهای مختلف و از جنبه­های گوناگون، تقسیم­بندی شوند. حوزه کاربرد، ابعاد داده، نوع جمع­آوری داده، نوع اطلاعات به­کار رفته در الگوریتم، نوع و پیچیدگی اعوجاجات موجود در تصاویر، بار محاسباتی و ایده‌های اساسی در الگوریتم تثبیت، از جمله این موارد می­باشند . در اینجا به برخی از این طبقه­بندی­ها اشاره می­کنیم:

طبقه­ بندی از لحاظ نوع استخراج مشخصه ها: روش­های تثبیت تصاویر را می­توان براساس نوع استخراج مشخصه ها، دو دسته تقسیم­ میشود:

  1. روش­های مبتنی­ برناحیه (یا مبتنی­ برشدت): این روش‌ها، به­جای آشکارسازی مشخصه ها، روی مرحله تناظریابی مشخصه ها تأکید می‌کنند. در این نوع روش‌ها، هیچ مشخصه ای آشکار نمی‌شود، لذا اولین مرحله تثبیت تصویر، حذف می‌گردد.

  2. روش­های مبتنی ­بر مشخصه: براساس استخراج مشخصه ها، در حوزه مکان یا در حوزه تبدیل صورت می­گیرد. این مشخصه ها باید مجزا و قابل تشخیص بوده و در سراسر تصویر پراکنده باشند. همچنین، مشخصه ها باید در طول زمان آزمایش مکان ثابتی داشته باشند و به اجسام متحرک و ناپایدار، متعلق نباشند.

  • ‌ب- طبقه­ بندی از لحاظ مؤلفه­ های مختلف تثبیت تصویر

براساس چهار مؤلفه پیشنهادی توسط براون، که در بخش قبل به آنها اشاره شد نیز می­توان الگوریتم­های تثبیت را دسته ­بندی نمود:

  1. نوع فضای جستجو: فضای جستجو، کلاسی از تبدیلات بالقوه می­باشد که تناظر میان تصاویر مرجع و ورودی را برقرار می­نماید و نوع آن متناسب با نوع اختلاف هندسی میان دو تصویر است.

  2. نوع فضای مشخصه: فضای مشخصه، نوع اطلاعات استخراج شده از تصاویر را که برای یافتن بهترین تبدیل به­کار می­رود، تعیین می­کند.

  3. نوع معیار شباهت: معیار شباهت، به ترم «بهترین تثبیت» معنا می­دهد و نوع آن، با توجه به فاکتورهای مختلف، حائز اهمیت است.

  4. نوع استراتژی جستجو: استراتژی جستجو، چگونگی استفاده از مشخصه ها و معیار برای بهترین را توصیف می­کند و انواع آن، موضوع بسیاری از مقالات علمی است.

  • ‌ج- طبقه ­بندی از لحاظ شباهت با روش­های دستی

همان­گونه که قبلاً به آن اشاره شد، در فرآیند تثبیت نیمه­خودکار رایج، ابتدا قبل از محاسبه مدل تخریب، به­صورت دستی نقاط کنترلی متناظر تعیین می­شود. براین ­اساس، روش­های خودکار می­توانند به دو دسته ذیل تقسیم شوند :

  1. روش­های نگاشت نقطه­ای: روش­هایی هستند که همان فرآیند تثبیت دستی را به­صورت جمع­آوری جفت نقاط کنترلی متناظر، تقلید می­کنند. معمولاً برای بهبود دقت، با تعداد زیادی از جفت کاندیدها آغاز می­شوند و سپس به­جز چند جفت که بر اساس معیاری خاص بیشترین قابلیت اطمینان را دارند، بقیه کنار گذاشته می­شوند .www.mktop.ir

  2. روش­های تطبیق عمومی: درمیان روش­های عمومی که همه تصویر را در نظر می­گیرند، تبدیل از طریق همبستگی یا بهینه­سازی در حوزه فرکانس یا مکان، تعیین می­شود .

  • ‌د- طبقه­ بندی از لحاظ نوع اطلاعات به­کار رفته در الگوریتم: الگوریتم‌های تثبیت خودکار را می­توان براساس نوع اطلاعات به­کار رفته در آنها، به کلاس‌های زیر تقسیم­ بندی نمود:

  1. الگوریتم‌هایی که مستقیماً مقادیر پیکسل تصویر را استفاده می‌کنند.

  2. الگوریتم‌هایی که در حوزه فرکانس عمل می‌کنند.

  3. الگوریتم‌هایی که مشخصه های سطح پایین نظیر لبه‌ها و گوشه‌ها را به­کار می‌برند.

  4. الگوریتم‌هایی که مشخصه های سطح بالا نظیر اهداف شناخته شده یا ارتباط میان مشخصه ها را به­کار می‌برند.

  • ‌ه-طبقه­ بندی از لحاظ نوع تبدیل : تبدیل، که نگاشت از مکان‌های نقاط در یک تصویر به مکان‌های جدید نقاط در تصویر دیگر است،  می­تواند به سه دسته کلی زیر تقسیم شود .

  1. عمومی: نگاشت، از معادله‌ای ساده تشکیل می‌شود که هر نقطه در تصویر اول را به مکانی جدید در تصویر دوم، می‌نگارد. معادله، تابعی از مکان‌های تصویر اول است، اما برای همه بخش‌های تصویر، یکسان است؛ یعنی پارامترهای تابع، به مکان بستگی ندارند . این گروه از روش ها معمولاً در بردارنده جبر ماتریسی است که در آن، یک ماتریس منفرد (کوچک)، تبدیل کل تصویر را مشخص می­کند. اعمال نمونه، جابه­جایی، چرخش، مقیاس­گذاری همسان یا ناهمسان، تبدیلات دو یا سه­خطی و معادلات درجه دوم هستند .

  2. محلی: در این نوع تبدیل، نگاشت نقاط تصویر بستگی به موقعیت آنها دارد. نگاشت می­تواند از چندین نگاشت کوچکتر (چندین معادله) مختص هر تکه از تصویر، تشکیل شود . درواقع، این نوع تبدیلات که گاهی نگاشت کشسان نیز نامیده می­شوند، به پارامترهای تبدیل این امکان را می­دهند که وابستگی مکانی را ارائه دهند. این پارامترها اغلب فقط روی نقاط کلیدی خاص تعریف می­شوند و بر مبنای منطقه- به- منطقه درون­یابی می­گردند .

در نگاشت کشسان، تغییر شکل تصاویر بصورت یک پوسته کشسان مدل می شود. شباهت بین نقاط دو تصویر به عنوان یک نیروی خارجی عمل نموده که پوسته را تغییر شکل می دهد. به لحاظ تئوری در یک پوسته کشسان، نیروهای خارجی برخلاف نیروهای داخلی عمل می کنند نیروهای خارجی موجب می شوند که تا موقعی که نیروهای داخلی وابسته به مدل کشسانی هستند، تصویر بصورت محلی نزدیک به متشابه ترین همتای خود تغییر شکل بدهد. به منظور برطرف کردن محدودیت های مدل کشسان، از حداقل سازی انرژی استفاده می شود:

انرژی شباهت- انرژی تغییر شکل= تابع هزینه

برای تعیین حداقل انرژی، دستگاهی از معادلات دیفرانسیل جزئی بدست می آید که جواب های آن، مجموعه اختلافات و تغییر مکان های بین تصاویر می باشد که دو تصویر را تثبیت می کنند .

  1. حوزه جابه­ جایی: حوزه­ جابه­جایی صحیح که گاهی نیز اپتیکال فلو نامیده می­شوند، با استفاده از یک طرح بهینه­سازی تابعی (پیوسته)، به­دست می­آیند که درآن، برای هرنقطه در تصویر، یک جابه­جایی مستقل با قیود ناشی از برخی تنظیمات اولیه، محاسبه می­گردد.

  • ‌و-طبقه­ بندی از لحاظ نوع تغییراتwww.mktop.ir

اختلاف در مقادیر پیکسل‌ها و موقعیت آنها بین تصاویر، شامل اعوجاجاتی است که اندازه‌های صحیح را خراب کرده‌اند. از این دیدگاه روش ها را می توان به موارد زیر تقسیم بندی کرد:

  1. عمومی: تصاویر در میان کل منظره، به­صورت یکسان تغییر کرده اند. مثلاً، تغییرات ناشی از نویز سفید جمع­شونده که روی مقادیر شدت همه پیکسل‌ها به­طریق یکسان اثر می‌گذارد. هر پیکسل به­صورت متفاوتی تأثیر می‌پذیرد اما اختلاف، به موقعیت پیکسل وابسته نیست.

  2. محلی: اختلاف بین تصاویر، به موقعیت در تصویر وابسته است. مثلاً اعوجاجات ناشی از پرسپکتیو، به عمق مناظر افکنده ­شده روی تصویر بستگی دارند. مناطقی در تصویر که متناظر با مناظر دورتر هستند، به شیوه‌ای متفاوت نسبت به مناطق متناظر با مناظر نزدیک‌تر، معوج می‌شوند.

    تکنولوژی ثبت تصویر هوایی بر تصویر ماهواره gis ای www.mktop.ir

    تکنولوژی ثبت تصویر هوایی بر تصویر ماهواره  gis   www.mktop.ir

    طبقه­ بندی از لحاظ نوع محاسبات:

این تقسیم­ بندی،‌ به مجموعه محاسبات انجام ­شده برای تعیین پارامترهای تبدیل، بازمی‌گردد. از این حیث روش ها قابل تقسیم به موارد زیر هستند:

  1. عمومی: همه بخش‌های تصویر را برای محاسبه پارامترهای تبدیل به­کار می‌برد. اگر یک تبدیل محلی محاسبه شود، آنگاه هر مجموعه از پارامترهای محلی، با استفاده از کل تصویر محاسبه می‌شود. این روش بار محاسباتی بالایی دارد اما مزیت استفاده از اطلاعات بیشتر را داراست.

  2. محلی: تنها، بخش‌های محلی مربوطه در تصویر را برای هر مجموعه از پارامترهای محلی، به­کار می‌برد تا یک تبدیل محلی را تعیین نماید. استفاده از بخش‌های محلی تصویر برای هر محاسبه، باعث سریع‌ترشدن روش می­شود. همچنین می­‌تواند مزیت عدم تأثیرپذیری نادرست از بخش‌های دیگر تصویر را داشته باشد.

1-5- انواع کاربردهای تثبیت تصویر

کاربردهای تثبیت تصویر با توجه به شیوه جمع­آوری تصویر، عموماً می‌تواند به چهار گروه اصلی   تقسیم­ بندی شود:

  1. تجزیه­ تحلیل چندنگاهی (جمع ­آوری تصاویر از نقطه­ دیدهای مختلف): در این حالت، تصاویر یک منظره، از نقطه­دیدهای مختلف جمع­آوری می‌شوند. هدف، به­دست­آوردن دید دوبعدی بزرگتر یا نمایش سه­بعدی از منظره اسکن­شده، می‌باشد.

نمونه کاربردها: در سنجش ­ازدور برای ناوبری برمبنای علائم زمینی، سازمان­دهی پرواز و کاوش سیاره­ای، موزائیک­ کردن تصاویر منطقه نقشه­ برداری شده و ساخت مدل دیجیتالی ارتفاع (DEM) به­کار می­رود. در بینایی کامپیوتری، برای بازیابی شکل از تصاویر دو وجهی( استریو) استفاده می­شود.

  1. تجزیه ­تحلیل چندزمانی (جمع­ آوری تصاویر در زمان‌های مختلف):www.mktop.ir

برای این حالت، تصاویر یک منظره، در زمان‌های مختلف اغلب به­صورت منظم و احتمالاً تحت شرایط متفاوت، جمع­آوری شده‌اند. دراینجا، هدف یافتن و ارزیابی تغییراتی در منظره است که بین برداشت‌های متوالی تصویر، ظاهر می‌شوند. نمونه کاربردها: در سنجش­ازدور برای آشکارسازی تغییرات جهت پایش و اندازه ­گیری مشخصه­ های کشاورزی و نظامی، نقشه­ برداری منابع زمین، پایش کاربری عمومی زمین و برنامه­ ریزی چشم­انداز و نیز حذف ابر (برای وقتی که مشاهداتِ چندین روز، می­توانند ترکیب شوند تا داده بدون ابر ساخته شود)، استفاده می­شود. در بینایی کامپیوتری برای آشکارسازی خودکار تغییرات جهت کنترل امنیت و موقعیت ­یابی و ردیابی هدف (حرکت) به ­کار می­رود.

در تصویربرداری پزشکی برای نظارت بر معالجه و بازبینی سیر تغییرشکل تومور استفاده می­گردد.

در تصویربرداری پزشکی برای نظارت بر معالجه و بازبینی سیر تغییرشکل تومور www.mktop.ir

در تصویربرداری پزشکی برای نظارت بر معالجه و بازبینی سیر تغییرشکل تومور www.mktop.ir

 

  1. تجزیه­ تحلیل چندوجهی (جمع ­آوری تصاویر توسط سنجنده‌های مختلف): برای این نوع از کاربردها، تصاویر یک منظره توسط سنجنده‌های مختلف جمع­آوری شده‌اند. هدف، مجتمع­ کردن اطلاعات به­دست آمده از منابع مختلف، برای بهره ­گیری از نمایش مختلط و پرجزئیات منظره، می‌باشد.

نمونه کاربردها: در سنجش­ازدور برای کالیبراسیون سنجنده جدید  و ترکیب اطلاعات سنجنده‌های دارای خصوصیات متفاوت مانند تصاویر پانکروماتیک (همه­ رنگ) با تفکیک­پذیری مکانی بهتر، تصاویر رنگی/ چندطیفی با تفکیک­پذیری طیفی بهتر یا تصاویر راداریِ مستقل از پوشش ابر و روشنایی خورشید، که تجمیع و یکپارچه­ سازی اطلاعات مکمل سنجنده ­های مختلف بعلاوه دست­یابی به تفکیک ­پذیری عالی  را ممکن می­سازد، به­ کار می­رود. در تصــویربـرداری پـزشکی برای تـرکیب داده ســنجنده‌های مربوط به ســاختار کالبدشناسی بدن نظیر تصویر رزونانس مغناطیسی (MRI)، آلتراسوند (فراصوت) یا توموگرافی کامپیوتری (CT)، با سنجنده‌های مربوط به بازبینی فعالیت‌های اساسی و سوخت­وساز بدن نظیر پرتونگاری مقطعی تابش پوزیترون (PET)، پرتونگاری مقطعی تابش محاسبه­شده تک­فوتون (SPECT) یا استریوسکوپی رزونانس مغناطیسی (MRS)، استفاده می­شود. در کاربردهای پزشکی، این نتایج می‌توانند برای پرتودرمانی و پزشکی هسته‌ای به­کار روند.

  1. تثبیت منظره با مدل: در این حالت، تصاویر یک منظره و یک مدل از منظره، منطبق می‌شوند. مدل می‌تواند یک نمایش کامپیوتری از منظره (مثلاً نقشه یا مدل‌های دیجیتالی ارتفاع (DEM) در GIS)، منظره دیگری با محتوای مشابه (مثلاً بیماری دیگر)، نمونه «میانگین» و غیره، باشد. هدف، یافتن موقعیت تصویر گرفته­شده، در منظره/ مدل و/یا مقایسه­کردن آنهاست.

    به طورکلی سنجش ­ازدور عبارت است از: «علم جمع ­آوری، اندازه­ گیری و تفسیر داده­ها یا اطلاعات، از بعضی مشخصات یک پدیده یا جسم، به­وسیله سنجنده­ هایی که در تماس فیزیکی با موضوع مورد بررسی نیستند». این عـلم، با شناسایی و اندازه­گیری پدیده­ها بـه­وسـیله ابزار حساس بـه انرژی الکترومغناطیسی مانند زیر سروکار دارد .

    نور (در دوربین­های اپتیکی و اسکنرهای دیجیتالی جاروب­کننده)

    گرما (در اسکنرهای حرارتی)

    امواج رادیویی (در سنجنده­های راداری)

    شمای کلی یک سیستم سنجش ازدور www.mktop.ir

    شمای کلی یک سیستم سنجش ازدور www.mktop.ir

نمونه کاربردها: در سنجش­ ازدور برای تثبیت داده هوایی یا ماهواره‌ای با نقشه‌ها یا لایه‌های دیگر GIS و به­روزرسانی نقشه استفاده می­گردد. در بینایی کامپیوتری برای تطبیق الگوی هدف با تصاویر بلادرنگ و بازبینی خودکار کیفیت به­کار می­رود. در تصویربرداری پزشکی برای مقایسه تصویر بیمار با اطلس‌های دیجیتالی کالبدشناسی و کلاسه­ بندی نمونه‌ای استفاده می­شود.

همواره تصاویر دریافتی نیاز به فیلتر و تصحیح خواهند داشت . مهمترین فیلترهای نرم کننده تصاویر فیلترGaussian و Mean به‌منظور کاهش Zero-mean و White noise و فیلترMedian به ‌منظور کاهشImpulse و Salt-and-pepper noise می‌باشد. به‌منظور اعمال فیلترهای موردنظر تابع درجات خاکستری (f(x,y با کرنل h به سایز2KX1در2KX1 به وسیله اپراتور کانولوشن به صورت زیر باهم ترکیب و خروجی تصویری(f(x,yبا مقادیر می‌باشد:

فیلترهای نرم کننده تصاویر فیلترGaussian و Mean

فیلترهای نرم کننده تصاویر فیلترGaussian و Mean

 

متن ارایه شده در بالا به صورت خلاصه بوده و برای آشنایی شما میباشد. امید داریم تا اینجای مطلب مورد توجه شما قرار گرفته باشد. جهت دریافت ادامه مطلب ،روشها و فرمولهای مربوطه و… به صورت کامل  WORD + PDF  به لینک دریافت زیر مراجعه نمایید. این موضوع براساس سیستم پایان نامه نویسی طراحی شده است و 195 صفحه میباشد و 106 رفرنس دارد.

 برای دریافت pdf+word  کامل این مطلب بر روی کلیدزیر،کلیک نمایید . 

قیمت: 20000 تومان

20000 تومان خريد

۱۱ دیدگاه. بیرون رفتن و ثبت نظرجدید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Fill out this field
Fill out this field
لطفاً یک نشانی ایمیل معتبر بنویسید.
برای ادامه، شما باید با این شرایط موافقت کنید

8 − 5 =

فهرست