اثرات تصحیح اتمسفر و بهبود تصویر بر قطعات موثر گلخانه پلاستیکی بر اساس روش استخراج نیمه خودکار

خلاصه

برای بهبود کیفیت بخش‌بندی چند وضوح (MRS) گلخانه‌های پلاستیکی (PGs) در تصاویر GaoFen-2 (GF-2)، اثرات تصحیح اتمسفر و بهبود تصویر بر بخش‌های PG موثر (EPGS) مورد ارزیابی قرار گرفت. یک روش نیمه خودکار جدید نیز برای استخراج EPGS به روشی دقیق و کارآمد پیشنهاد شد. ابتدا تصاویر GF-2 از طریق تصحیح اتمسفر، تصحیح املایی، ثبت، همجوشی، فشرده سازی خطی یا فیلتر فضایی پیش پردازش شدند و سپس نمونه های نقطه ای حذف شده با تراکم قابل تنظیم بر اساس چندضلعی های مرجع با بهره گیری از ویژگی ها ساخته شدند. تقسیم بندی صفحه شطرنج پس از آن، نمونه‌های نقطه‌ای برای استخراج سریع و دقیق بخش‌های حاوی ۷۰ درصد یا بیشتر پیکسل‌های PG در هر نتیجه MRS مورد استفاده قرار گرفتند. سرانجام، EPGSهای استخراج‌شده از طریق تقاطع بیش از اتحادیه (IoU)، شاخص بیش‌بخش‌بندی (OSI)، شاخص زیربخش‌بندی (USI)، شاخص خطای مساحت کل (ETA)، و شاخص خطای مرکب (CEI) مقایسه و تجزیه و تحلیل شدند. نتایج تجربی نشان می‌دهد که همراه با تغییر در متغیرهای کنترل، پارامتر مقیاس بهینه، زمان تقسیم‌بندی، IoU، OSI، USI و CEI همگی روندهای تغییر قوی را نشان دادند، با مقادیر ETA همگی نزدیک به ۰٫ علاوه بر این، مقایسه شد. با گروه کنترل، تمام CEI های EPGS استخراج شده از آن تصاویر تصحیح شده و بهبود یافته به مقادیر کمتری منجر شد و یک CEI بهینه شامل فشرده سازی خطی مقدار DN تصویر همجوشی تصحیح شده با جو به ۰-۲۵۵ و سپس استفاده از فوریه سریع بود. تبدیل و یک فیلتر پایین گذر دایره ای با شعاع ۸۰۰ پیکسل برای فیلتر از حوزه فرکانس فضایی. در این مورد، حداقل مقدار CEI 0.159 بود. نتایج این مطالعه نشان می‌دهد که طراحی ۷۰% در آزمایش نسبت پیکسل معقولی برای تعیین EPGS است و الگوی OSI-USI-ETA-CEI می‌تواند در زمانی که برای ارزیابی کیفیت EPGS مورد نیاز باشد مؤثرتر از IoU باشد. . علاوه بر این، با در نظر گرفتن ناهمگنی و ویژگی های هدف، تصحیح اتمسفر و بهبود تصویر قبل از MRS می تواند کیفیت EPGS ها را بهبود بخشد.

کلید واژه ها:

تصحیح جوی ؛ بهبود تصویر ؛ تقسیم بندی چند رزولوشن (MRS) ؛ قطعات گلخانه ای پلاستیکی موثر (EPGSs) ؛ GaoFen-2 (GF-2) ; شاخص تقسیم بیش از حد (OSI) ; شاخص زیربخش بندی (USI) ; شاخص خطای مساحت کل (ETA) ; شاخص خطای ترکیبی (CEI)

۱٫ معرفی

گلخانه های پلاستیکی (PGs) به طور گسترده برای دهه ها ساخته شده اند [ ۱ ]. در نتیجه، نمایه های مبتنی بر پیکسل [ ۲ ، ۳ ، ۴ ]، طبقه بندی نظارت شده [ ۵ ، ۶ ، ۷ ، ۸ ، ۹ ]، یا تقسیم بندی معنایی [ ۱۰ ، ۱۱ ، ۱۲ ، ۱۳ ، ۱۴ ]، تشخیص مبتنی بر پنجره، [ ۱ ] ۱۳ ، ۱۵ ، ۱۶ ] و تجزیه و تحلیل مبتنی بر شی [ ۱۷ ، ۱۸ ، ۱۹ ، ۲۰, ۲۱ , ۲۲ , ۲۳ , ۲۴ , ۲۵ ] برای استخراج مکان، مرز یا تعداد PG ها پیشنهاد شده است. به طور کلی، سه واحد طبقه بندی مزایا و معایب خاص خود را در وضوح یا مقیاس های مختلف تصویر دارند و تجزیه و تحلیل مبتنی بر شی PG ها هنوز یک رویکرد قابل توجه است.

در چین، از آنجایی که PG های دیواره ای معمولاً تقریباً به شکل یک چهارم استوانه هستند، و PG های بدون دیوار عموماً تقریباً به شکل نیمه استوانه ای هستند [ ۲۶ ]، فیلم پوشش دهنده PG ها با نور خورشید و نور پراکنده از آسمان در زوایای مختلف تعامل دارد. . در نتیجه، مقادیر DN پیکسل‌های متعلق به همان PG اغلب ناهمگونی قوی را در تصاویر سنجش از دور با وضوح بالا نشان می‌دهند [ ۲۷ ، ۲۸ ]، که مشکل تقسیم‌بندی پیکسل‌های PG را در Gaofen-2 (GF-2) افزایش می‌دهد. تصویر همجوشی [ ۲۹ ].

اگرچه روش‌های تقسیم‌بندی مختلفی در سال‌های اخیر پیشنهاد شده‌اند، تقسیم‌بندی با وضوح چندگانه (MRS) [ ۳۰ ] همچنان نقش حیاتی [ ۳۱ ] به عنوان ابزار پیش پردازش داده‌ها برای روش‌های یادگیری ماشین مانند نزدیک‌ترین همسایه [ ۱۷ ، ۳۲ ]، درخت تصمیم بازی می‌کند. [ ۱۸ ]، ماشین بردار پشتیبانی [ ۱۷ ، ۲۵ ]، و جنگل تصادفی [ ۱۷ ، ۲۳ ، ۲۴ ، ۲۵ ]. علاوه بر این، تخمین پارامتر مقیاس (ESP) 2 [ ۳۳]، که برای محاسبه پارامتر مقیاس بهینه (OSP) در چندین لایه پیشنهاد شد، قابلیت عمل MRS را بهبود بخشیده است. علاوه بر این، تغییر میانگین و MRS نیز به عنوان یک مرحله پیش پردازش برای کاربرد یادگیری عمیق استفاده می شود [ ۳۴ ، ۳۵ ]. با این وجود، هنوز مشکلات متعددی برای به دست آوردن و ارزیابی بخش های PG موثر (EPGS) وجود دارد.

اول، مشخص است که ارزیابی تمام بخش های حاوی پیکسل های PG ضروری نیست. با این حال، معیارهای بخش‌های مؤثر در مطالعات قبلی بسیار کمتر محدودکننده هستند [ ۲۹ ، ۳۶ ]، در حالی که تضمین این که EPGS‌ها حاوی پیکسل‌های PG کافی هستند تا نماینده باشند، برای طبقه‌بندی بعدی حیاتی است.

دوم، کارایی بدست آوردن EPGS های معرف هر گروه آزمایشی به اندازه کافی بالا نیست. اکثر مطالعات قبلی نمونه های بررسی نقطه ای EPGS ها [ ۱۸ ، ۲۰ ، ۲۱ ، ۲۲ ] را در زمان کمتری استخراج می کنند، اما تعداد کمی از EPGS ها نمی توانند کل کیفیت را نشان دهند. یائو و همکاران از نمونه‌های کاملی استفاده کرد که به‌صورت دستی انتخاب شدند، در حالی که آزمایش‌های مقایسه‌ای متقاعدکننده‌تر به زمان بیشتری نیاز دارند [ ۲۹ ].

سوم، تصحیح اتمسفر پتانسیل بهبود کیفیت تصاویر را دارد. بنابراین، اثرات تصحیح اتمسفر بر روی EPGS های Worldview-3 با نمونه برداری محلی [ ۲۲ ] از طریق فاصله اقلیدسی اصلاح شده ۲ (ED2) [ ۲۱ ] ارزیابی شده است. با این حال، مانند سیستم اصلی ED2 [ ۳۷ ]، ED2 اصلاح‌شده نیز تفاوت بین ویژگی‌های شاخص مبتنی بر کمیت و شاخص‌های مبتنی بر ناحیه را نادیده می‌گیرد و به نشانگر بزرگ‌تر وزن بیشتری نسبت به کوچک‌تر می‌دهد. محاسبه [ ۲۹]. به منظور کاهش عدم قطعیت ناشی از فرآیند نمونه‌گیری و تفاوت ابعادی در ارزیابی، الگوی جدیدی متشکل از شاخص‌های بیش‌بخش‌بندی (OSI)، شاخص زیربخش‌بندی (USI)، شاخص خطای مساحت کل (ETA) و ترکیبی است. شاخص خطا (CEI) برای ارزیابی اثرات فشرده‌سازی خطی و فیلتر کردن میانگین بر روی EPGSهای تصویر همجوشی GF-2 توسط نمونه‌های کامل پیشنهاد شد [ ۲۹ ]. با این حال، اثرات تصحیح اتمسفر و بهبود تصویر بر روی EPGS ها هنوز توسط الگوی جدید ارزیابی نشده است.

برای بهبود کیفیت MRS PG در تصاویر GF-2، در این مطالعه، نسبت جدیدی از ۷۰٪ برای تعیین اینکه آیا یک قطعه می تواند یک EPGS با تجزیه و تحلیل رابطه بین نتایج استخراج و چند ضلعی های مرجع، و دقیق و کارآمد باشد، استفاده شد. روشی برای استخراج EPGS توسط نمونه‌های نقطه‌ای حذف‌شده مرزی با چگالی قابل تنظیم پیشنهاد شد. علاوه بر این، اثرات تصحیح اتمسفر و بهبود تصویر بر روی EPGS توسط تقاطع بیش از اتحادیه (IoU) و الگوی OSI-USI-ETA-CEI [ ۲۹ ] ارزیابی شد. نتایج تجربی نشان می دهد که:

نسبت ۷۰% طراحی شده در آزمایش، نسبت پیکسل معقولی برای تعیین EPGS است.
الگوی OSI-USI-ETA-CEI زمانی که برای ارزیابی کیفیت EPGS تصاویر GF-2 در منطقه مورد مطالعه مورد نیاز است، می تواند موثرتر از IoU باشد.
با در نظر گرفتن ناهمگنی و ویژگی های هدف، تصحیح اتمسفر و بهبود تصویر قبل از MRS می تواند کیفیت EPGS تصاویر GF-2 را در منطقه مورد مطالعه بهبود بخشد.
ترکیب تصحیح اتمسفر، تبدیل فوریه سریع (FFT) و فیلتر پایین گذر دایره ای (CLP) با شعاع ۸۰۰ پیکسل کمترین CEI را در این مطالعه به دست آورد.

۲٫ مواد و روشها

تصاویر GF-2 در منطقه مورد مطالعه با استفاده از تصحیح تصویر، ثبت، ادغام یا بهبود پیش پردازش شدند و سپس چند ضلعی های مرجع به نمونه های نقطه ای با تراکم قابل تنظیم و حذف مرز با استفاده از ویژگی های تقسیم بندی صفحه شطرنج تبدیل شدند. در نهایت، اثر تصحیح اتمسفر و بهبود تصویر بر روی EPGS با استفاده از الگوی IoU و OSI-USI-ETA-CEI برای ارزیابی کامل نمونه مورد تجزیه و تحلیل قرار گرفت. یک فلوچارت فنی و پیکربندی رایانه مورد استفاده در مطالعه به ترتیب در شکل ۱ و جدول ۱ نشان داده شده است:

۲٫۱٫ منطقه و داده های مطالعه

تصویر GF-2، چند ضلعی های مرجع، و عکس های تأیید زمین و مکان آنها در شکل ۲ نشان داده شده است ، که در میان آنها تصاویر و عکس های اصلی مشابه مطالعات Yao و همکاران است. [ ۲۹ ]، در حالی که چند ضلعی های مرجع به صورت دستی از طریق تفسیر بصری در برخی مکان ها بهبود یافتند. برای مثال، چون زمان تصویربرداری تصویر GF-2 زودتر از عکس در شکل ۲ الف است، علف های هرز و درختچه هایی که PG را با دیواره هایی در عکس پوشانده اند، در تصویر GF-2 ظاهر نمی شوند. بنابراین، یک PG با دیوارها به چند ضلعی های مرجع جدید اضافه شد. PG ها هم با دیوار و هم بدون دیوار [ ۲۶]، و آب، درختان، ساختمان‌های با بازتاب بالا، اقامتگاه‌ها و زمین‌های بایر در منطقه مورد مطالعه قرار دارند که یک منطقه معمولی در شهر شوگوانگ، استان شاندونگ، چین است. به عنوان پاورقی، جدول ۲ پارامترهای اساسی تصاویر GF-2 را در این مطالعه نشان می دهد [ ۳۸ ].

۲٫۲٫ پیش پردازش تصاویر GF-2

سه طرح برای آزمایش های مقایسه ای طراحی شد: اولی برای تولید گروه کنترل و دو طرح دیگر برای تولید گروه های آزمایشی استفاده شد. تمام عملیات پیش پردازش در نرم افزار ENVI (L3Harris Geospatial Solutions, Inc., Broomfield, CO, USA) انجام شد.

۲٫۲٫۱٫ تصحیح املایی، ثبت تصویر و تلفیق

ابتدا، تصاویر GF-2 را با استفاده از ضرایب چند جمله ای منطقی و ASTER GDEM نسخه ۲ [ ۳۹ ] تصحیح کردیم. ثانیاً، ما تصویر چند طیفی را بدون تصحیح جوی (MI) روی تصویر پانکروماتیکی ثبت کردیم که فقط قائم‌مقاوم است، و سپس آنها را با استفاده از ابزار Gram Schmidt Pan Sharpening ترکیب کردیم، که از بیشتر روش‌های شفاف‌سازی پان از لحاظ به حداکثر رساندن وضوح تصویر بهتر است. و به حداقل رساندن اعوجاج رنگ [ ۴۰ ، ۴۱ ]؛ بنابراین، یک تصویر همجوشی چند طیفی و پانکروماتیک بدون تصحیح اتمسفر (FI) با وضوح ۰٫۸ متر می تواند به دست آید.

۲٫۲٫۲٫ تصحیح جوی و املایی، ثبت تصویر و فیوژن

تفاوت بین این برنامه با برنامه اول، کالیبراسیون رادیومتریک و تصحیح جوی قبل از تصحیح املایی است. بنابراین، یک تصویر چند طیفی تصحیح شده اتمسفر (ACMI) با وضوح ۳٫۲ متر و یک تصویر همجوشی تصحیح شده اتمسفر (ACFI) با وضوح ۰٫۸ متر را می توان به دست آورد. تصحیح اتمسفر با استفاده از تحلیل سریع اتمسفر خط دید از ابرمکعب های طیفی (FLAASH) [ ۴۲ ] انجام شد.

۲٫۲٫۳٫ افزایش کیفیت عکس

فشرده سازی خطی مفهومی در مقابل کشش خطی است. بسط یکنواخت مقدار خاکستری تصویر کشش خطی نامیده می شود، در حالی که کاهش یکنواخت فشرده سازی خطی نامیده می شود. مقدار حداکثر عدد دیجیتال (MDN) حداکثر مقدار خاکستری یک تصویر تک باندی در یک تصویر تک رنگ یا چند طیفی است و مقدار خاکستری هر پیکسل در هر باند را می توان با توجه به فرکانس هر یک از باندهای اصلی بین ۰ و MDN تخصیص داد. مقدار خاکستری، در نتیجه محدوده توزیع مقدار خاکستری تغییر می کند. هنگامی که MDN کاهش می یابد، مقادیر خاکستری پیکسل ها در تصویر به محدوده کوچکتری فشرده می شوند [ ۴۳ ]. MDN های اتخاذ شده در این مطالعه ۵۱۱، ۲۵۵ و ۱۲۷ بودند.

فیلتر فضایی نیز یک روش مهم برای افزایش اطلاعات تصویر با تغییر مقدار DN یک تصویر برای یک هدف خاص است. به منظور بهبود بیشتر ناهمگونی بین پیکسل ها و کاهش نویز، تصویر ورودی به ترتیب از حوزه فضایی (x, y) و حوزه فرکانس مکانی (ξ, η) فیلتر می شود [ ۴۳ ، ۴۴ ]. در این مطالعه، فیلترهای پایین گذر متوسط گاوسی (GLP) و کانولوشن میانه با اندازه ۳×۳ در حوزه فضایی انتخاب شدند و فیلتر پایین گذر دایره ای (CLP) همراه با FFT در حوزه فرکانس فضایی انتخاب شد. .

۲٫۳٫ MRS از طریق ESP 2 Tool

با تمرکز بر اثر تصحیح جو و بهبود تصویر بر MRS، شکل یکنواخت و فشردگی به ترتیب ۰٫۳ و ۰٫۵ تعیین شد [ ۲۹ ]. بنابراین، هر پارامتر مقیاس بهینه (OSP) در این تحقیق به طور خودکار با استفاده از ابزار ESP 2 [ ۳۳ ] با پارامترهای الگوریتم [ ۲۹ ] که در جدول ۳ نشان داده شده است، محاسبه شد . سطح ۱ و بخش های آن در نتایج صادر شده برای مرحله بعدی تجزیه و تحلیل پذیرفته شد.

۲٫۴٫ یک روش نیمه خودکار برای استخراج EPGS

استخراج خودکار EPGS ها از نتایج تقسیم بندی های مختلف به نمونه های شی، ویژگی ها، پارامترها و آستانه های مختلف نیاز دارد که دست و پا گیر است و اجتناب از خطای استخراج نادرست و حذف را دشوار می کند. در این مطالعه، EPGS ها با یک فرآیند نیمه خودکار استخراج شدند.

ابتدا، نمونه‌های نقطه‌ای مورد استفاده برای انتخاب بخش‌های PG ساخته شدند و سپس بخش‌هایی که با نمونه‌های نقطه‌ای تلاقی می‌کردند، به‌طور خودکار به عنوان بخش‌های PG توسط الگوریتم طبقه‌بندی eCognition استخراج شدند. در نهایت، تفسیر بصری و انتخاب دستی برای استخراج EPGS ها انجام شد. خطای هندسی نتایج انتخاب دستی دارای حداقل نظری است، اما خطای مساحت کل استخراج چنین نیست، زیرا وقتی خطای حذف نزدیک به خطای کاذب باشد، کل مساحت استخراج نزدیک به مساحت واقعی PG ها خواهد بود.

۲٫۴٫۱٫ تولید نمونه های نقطه ای

بخش هایی که با چند ضلعی های مرجع همپوشانی دارند می توانند به سرعت با استفاده از الگوریتم تخصیص در eCognition طبقه بندی شوند. با این حال، نسبت پیکسل PG از بخش های طبقه بندی شده توسط مرز چند ضلعی مرجع اغلب کمتر از ۵۰٪ است. به منظور بهبود کارایی تفسیر بصری، این مطالعه ابتدا تصویر GF-2 را با استفاده از یک الگوریتم تقسیم بندی صفحه شطرنج ترکیب شده با چند ضلعی های مرجع تقسیم بندی کرد ( شکل ۳ a). بنابراین، بخش‌هایی که با چند ضلعی‌های مرجع قطع می‌شدند، به عنوان نمونه‌های اولیه طبقه‌بندی شدند و سپس، اکثر نمونه‌های قطعه‌ای را که در مرز چندضلعی‌های مرجع قرار داشتند، با محاسبه مساحت و فیلتر کردن، دور انداختیم ( شکل ۳).ب). در نهایت، نمونه‌های نقطه‌ای مورد استفاده برای استخراج بخش‌های PG را می‌توان با استفاده از الگوریتم صادرات در eCognition استخراج کرد ( شکل ۳ ج)، و نوع “مرکز ثقل” هنگام صدور آنها انتخاب شد.

در این مطالعه، اندازه صفحه شطرنج با توجه به ویژگی های بخش های PG، ۱۰ پیکسل یا ۲۰ پیکسل تعیین شد. برای نتایج تقسیم بندی با تعداد بخش های زیاد و مساحت متوسط کوچک، از صفحه شطرنج متراکم تر استفاده شد. در غیر این صورت از اسپارسر استفاده کردیم. شکل ۴ مراحل الگوریتم خاص ساختن نمونه های نقطه ای را بر اساس چندضلعی های مرجع و یک صفحه شطرنج با ۲۰ پیکسل به عنوان مثال نشان می دهد.

۲٫۴٫۲٫ معیار تعیین EPGS

در یک مفهوم گسترده، بخش PG به تمام بخش‌های حاوی پیکسل‌های PG زمانی اطلاق می‌شود که ویژگی‌های پیکسل‌های غیر PG مشخص نباشد. اگر نسبت پیکسل‌های PG در این بخش‌ها یک مجموعه محدود G = { g _۱ , g _۲ , …, g _i , …} را تشکیل دهد، آنگاه بخش‌های PG با مقدار g بالاتر یا برابر با مقدار مجموعه g _مجموعه ( g ≥ g _مجموعه ) را می توان به عنوان EPGS تعریف کرد، که در آن وصله های متشکل از پیکسل های غیر PG را می توان قطعات اضافی (EF) نامید، که در تجزیه و تحلیل بعدی به عنوان خطاهای نادرست در نظر گرفته می شوند. علاوه بر این، آن بخش هایی با g < g_مجموعه را می‌توان به‌عنوان بخش‌های PG نامعتبر به معنای محدود در نظر گرفت، و وصله‌های متشکل از پیکسل‌های PG را می‌توان قطعات گمشده (LF) نامید که در تحلیل بعدی به عنوان خطای حذف تلقی می‌شوند.

به طور کلی، مرز قطعات PG نمی تواند کاملاً با چند ضلعی های مرجع منطبق باشد. با فرض اینکه مساحت کل EPGS ها S باشد و مساحت کل چند ضلعی های مرجع مربوطه R باشد، مساحت قطعات اضافی EF و مساحت قطعات از دست رفته LF است . برای یک نتیجه تقسیم بندی خاص، با کاهش _مجموعه g ، EF افزایش می یابد، در حالی که LF بر این اساس کاهش می یابد. وقتی g = g _min , مساحت EPGS ها به حداکثر مقدار S _max , EF و اختلاف بین می رسدS و R به حداکثر مقدار EF _max = S _max – R می رسد ، در حالی که LF به حداقل مقدار LF _min = ۰ می رسد و دقت تولید کننده (PA) به حداکثر می رسد (PA_max = ۱).

برعکس، با افزایش _مجموعه g ، EF کاهش می یابد و LF بر این اساس افزایش می یابد. بنابراین، وقتی g = g _max ، مساحت EPGS ها به حداقل مقدار Smin می رسد و EF به _حداقل مقدار EF _min می رسد ، در حالی که LF و اختلاف بین S و R به حداکثر مقدار می رسد LF _max = R – S _min .، و PA به حداقل می رسد. در این فرآیند، از آنجایی که صورت و مخرج دقت کاربر همزمان تغییر خواهد کرد، قضاوت در مورد مقدار g مربوط به مقادیر حداکثر و حداقل آن دشوار است.

با توجه به استنباط بالا، هنگامی که مقادیر مختلف g برای استخراج EPGS ها در یک نتیجه تقسیم بندی خاص استفاده می شود، EF و LF در یک رابطه مبادله هستند. از منظر کاربرد، مقدار معقول _مجموعه g باید تفاوت بین S و R (که برابر است با اختلاف بین EF و LF ) نزدیک به ۰ باشد. از آنجایی که هر چه مقدار _مجموعه g بالاتر باشد، معیار ارزیابی دقیق تر است [ ۳۶ ] ]، و هنگامی که _مجموعه g به عنوان ۶۰٪ تنظیم شود، EF بسیار بالاتر از آن استLF _ اگر_مجموعه g بیش از حد بالا تنظیم شود (به عنوان مثال، ۸۰%)، بسیاری از بخش‌های حاوی پیکسل‌های PG به عنوان EPGS طبقه‌بندی نمی‌شوند، که منجر بهبالاتر بودن LF از EF می‌شود . بنابراین، مقدار_مجموعه g را می توان ۷۰٪ تنظیم کرد.

۲٫۴٫۳٫ استخراج EPGS

استخراج EPGS ها از FI را به عنوان مثال در نظر بگیرید: ابتدا از نمونه های نقطه ای برای به دست آوردن قطعاتی که با آنها تلاقی می کنند استفاده شد ( شکل ۵ a). سپس، تعداد کمی از بخش‌هایی که واجد شرایط «بالا یا برابر ۷۰ درصد پیکسل‌های متعلق به PG» نبودند، کنار گذاشته شدند. از این رو، بخش های PG حفظ شده آنهایی بودند که در تجزیه و تحلیل بعدی مورد نیاز بودند. علاوه بر این، چند بخش حذف شده که با نقاط نمونه نقطه ای تلاقی نداشتند اما معیار را برآورده می کردند به عنوان EPGS اضافه شدند ( شکل ۵ ب).

۲٫۵٫ سیستم ارزیابی

با توجه به اصل تک متغیری، تمام MRS ضربدر T در این مطالعه به صورت آفلاین و با اجرای یک برنامه واحد به دست آمد. به منظور ارزیابی عقلانیت تنظیمات تجربی، از تقاطع بر روی اتحادیه (IoU) برای ارزیابی اولیه دقت EPGS ها استفاده شد و سپس از الگوی OSI-USI-ETA-CEI [ ۲۹ ] برای ارزیابی خطای تقسیم‌بندی استفاده شد. به منظور تسهیل مقایسه، مقدار ۱ – IoU به عنوان پارامتر ارزیابی برای تجزیه و تحلیل بعدی در نظر گرفته شد. شرح یا بیان هر پارامتر در جدول ۴ نشان داده شده است .

در فرمول، مجموعه S نشان دهنده مساحت کل EPGS ها، و مجموعه R نشان دهنده مساحت کل چند ضلعی های مرجع است. v تعداد EPGS های نتیجه تقسیم بندی بهینه بدست آمده توسط ابزار ESP 2 را نشان می دهد و v _۱ به طور خاص به تعداد EPGS ها در تصویر همجوشی بدون تصحیح اتمسفر در منطقه مورد مطالعه اشاره دارد. هر چه مقدار OSI بالاتر باشد، درجه بیش از حد تقسیم بندی سنگین تر است. مجموعه های LF و EFبه ترتیب مساحت کل قطعات از دست رفته و قطعات اضافی EPGS را نشان می دهد. هر چه USI بالاتر باشد، خطای زیربخش‌بندی بیشتر است و هر چه مقدار ETA بیشتر باشد، خطای کل مساحت بیشتر است. با توجه به CEI، λ برای تغییر مقیاس مقدار OSI مبتنی بر کمیت استفاده می‌شود تا نشانگر ارزش USI و ETA مبتنی بر ناحیه را تحت تأثیر قرار ندهد.

۳٫ نتایج

۳٫۱٫ آزمایش کنتراست

به عنوان یک آزمایش مقایسه ای، پارامترهای ارزیابی تقسیم بندی FI را می توان همانطور که در جدول ۵ نشان داده شده است به دست آورد .

۳٫۲٫ اثر تصحیح اتمسفر بر EPGS های MI

پس از MRS از طریق ابزار ESP 2، نتایج تقسیم‌بندی و استخراج EPGSs تصویر چند طیفی بدون تصحیح جوی (MI) و تصویر چند طیفی تصحیح شده با جو (ACMI) بدست آمد. این نتایج در شکل ۶ و پارامترهای مربوطه در جدول ۶ ارائه شده است.

از جدول ۶ مشاهده می شود که در مقایسه با MI، هر دو OSP و T ACMI افزایش اندکی داشتند و مقادیر v و OSI به طور قابل توجهی افزایش یافتند که نشان می دهد تصحیح جوی می تواند ناهمگنی مقادیر DN GF- را افزایش دهد. ۲ تصویر چند طیفی مقادیر USI، ETA، و CEI به ترتیب ۰٫۰۳۲، ۰٫۰۴۳ و ۰٫۰۶۶ کاهش یافت، که نشان می دهد تصحیح جوی می تواند به طور قابل توجهی کیفیت EPGS های تصویر چندطیفی GF-2 را بهبود بخشد، که با فرضیه مطابقت دارد، اگرچه ارزش USI هنوز جای قابل توجهی برای پیشرفت دارد.

۳٫۳٫ اثر فشرده سازی خطی و فیلتر میانگین بر EPGS های ACFI

ابتدا، ACFI برای به دست آوردن تصاویر با فرمت شناور فشرده با MDN های ۵۱۱، ۲۵۵، و ۱۲۷ تقویت شد، و سپس، مقادیر DN چهار تصویر به نوبه خود با استفاده از فیلتر میانگین با ۳×۳ فیلتر شدند. بنابراین، هفت تصویر مشتق به دست آمد، و تقسیم بندی آنها و نتایج استخراج EPGS در شکل ۷ نشان داده شده است ، در حالی که پارامترهای مربوطه در جدول ۷ نشان داده شده است.

همانطور که در شکل ۷ و جدول ۷ نشان داده شده است ، تعداد EPGS ها در منطقه آزمایشی به طور قابل توجهی پس از فشرده سازی خطی یا فیلتر میانگین کاهش یافت که برای تجزیه و تحلیل ویژگی ها و استخراج الگوریتم مناسب تر است.

با تجزیه و تحلیل جدول ۵ و جدول ۷ ، می توان دریافت که در مقایسه با FI، OSP و OSI ACFI به ترتیب ۴۵ و ۰٫۱۸۸ افزایش یافته است. این بیشتر نشان می‌دهد که کشش غیرخطی مقدار DN تصویر توسط تصحیح اتمسفر، ناهمگونی بین پیکسل‌ها را افزایش می‌دهد و منجر به افزایش تعداد EPGS‌ها می‌شود. با این وجود، مقادیر ۱ – IoU ، USI و CEI ACFI به ترتیب ۰٫۰۱۱، ۰٫۰۱۸ و ۰٫۰۱۷ کاهش یافت و تغییر در ETA نزدیک به ۰ بود. بنابراین، تصحیح جوی در این مطالعه برای بهبود دقت مفید است. از مرز تقسیم‌بندی، که پایه‌ای را برای ادامه استفاده از بهبود تصویر برای بهبود کیفیت EPGS ایجاد می‌کند. با تجسم پارامترهای مربوطه درجدول ۷ ، مقایسه OSP و T ، IoU، و ۱- IoU ، و الگوی OSI-USI-ETA-CEI را می توان به دست آورد، همانطور که در شکل ۸ نشان داده شده است.

از جدول ۷ و شکل ۸ مشاهده می شود که در مقایسه با حالت بدون بهبود تصویر، زمانی که مقدار DN ACFI به صورت خطی به MDN 511، ۲۵۵ و ۱۲۷ فشرده می شود، OSP و زمان تقسیم بندی T ( شکل ۸ a) می توان به میزان قابل توجهی کاهش داد، زیرا کاهش مقدار DN تصویر، مقدار محاسبه MRS را کاهش می دهد و در نتیجه کارایی محاسباتی نرم افزار را افزایش می دهد. علاوه بر این، مقادیر ۱ – IoUو USI ابتدا افزایش و سپس به تدریج کاهش یافت و مقادیر ETA نزدیک به ۰ بود در حالی که مقادیر OSI و CEI ابتدا کاهش و سپس کمی افزایش یافت. از این رو، حداقل مقدار CEI در آزمایش ۰٫۱۷۶ بود که مقدار DN ACFI به صورت خطی به ۰-۲۵۵ فشرده شد.

هنگامی که میانگین فیلتر با ۳ × ۳ در ACFI فشرده خطی استفاده شد، OSI کمتر از فیلتر بدون فیلتر بود، اما OSP، T ، ۱- IoU ، USI و CEI افزایش یافتند، که نشان می‌دهد یک فیلتر متوسط با اندازه ۳ × ۳ کیفیت قطعه بندی را هنگامی که برای افزایش ACFI فشرده خطی استفاده می شود کاهش می دهد.

۳٫۴٫ اثر فیلتر فضایی بر روی EPGS های ACFI فشرده شده به MDN 255

به منظور بهبود کیفیت تقسیم بندی بر اساس ACFI فشرده شده به MDN 255، یک فیلتر پایین گذر گاوسی (GLP) و کانولوشن میانه در حوزه فضایی، و یک فیلتر پایین گذر دایره ای (CLP) در حوزه فرکانس فضایی، اعمال شد. . اندازه GLP و فیلتر میانه نیز روی ۳×۳ تنظیم شد، در حالی که انحراف استاندارد فیلتر GLP 0.375 بود که با تقسیم اندازه هسته به ۸ محاسبه شد. همچنین اندازه شعاع فیلتر CLP با ۱۰۰۰، ۹۰۰ آزمایش شد. ، ۸۰۰ و ۷۰۰ پیکسل با توجه به اندازه تصویر. نتایج تجربی در شکل ۹ و جدول ۸ نشان داده شده است.

همانطور که در شکل ۹ نشان داده شده است ، EF هر آزمایش فیلتر عمدتاً در جاده های مجاور گلخانه ها توزیع می شود، در حالی که مناطق توزیع LF علاوه بر جاده ها شامل بسیاری از PG های پراکنده است. بنابراین، می توان ابتدا جاده ها را استخراج کرد یا از اطلاعات موجود در مورد جاده برای بهبود کیفیت بخش بندی در مطالعه بعدی استفاده کرد.

با ترکیب داده های مربوطه در جدول ۷ و جدول ۸ ، پارامترهای مربوطه را می توان در نمودار مقایسه نشان داده شده در شکل ۱۰ سازماندهی کرد . می توان از شکل ۱۰ a مشاهده کرد که، اگرچه دامنه تغییرات T در هر طرح کوچک است، اما همچنان سازگاری قوی با روند تغییرات OSP بدون بعد نشان می دهد.

همانطور که در شکل ۱۰ ب نشان داده شده است، اگرچه روند تغییر OSI برخلاف روند ۱- IoU ، USI و CEI است و دامنه بزرگتر است، محدوده تغییر λ × OSIو ETA کوچک است، و مقادیر ETA نزدیک به ۰ است. بنابراین، روند تغییر CEI و USI سازگار است، که نشان می دهد CEI در آزمایش مقایسه ای عمدتاً تحت تأثیر USI است. به طور کلی، تمام طرح های فیلتر فضایی در این مطالعه به غیر از فیلتر میانگین، دارای CEI کمتر از ۰٫۱۷۶ است که حداقل CEI ACFI فشرده بدون فیلتر است. بنابراین، طرح پیش پردازش بهینه منطقه مورد مطالعه فشرده سازی خطی مقدار DN ACFI به ۰-۲۵۵، و سپس استفاده از FFT و فیلتر پایین گذر دایره ای با اندازه شعاع ۸۰۰ پیکسل برای فیلتر کردن در حوزه فرکانس مکانی است. با اعمال این طرح، CEI دارای حداقل مقدار ۰٫۱۵۹ است.

۴٫ بحث

۴٫۱٫ مقایسه الگوی IoU و OSI-USI-ETA-CEI

از آنجایی که IoU به طور گسترده اعمال می شود، روند ثابت ۱- IoU و USI در شکل ۸ و شکل ۱۰ اعتبار USI را نشان می دهد. با این حال، IoU نمی تواند تغییر در درجه تقسیم بیش از حد، یا روند تغییر تفاوت بین S و R را نشان دهد ، در حالی که OSI و ETA به ترتیب می توانند این کار را انجام دهند. بنابراین، الگوی OSI-USI-ETA-CEI زمانی که برای ارزیابی کیفیت EPGS مورد نیاز است می‌تواند مؤثرتر از IoU باشد.

۴٫۲٫ مقایسه با تحقیقات مرتبط

برای مقایسه، یائو و همکاران. کمترین CEI 0.185 را با استفاده از روش افزایش تصویر فشرده سازی خاکستری و فیلتر میانگین روی تصویر همجوشی بدون تصحیح جوی در همان ناحیه به دست آورد [ ۲۹ ]. حتی اگر معیار EPGS (نسبت پیکسل‌های PG در بخش) از ۶۰% به ۷۰% افزایش یافت، CEI 9 طرح تصحیح جو و بهبود تصویر در این مطالعه کمتر از ۰٫۱۸۵ بود. دلایل اصلی بهبود استفاده از تصحیح اتمسفر برای بهینه سازی مقدار DN تصویر، استفاده از فیلترهای جدید و نمونه های نقطه ای است که توسط چند ضلعی های مرجع بهبود یافته ساخته شده اند که کارایی استخراج و دقت EPGS ها را بهبود می بخشد. .

۴٫۳٫ فرضیه چرا تصحیح اتمسفر و بهبود تصویر کار می کند

از نتایج بخش ۳ ، پیشنهاد می‌شود که نه تنها CEIهای ACMI و ACFI، بلکه ACFIهای فشرده خطی نیز به ترتیب از MI، FI و ACFI کمتر هستند. به منظور یافتن دلیل این امر، نمودارهای خط و نماد نشان داده شده در شکل ۱۱ با شمارش تعداد پیکسل هر بازه DN از نوارهای آبی MI، ACMI، FI و ACFI به دست آمد.

از شکل ۱۱ الف می توان دید که تصحیح جوی اثر گسترش دامنه مقدار DN MI را دارد که می تواند به عنوان کشش غیرخطی مقدار DN در نظر گرفته شود. از آنجایی که فرآیند کالیبراسیون رادیومتریک مقدار DN تصویر پانکروماتیک را نیز افزایش می دهد، محدوده مقدار DN ACFI به طور قابل توجهی بالاتر از تصویر همجوشی بدون تصحیح اتمسفر است ( شکل ۱۱ ب). همراه با افزایش OSI و کاهش USI، پیشنهاد می‌شود که تصحیح اتمسفر می‌تواند ناهمگونی بین پیکسل‌های PG و پیکسل‌های غیرPG را بهبود بخشد. بنابراین، CEI های ACMI و ACFI به ترتیب کمتر از MI و FI هستند.

روش دیگر، از آنجایی که ACFI به راحتی می تواند منجر به تقسیم بیش از حد شود، ACFI فشرده خطی می تواند با کاهش ناهمگنی کل تصویر، نتایج بخش بندی بهتری را به دست آورد.

در مورد فیلترها، اینکه آیا آنها به بهبود کیفیت EPGS ها کمک می کنند، هنوز هم توسط ناهمگنی تعیین می شود، زیرا فیلترها می توانند نویز تصویر را حذف کنند، در حالی که همگنی بین پیکسل های PG و پیکسل های غیر PG را می توان همزمان افزایش داد.

بنابراین، می‌توان فرضیه‌ای را با تئوری MRS استنباط کرد که اگر افزایش ناهمگنی بین پیکسل‌های PG و پیکسل‌های غیرPG بیشتر از همگنی در طول پیش‌پردازش تصویر باشد، کیفیت EPGS افزایش می‌یابد. در غیر این صورت کاهش می یابد.

۴٫۴٫ مراحل بعدی

محدود به شرایط تجربی، این تحقیق تنها اثرات تصحیح جوی را بر روی EPGS های تصویر چندطیفی GF-2، و اثرات تصحیح اتمسفر، فشرده سازی خطی، و فیلتر فضایی را بر روی EPGS های تصویر همجوشی GF-2 در منطقه مورد بررسی قرار داد. سایر روش‌های تصحیح و بهبود تصویر یا الگوریتم‌های تقسیم‌بندی برای بهبود کیفیت EPGS در منطقه مورد مطالعه یا مناطق دیگر را می‌توان در مطالعه بعدی مورد بحث قرار داد.

PG ها در چین را می توان با توجه به اینکه با دیوار ساخته شده اند به دو نوع تقسیم کرد [ ۲۶ ]. با این حال، برخی تحقیقات به اشتباه PG های دارای دیوار را به عنوان PG های بدون دیوار شناسایی کرده اند. به عنوان مثال، شکل ۷ در مطالعه Ma et al. [ ۱۰ ] به اشتباه یک عکس از PG های بدون دیوار را با تصویر ماهواره ای PGs با دیوار مطابقت می دهد، که می تواند برای خواننده بسیار گمراه کننده باشد. تشخیص دو نوع اصلی PG، هم در بررسی میدانی و هم در تفسیر تصویر، علاوه بر استخراج، ضروری است.

به منظور استخراج شی سطح از تصاویر ماهواره‌ای مختلف با دقت بهتر، انواع مدل‌های یادگیری ماشینی در محاسبات به کار گرفته شده‌اند [ ۴۵ ، ۴۶ ]، که همچنین ارزش ارزیابی کافی در استخراج PG بعدی را دارند.

۵٫ نتیجه گیری ها

نتایج اصلی به شرح زیر است:

از طریق تقسیم‌بندی صفحه شطرنج همراه با چند ضلعی‌های مرجع، علاوه بر فیلتر کردن و صادر کردن، می‌توان نمونه‌های نقطه‌ای حذف‌شده مرزی با چگالی قابل تنظیم برای بهبود دقت و کارایی استخراج بخش PG ایجاد کرد و پایه داده‌ها را برای آزمایش‌های مقایسه‌ای تحت متغیرهای کنترل قرار داد.
با کنترل متغیرهای تجربی، OSP و زمان تقسیم بندی روند ثابتی را نشان دادند که نشان دهنده پایداری ابزار ESP 2 است. علاوه بر این، OSI، USI، و CEI همگی قوانین واضحی را نشان دادند، و مقادیر ETA نزدیک به ۰ بود، که نشان می‌دهد نسبت ۷۰ درصد طراحی‌شده در آزمایش، مقدار معقولی _g است .
الگوی OSI-USI-ETA-CEI زمانی که برای ارزیابی کیفیت EPGS تصاویر GF-2 در منطقه مورد مطالعه مورد نیاز است، می تواند موثرتر از IoU باشد.
CEI های EPGS های ACMI و ACFI و ACFI تقویت شده، مقادیر کمتری نسبت به گروه های کنترل دارند. این منطقی بودن آزمایش را نشان می دهد. علاوه بر این، تصحیح اتمسفر و بهبود تصویر، با ناهمگونی و ویژگی‌های هدف در نظر گرفته شده قبل از تقسیم‌بندی، در بهبود کیفیت EPGS تصاویر GF-2 در منطقه مورد مطالعه مفید است.
حتی اگر فیلتر میانگین با اندازه ۳×۳ کیفیت EPGSهای ACFI فشرده شده خطی را بهبود بخشید، در این مطالعه فیلتر GLP و میانه و فیلتر CLP بعد از FFT، کیفیت EPGSهای ACFI را بهبود بخشیدند. ACFI با MDN به ۲۵۵ فشرده شده است. از این میان، فیلتر CLP با شعاع ۸۰۰ پیکسل کمترین CEI را در این مطالعه به دست آورد.

اختصارات

در این مقاله از اختصارات زیر استفاده شده است:

خانم خانم	تقسیم بندی چند رزولوشن
PG	گلخانه پلاستیک
GF-2	Gaofen-2
EPGS ها	بخش های موثر گلخانه ای پلاستیکی
IoU	تقاطع روی اتحادیه
OSI	شاخص تقسیم بندی بیش از حد
USI	شاخص زیربخش بندی
ETA	شاخص خطای کل مساحت
CEI	شاخص خطای مرکب
ESP	تخمین پارامتر مقیاس
OSP	پارامتر مقیاس بهینه
ED2	فاصله اقلیدسی ۲
FFT	تبدیل فوریه سریع
CLP	پایین گذر دایره ای
MI	تصویر چند طیفی بدون تصحیح اتمسفر
FI	فیوژن تصویر بدون تصحیح اتمسفر
ACMI	تصویر چند طیفی تصحیح شده با جو
ACFI	تصویر همجوشی تصحیح شده اتمسفر
EF	قطعات اضافی
LF	قطعات گم شده
MDN	حداکثر عدد دیجیتال
GLP	پایین گذر گاوسی

منابع

جیمنز-لائو، آر. Aguilar، FJ; نممویی، ا. آگیلار، کارشناسی ارشد سنجش از دور گلخانه های کشاورزی و زمین های کشاورزی مالچ شده با پلاستیک: تحلیلی از تحقیقات جهانی. Remote Sens. ۲۰۲۰ , ۱۲ , ۲۶۴۹٫ [ Google Scholar ] [ CrossRef ]
یانگ، دی. چن، جی. ژو، ی. چن، ایکس. چن، ایکس. Cao, X. نقشه برداری گلخانه پلاستیکی با داده های ماهواره ای با وضوح فضایی متوسط: توسعه یک شاخص طیفی جدید. ISPRS J. Photogramm. Remote Sens. ۲۰۱۷ ، ۱۲۸ ، ۴۷–۶۰٫ [ Google Scholar ] [ CrossRef ]
ژانگ، پی. دو، پ. گوا، اس. ژانگ، دبلیو. تانگ، پی. چن، جی. ژنگ، اچ. یک شاخص جدید برای نقشه برداری قوی و در مقیاس بزرگ گلخانه پلاستیکی از تصاویر Sentinel-2. سنسور از راه دور محیط. ۲۰۲۲ ، ۲۷۶ ، ۱۱۳۰۴۲٫ [ Google Scholar ] [ CrossRef ]
شی، ال. هوانگ، ایکس. ژونگ، تی. Taubenbock، H. نقشه برداری گلخانه های پلاستیکی با استفاده از معیارهای طیفی به دست آمده از داده های ماهواره ای GaoFen-2. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۲۰ , ۱۳ , ۴۹–۵۹٫ [ Google Scholar ] [ CrossRef ]
هاسیتویا; چن، ز. وانگ، ال. وو، دبلیو. جیانگ، ز. Li, H. نظارت بر زمین‌های کشاورزی مالچ‌شده پلاستیکی توسط تصاویر Landsat-8 OLI با استفاده از ویژگی‌های طیفی و بافتی. Remote Sens. ۲۰۱۶ , ۸ , ۳۵۳٫ [ Google Scholar ] [ CrossRef ]
یو، بی. آهنگ، دبلیو. لانگ، ی. الگوهای فضایی و نیروهای محرک تغییر زمین گلخانه ای در شهر شوگوانگ، چین. پایداری ۲۰۱۷ ، ۹ ، ۳۵۹٫ [ Google Scholar ] [ CrossRef ]
او، سی. یانگ، جی. دو، ز. لیو، ی. فنگ، Q. زو، دی. نقشه برداری بلندمدت یک گلخانه در یک منطقه کشاورزی حفاظت شده معمولی با استفاده از تصاویر Landsat و موتور Google Earth. Remote Sens. ۲۰۱۹ ، ۱۲ ، ۵۵٫ [ Google Scholar ] [ CrossRef ]
او، سی. یانگ، جی. دو، ز. ژانگ، تی. نیو، بی. فنگ، Q. لیو، ی. زو، دی. نقشه‌های سالانه گلخانه‌های کشاورزی برگرفته از لندست در استان شاندونگ، چین از سال ۱۹۸۹ تا ۲۰۱۸٫ Remote Sens. ۲۰۲۱ , ۱۳ , ۴۸۳۰٫ [ Google Scholar ] [ CrossRef ]
لین، جی. جین، ایکس. رن، جی. لیو، جی. لیانگ، ایکس. ژو، ی. نقشه برداری سریع گلخانه در مقیاس بزرگ بر اساس الگوریتم یادگیری یکپارچه و موتور Google Earth. Remote Sens. ۲۰۲۱ , ۱۳ , ۱۲۴۵٫ [ Google Scholar ] [ CrossRef ]
ما، ا. چن، دی. ژونگ، ی. ژنگ، ز. Zhang، L. نقشه برداری گلخانه ای در مقیاس ملی برای تصاویر سنجش از دور با وضوح فضایی بالا با استفاده از چارچوب یادگیری عمیق دو وظیفه ای شی متراکم: مطالعه موردی چین. ISPRS J. Photogramm. Remote Sens. ۲۰۲۱ , ۱۸۱ , ۲۷۹–۲۹۴٫ [ Google Scholar ] [ CrossRef ]
چن، دبلیو. خو، ی. ژانگ، ز. یانگ، ال. پان، X. جیا، ز. نقشه برداری گلخانه های پلاستیکی کشاورزی با استفاده از تصاویر Google Earth و یادگیری عمیق. محاسبه کنید. الکترون. کشاورزی ۲۰۲۱ ، ۱۹۱ ، ۱۰۶۵۵۲٫ [ Google Scholar ] [ CrossRef ]
ژانگ، ایکس. چنگ، بی. چن، جی. لیانگ، سی. شبکه عصبی کانولوشنال اصلاح شده مرزی با وضوح بالا برای استخراج خودکار گلخانه های کشاورزی از تصاویر ماهواره ای GaoFen-2. Remote Sens. ۲۰۲۱ , ۱۳ , ۴۲۳۷٫ [ Google Scholar ] [ CrossRef ]
فنگ، Q. نیو، بی. چن، بی. رن، ی. زو، دی. یانگ، جی. لیو، جی. او، سی. لی، بی. نقشه برداری از گلخانه های پلاستیکی و فیلم های مالچ از تصاویر سنجش از دور با وضوح بسیار بالا بر اساس یک شبکه عصبی پیچیده و غیرمحلی. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۲۱ , ۱۰۲ , ۱۰۲۴۴۱٫ [ Google Scholar ] [ CrossRef ]
چن، دی. ژونگ، ی. ما، ا. استخراج گلخانه ای متراکم Cao، L. در تصاویر سنجش از دور با وضوح فضایی بالا. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IGARSS 2020-2020 IEEE، Waikoloa، HI، ایالات متحده آمریکا، ۲۶ سپتامبر تا ۲ اکتبر ۲۰۲۰؛ ص ۴۰۹۲-۴۰۹۵٫ [ Google Scholar ]
لی، ام. ژانگ، ز. لی، ال. وانگ، ایکس. Guo, X. تشخیص گلخانه های کشاورزی در تصاویر ماهواره ای با وضوح بالا بر اساس شبکه های عصبی کانولوشن: مقایسه سریعتر R-CNN، YOLO v3 و SSD. Sensors ۲۰۲۰ , ۲۰ , ۴۹۳۸٫ [ Google Scholar ] [ CrossRef ]
جکاب، ب. ون لیوون، بی. Tobak, Z. تشخیص گلخانه های پلاستیکی با استفاده از داده های سنجش از دور Rgb با وضوح بالا و شبکه عصبی کانولوشن. جی. محیط زیست. Geogr. ۲۰۲۱ ، ۱۴ ، ۳۸-۴۶٫ [ Google Scholar ] [ CrossRef ]
بکتاش بالچیک، اف. سنل، جی. Goksel، C. طبقه‌بندی شی‌محور گلخانه‌ها با استفاده از تصاویر Sentinel-2 MSI و SPOT-7: مطالعه موردی از Anamur (Mersin)، ترکیه. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۲۰ , ۱۳ , ۲۷۶۹–۲۷۷۷٫ [ Google Scholar ] [ CrossRef ]
Aguilar، MA; جیمنز-لائو، آر. Aguilar، FJ ارزیابی نقشه برداری گلخانه ای مبتنی بر شی با استفاده از داده های VNIR و SWIR WorldView-3: مطالعه موردی از آلمریا (اسپانیا). Remote Sens. ۲۰۲۱ , ۱۳ , ۲۱۳۳٫ [ Google Scholar ] [ CrossRef ]
Aguilar، MA; نممویی، ا. نوولی، ا. Aguilar، FJ; گارسیا لورکا، A. نقشه برداری گلخانه ای مبتنی بر شی با استفاده از داده های ماهواره ای با وضوح بسیار بالا و سری زمانی Landsat 8. Remote Sens. ۲۰۱۶ , ۸ , ۵۱۳٫ [ Google Scholar ] [ CrossRef ]
Aguilar، MA; Aguilar، FJ; گارسیا لورکا، آ. گیرادو، ای. بتلج، م. سیچون، پی. نممویی، ا. والاریو، آ. Parente، C. ارزیابی تقسیم بندی چند تفکیک پذیری برای استخراج گلخانه ها از تصاویر Worldview-2. ISPRS—Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۶ ، XLI-B7 ، ۱۴۵–۱۵۲٫ [ Google Scholar ] [ CrossRef ]
نوولی، ا. Aguilar، MA; نممویی، ا. Aguilar، FJ; Tarantino، E. ارزیابی عملکرد تشخیص گلخانه مبتنی بر شی از داده‌های Sentinel-2 MSI و Landsat 8 OLI: مطالعه موردی از آلمریا (اسپانیا). بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۶ ، ۵۲ ، ۴۰۳-۴۱۱٫ [ Google Scholar ] [ CrossRef ]
Aguilar، MA; نوولی، ا. نمامویی، ع. Aguilar، FJ; گارسیا لورکا، آ. گونزالس-یبرا، Ó. بهینه سازی تقسیم بندی چند تفکیک پذیری برای استخراج گلخانه های پلاستیکی از تصاویر WorldView-3. در مجموعه مقالات سیستم‌ها و خدمات چند رسانه‌ای هوشمند تعاملی، گلد کوست، استرالیا، ۲۰ تا ۲۲ مه ۲۰۱۷٫ صص ۳۱-۴۰٫ [ Google Scholar ]
کوی، بی. هوانگ، دبلیو. بله، اچ. لی، ز. Chen, Q. شناسایی طالبی گلخانه ای شی گرا با فناوری سنجش از دور. در مجموعه مقالات نهمین کنفرانس بین المللی ۲۰۲۱ در مورد آگرو-ژئوانفورماتیک (آگرو-ژئوانفورماتیک)، شنژن، چین، ۲۶ تا ۲۹ ژوئیه ۲۰۲۱؛ صص ۱-۶٫ [ Google Scholar ]
فنگ، تی. ما، اچ. Cheng, X. استخراج گلخانه از تصاویر سنجش از دور با وضوح بالا با جنگل تصادفی بهبود یافته. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IGARSS 2020-2020 IEEE، Waikoloa، HI، ایالات متحده آمریکا، ۲۶ سپتامبر تا ۲ اکتبر ۲۰۲۰؛ صص ۵۵۳-۵۵۶٫ [ Google Scholar ]
وو، سی. دنگ، ج. وانگ، ک. ما، ال. شاه، رویکرد طبقه‌بندی شی‌محور TAR برای نقشه‌برداری گلخانه با استفاده از تصاویر Landsat-8. بین المللی جی. آگریک. Biol. مهندس ۲۰۱۶ ، ۹ ، ۷۹-۸۸٫ [ Google Scholar ] [ CrossRef ]
Nbs, C. طرح برای سومین سرشماری ملی کشاورزی ; انتشارات آمار چین: پکن، چین، ۲۰۱۶٫ [ Google Scholar ]
آگوئرا، اف. Aguilar، MA; Aguilar، FJ تشخیص تغییرات گلخانه ای از تصاویر QuickBird در سواحل مدیترانه. بین المللی J. Remote Sens. ۲۰۰۶ ، ۲۷ ، ۴۷۵۱-۴۷۶۷٫ [ Google Scholar ] [ CrossRef ]
آگوئرا، اف. Aguilar، FJ; Aguilar، MA با استفاده از تجزیه و تحلیل بافت برای بهبود طبقه بندی در هر پیکسل تصاویر با وضوح بسیار بالا برای نقشه برداری گلخانه های پلاستیکی. ISPRS J. Photogramm. Remote Sens. ۲۰۰۸ , ۶۳ , ۶۳۵-۶۴۶٫ [ Google Scholar ] [ CrossRef ]
یائو، ی. وانگ، اس. ارزیابی اثرات تجزیه و تحلیل بافت تصویر بر روی بخش های گلخانه پلاستیکی از طریق شناسایی الگوی OSI-USI-ETA-CEI. Remote Sens. ۲۰۱۹ , ۱۱ , ۲۳۱٫ [ Google Scholar ] [ CrossRef ]
بااتز، ام. Schäpe، A. بخش‌بندی چند رزولوشن: یک رویکرد بهینه‌سازی برای تقسیم‌بندی تصویر در مقیاس چندگانه با کیفیت بالا. در مجموعه مقالات Angewandte Geographische Informationsverarbeitung; Wichmann Verlag: هایدلبرگ، آلمان، ۲۰۰۰; ص ۱۲-۲۳٫ [ Google Scholar ]
ما، ال. لی، ام سی; ما، XX; چنگ، ال. Du، PJ; Liu, YX مروری بر طبقه‌بندی تصویر پوشش زمین مبتنی بر شیء نظارت شده. Isprs J. Photogramm. Remote Sens. ۲۰۱۷ ، ۱۳۰ ، ۲۷۷-۲۹۳٫ [ Google Scholar ] [ CrossRef ]
کوسلو، ام. سونمز، NK; Koc-San، D. طبقه‌بندی گلخانه‌ای مبتنی بر شی از تصاویر ماهواره‌ای با وضوح بالا: مطالعه موردی آنتالیا-ترکیه. ISPRS—Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۶ ، XLI-B7 ، ۱۸۳–۱۸۷٫ [ Google Scholar ] [ CrossRef ]
دراگوت، ال. سیلیک، او. آیسانک، سی. Tiede، D. پارامترسازی خودکار برای تقسیم بندی تصویر در مقیاس چندگانه در چندین لایه. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ ، ۸۸ ، ۱۱۹-۱۲۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
مارتینز، VS; کالیتا، آل. گلدر، BK; دا سیلویرا، HLF; آبه، کالیفرنیا در حال بررسی شبکه عصبی کانولوشنال مبتنی بر شی چند مقیاسی (multi-OCNN) برای طبقه‌بندی تصاویر سنجش از دور در وضوح فضایی بالا. ISPRS J. Photogramm. Remote Sens. ۲۰۲۰ , ۱۶۸ , ۵۶–۷۳٫ [ Google Scholar ] [ CrossRef ]
تریمبل. راهنمای کاربر eCognition Developer 10.2 . Trimble: Sunnyvale، CA، USA، ۲۰۲۱٫ [ Google Scholar ]
Marpu، PR; نوبرت، ام. هرولد، اچ. Niemeyer, I. ارزیابی پیشرفته نتایج تقسیم‌بندی تصویر. جی. اسپات. علمی ۲۰۱۰ ، ۵۵ ، ۵۵-۶۸٫ [ Google Scholar ] [ CrossRef ]
لیو، ی. بیان، ال. منگ، ی. وانگ، اچ. ژانگ، اس. یانگ، ی. شائو، ایکس. وانگ، ب. معیارهای اختلاف برای انتخاب ترکیب بهینه مقادیر پارامتر در تجزیه و تحلیل تصویر مبتنی بر شی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۲ ، ۶۸ ، ۱۴۴-۱۵۶٫ [ Google Scholar ] [ CrossRef ]
CRESDA. GF-2. در دسترس آنلاین: http://www.cresda.com/EN/satellite/7157.shtml (دسترسی در ۵ نوامبر ۲۰۱۵).
تاچیکاوا، تی. هاتو، م. کاکو، م. Iwasaki, A. خصوصیات ASTER GDEM نسخه ۲٫ در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2011، ونکوور، BC، کانادا، ۲۴-۲۹ ژوئیه ۲۰۱۱٫ صص ۳۶۵۷–۳۶۶۰٫ [ Google Scholar ]
لابن، کالیفرنیا؛ فرآیند Brower، BV برای افزایش وضوح فضایی تصاویر چند طیفی با استفاده از Pan-Sharpening. پتنت ایالات متحده ۶۰۱۱۸۷۵، ۴ ژانویه ۲۰۰۰٫ [ Google Scholar ]
Maurer, T. نحوه شفاف کردن تصاویر با استفاده از روش gram-schmidt pan-sharpen—یک دستور العمل. در مجموعه مقالات کارگاه آموزشی ISPRS هانوفر، هانوفر، آلمان، ۲۱ تا ۲۴ مه ۲۰۱۳٫ [ Google Scholar ]
آدلر-گلدن، اس. برک، ا. برنشتاین، ال. ریشتمایر، اس. آچاریا، پ. متیو، م. اندرسون، جی. آلرد، سی. جونگ، ال. Chetwynd، J. FLAASH، یک بسته تصحیح جوی MODTRAN4 برای بازیابی و شبیه سازی داده های فراطیفی. در مجموعه مقالات ۷th Ann. JPL Airborne Science Earth Workshop, Pasadena, CA, USA, 12-16 ژانویه ۱۹۹۸٫ صص ۹-۱۴٫ [ Google Scholar ]
نیکسون، ام اس؛ Aguado, AS Feature Extraction & Image Processing for Computer Vision , ۳rd ed.; Elservier and Pte Ltd.: سنگاپور، ۲۰۱۲٫ [ Google Scholar ]
لیلسند، تی. کیفر، RW; Chipman, J. Remote Sensing and Image Interpretation , ۷th ed.; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۵٫ [ Google Scholar ]
وانگ، ایکس. ژانگ، جی. سون، ال. وانگ، جی. وو، زی. هنچیری، م. ژانگ، اس. ژانگ، اس. بای، ی. یانگ، اس. و همکاران ارزیابی اثربخشی مدل‌های یادگیری ماشینی و یادگیری عمیق ترکیبی از داده‌های ماهواره‌ای سری زمانی برای طبقه‌بندی انواع محصولات چندگانه در یک منطقه در مقیاس بزرگ. Remote Sens. ۲۰۲۲ , ۱۴ , ۲۳۴۱٫ [ Google Scholar ] [ CrossRef ]
Anul Haq, M. Planetscope طبقه‌بندی تصاویر نانوماهواره‌ها با استفاده از یادگیری ماشین. محاسبه کنید. سیستم علمی مهندس ۲۰۲۲ ، ۴۲ ، ۱۰۳۱-۱۰۴۶٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ نمودار جریان فنی.

شکل ۲٫ تصویر GF-2، چند ضلعی های مرجع و عکس های تأیید زمینی منطقه آزمایشی: ( الف ) PG با دیوارها. ( ب ) PG های بدون دیوار با بازتاب بالاتر در تصویر. ( ج ) PG های بدون غلاف بدون دیوار. ( د ) سوله های دیگری که برای ذخیره سازی استفاده می شوند.

شکل ۳٫ تولید نمونه های نقطه ای بر اساس چند ضلعی های مرجع: ( الف ) تقسیم بندی صفحه شطرنج همراه با چند ضلعی های مرجع. ( ب ) نمونه های بخش دور ریخته شده و باقی مانده پس از فیلتر کردن. ( ج ) رابطه بین نمونه های نقطه ای و چندضلعی های مرجع.

شکل ۴٫ الگوریتم ساخت نمونه های نقطه ای.

شکل ۵٫ استخراج EPGS ها از FI بر اساس نمونه های نقطه ای: ( الف ) بخش هایی که با نمونه های نقطه ای تلاقی می کنند. ( ب ) EPGSs.

شکل ۶٫ مقایسه EPGS های MI و ACMI: ( a ) MI; ( ب ) ACMI.

شکل ۷٫ اثرات فشرده سازی خطی و فیلتر میانگین بر روی EPGS های ACFI: ( الف ) اولیه MDN; ( ب ) MDN 511; ( ج ) MDN 255; ( د ) MDN 127; ( ه ) MDN اولیه و میانگین ۳×۳٫ ( f ) MDN 511 و میانگین ۳×۳٫ ( g ) MDN 255 و میانگین ۳×۳; ( h ) MDN 127 و میانگین ۳ × ۳٫

شکل ۸٫ اثرات فشرده سازی خطی و فیلتر میانگین بر پارامترهای ارزیابی تقسیم بندی ACFI: ( الف ) OSP و زمان تقسیم بندی. ( ب ) IoU و ۱ – IoU . ( ج ) الگوی OSI-USI-ETA-CEI.

شکل ۹٫ اثرات فیلتر فضایی بر نتایج استخراج PG از ACFI فشرده شده به MDN 255: ( الف ) GLP 3×۳٫ ( ب ) میانه ۳ × ۳; ( ج ) CLP 1000; ( د ) CLP 900; ( ه ) CLP 800; ( f ) CLP 700.

شکل ۱۰٫ اثرات فیلتر فضایی بر پارامترهای ارزیابی تقسیم بندی ACFI فشرده شده به MDN 255: ( الف ) OSP و زمان تقسیم بندی. ( ب ) پارامترهای ارزیابی تقسیم بندی.

شکل ۱۱٫ اثر تصحیح اتمسفر بر مقدار DN تصاویر چند طیفی و تصاویر همجوشی: ( الف ) تصاویر چند طیفی. ( ب ) تصاویر ترکیبی.

ونوس نصیرفام

3 فوریه 2023

مقالات