نشریه علوم زمین خوارزمی

نشریه علوم زمین خوارزمی

آشکارسازی تغییرات عوارض زمینی در تصاویر ماهواره‌ای با استفاده از تبدیل فوریه کسری گسسته

نویسندگان
راضیه صفا
پرویز ضیائیان فیروزآبادی
سید محمد توکلی صبور
دانشگاه خوارزمی
10.22034/KJES.2023.9.1.106261
چکیده
تغییرات عوارض سطح زمین ممکن است در اثر تحولات درونی یا بیرونی زمین رخ دهد. به هرحال، صرف نظر از منشاء تغییر، آشکارسازی و پایش این تغییرات کمک شایانی به برنامه‌ریزی محیطی در راستای توسعه پایدار و بهره‌برداری بهینه از منابع خواهد نمود. در این راستا، معرفی و اجرای روش‌هایی که در تشخیص شدت و روند تغییرات موفق باشند، مفید خواهد بود. به همین دلیل پردازش تصاویر ماهواره‌ای در علوم مختلف و با اهداف متفاوت، تبدیل به یکی از زمینه‌های اصلی پژوهش شده است. این پژوهش، با هدف مشخص کردن مناطق در حال تغییر با بهره‌گیری از روش تبدیل فوریه کسری گسسته و بررسی مرتبه‌ بهینه تبدیل فوریه کسری گسسته بر صحت و کامل بودن آشکارسازی تغییرات در تصاویر ماهواره‌ای در فضای فرکانسی تصویر می‌پردازد. در این راستا با توجه به عدم توانایی نرم‌افزارهای موجود در آشکارسازی تغییرات با استفاده از تبدیل فوریه گسسته، با توسعه نرم افزار در محیط MATLAB، ابتدا اقدام به برآورد صحت کارکرد نرم افزار توسعه یافته بر روی تصاویر تفاضلی نمونه شد. سپس با بهره‌گیری از تصاویر ماهواره‌ای لندست و سنتینل2 متعلق به تاریخ‌های متفاوت و یافتن مقدار ضریب انعطاف‌پذیر a در تبدیل فوریه کسری، خروجی‌های متفاوت و متنوع بدست آمد. در اینجا نتایج با میزان همبستگی تصویر تفاضل و تصویر تغییر حاصل از روش تبدیل فوریه کسری بهینه مقایسه شدند. باندهای 2 ، 3 و 4 از سنجنده سنتینل 2 بر روی تغییرات ساختارهای زمین‌شناسی حساسیت خاصی نشان ندادند و بیشتر نواحی تغییر یافته پوشش گیاهی را نشان دادند. این در حالیست که باند 8 (باند مادون قرمز) از این سنجنده علاوه بر نواحی تغییریافته گیاهی، تغییرات در ساختارهای زمین‌شناسی را نیز بخوبی آشکار نمود.
کلیدواژه‌ها
سنجش از دور
آشکارسازی تغییرات
تبدیل فوریه کسری گسسته
سنجنده سنتیل 2
ساختارهای زمین‌شناسی

عنوان مقاله English

Satellite based band features change detection using discrete fractional Fourier transform

نویسندگان English

raziyeh safa
parviz zeaieanfirouzabadi
sayed mohammad tavakoli sabour
Kharazmi university
چکیده English

Changes in earth surface features may occur due to internal or external changes. However, regardless of the origin of the change, detection and monitoring of these changes will contribute to environmental planning for sustainable development and optimal utilization of resources. In this sense, introducing and implementing methods that are successful in recognizing the magnitude and trend of change will be useful. For this reason, the processing of satellite images in different sciences and with different purposes has become one of the main areas of research. This study aims to identify the changing areas frequency domain using discrete fractional Fourier transform method and the optimal order of discrete fractional Fourier transform to determine the accuracy and completeness of change detection in satellite images. In this regard, due to the inability of existing software packages on detecting changes using discrete Fourier transform, a software has been developed in MATLAB environment. First, the accuracy of the output generated through developed software was evaluated on differential sample images. Then, using Landsat and Sentinel2 satellite images from different dates and finding the value of coefficient “a” in the Fourier fraction transform, different outputs were obtained. Here, the results of the change image obtained from the optimal fractional Fourier transform method were compared with the difference image. The bands 2, 3 and 4 of Sentinel 2 did not indicate any sensitivity to changes in geological structures. However, they showed most of the changes in vegetated areas. However, band 8 (infrared band) of this sensor not only detected changes on vegetated areas, but also revealed changes in geological structures.

کلیدواژه‌ها English

Remote Sensing
Change Detection
Discrete Fractional Fourier Transform
Sentinel 2 Sensor
Structural Geology
Barnsley, M.J., Moller-Jensen, L., Barr, S.L., 2001. Inferring urban land use by spatial and structural pattern recognition. Remote Sensing and Urban Analysis. Taylor and Francis 115-144.
Candan Ç., M. Alper Kutay., Haldun M. Ozaktas., 2000. The Discrete Fractional Fourier Transform”, IEEE Transactions on Signal Processing 48(5).
Dashti, S., Sabzeghabaei, Gh., Hedayatzadeh, F., Mohseni F., 2015. Application of Remote Sensing in Assessing and Management of Environment. International Conference in New Outcomes in Agricultural Sciences, Natural Resources and Environment.
Gong, M., Zaho J., Miao Q., Jiao L., 2016. Change detection in synthetic Aperture Radar Image Based on Deep Neural Networks. IEEE Transactions on Neural Networks and learning Systems 27(1).
Hall, O., Hay, G. J., 2003. A multiscale object-specific approach to digital change detection. International Journal of Applied Earth Observation and Geoinformation 4, 311-327.
Hussain M., Chen D., Cheng A., Wei H., Stanley D., 2013. Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing 80, 91-106.
Jensen, J.R., 1983. Urban/Suburban Land Use Analysis, Manual of Remote Sensing. American Society of Photogrammetry. Falls Church, Virginia 1571–1666.
Jensen, J.R., 2015. Introductory Digital Image Processing: A Remote Sensing Perspective”, Pearson Series in Geographic Information Science.
Lin, Pao-Yen., 1999. The fractional Fourier transform and its applications. National Taiwan University, Taipei, Taiwan.
Lu D., Mausel P., Brondizio E., Moran. E., 2004. Change detection techniques. International journal of remote sensing 25. 2365-2401.
Malini, S., Moni, R.S., 2014. Impulse Image Noise Reduction Using Fuzzy-Cellular Automata Method. Journal of Engineering and Advanced Technology 4(1) 63-67.
Mendlovic D., Ozaktas Haldun M., 1993. Fractional Fourier transforms and their optical implementation. Journal of Optical Society of America 9(10).
Moghimi, A., 2014. Integrating Spectral and Textural Information to Detect Changes using Multi-Temporal Satellite Images and Using Direct and after Classification Comparison. M.E. Thesis, Department of Surveying, KN Tousi University of Technology.
Namias V., 1980. The Fractional Order Fourier Transform and Its Application to quantum mechanics. Journal of Institute of Mathematics and its Applications 25 241-265.
Organi M, 2006. Monitoring Urban Expansion Using Satellite Images Vis Spectral Mixing Model and After Classification Comparison. M.E. Thesis, Department of Civil Engineering. University of Tehran. In Persian.

Ozaktas H. M., Arikan O., Kutay M. A., Bozdagi G.., 1996. Digital Computation of the Fractional Fourier Transforms. IEEE Transactions on Signal Processing 44(9) 2141- 2150.
‌Sadeghi, V., 2011. Knowledge-Based System for Map Updating using Satellite Images. M.E. Thesis, Department of Surveying, KN Tousi University of Technology.
Singh, A., 1989. Digital Change Detection Techniques Using Remotely Sensed Data. International Journal of Remote Sensing 10 989-1003.
Singh, S., Singh K., 2013. Image Change Detection by Means of Discrete Fractional Fourier Transform. International Journal of Computer Applications 77(16)16-20.
Sinha P., 2010. Speech Processing in Embedded Systems. Springer New York, NY. https://doi.org/10.1007/978-0-387-75581-6.
Yang, W., Haifeng Song, Lei Du, Songsong Dai, Yingying XuA., 2022. Change Detection Method for Remote Sensing Images Based on Coupled Dictionary and Deep Learning. Computational Intelligence and Neuroscience 3404858. https://doi.org/10.1155/2022/3404858.