بخش بندی تصاویر سنجش از دور SAR با استفاده از ویژگی های بافت استخراجی با تبدیل کرولت و مدل مخلوط گوسی

قطعه بندی تصاویر سنجش از دور SAR، اغلب بعنوان یک مسئله چالش برانگیز شناخته می شود و این موضوع ناشی از نویز نقطه ای است که در این تصاویر وجود دارد و باعث شده است که اعمال الگوریتم های سنتی بخش بندی بر روی این تصاویر منجر به نتایج قابل قبولی نگردد. در این مقاله الگوریتمی برای قطعه بندی تصاویر سنجش از دور SAR با استفاده از ویزگی بافت تصاویر ارائه شده است. می دانیم که بافت تصاویر نقش مهمی در تشخیص و اشکارسازی اشیا در پردازش تصاویر بازی می کند. در این الگوریتم، ویژگی های نهایی از ترکیب ویژگی های بافت استخراجی از ماتریس های هم رخداد سطح خاکستری (GLCM) کرولت با ویژگی های بافت بدست آمده از خود تصویر اصلی ایجاد می گردند. سپس با استفاده از بردار ویژگی حاصل، یک مدل مخلوط گوسی (GMM) ایجاد می کنیم. و در نهایت قطعه بندی تصویر را با استفاده از این مدل انجام خواهیم داد. یکی از کاربردهای بسیار مفید روش پیشنهادی، قطعه بندی و متمایز نمودن بافت هر ناحیه از هر تصویر SAR است. نتایج شبیه سازی و ازمایشات انجام شده توسط این الگوریتم بر روی تصاویر SAR ارائه شده است. این نتایج بیانگر قدرت روش پیشنهادی در قطعه بندی و توصیف بافتهای مختلف در تصاویر SAR بوده و کمتر تحت تأثیر شدت نویز نقطه ای در تصاویر SAR خواهد بود.

کلیدواژه ها:

قطعه بندی ، ویژگی های بافت ، تبدیل کرولت ، ماتریس های هم رخداد سطح خاکستری ، مدل مخلوط گوسی ، نویز نقطه ای