کاربرد نشانگر تحلیل بافتی GLCM بروی مقاطع ژئورادار

پذیرفته شده برای ارائه شفاهی ، صفحه 64-67 (4) اصل مقاله (611.16 K)

عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران

کد مقاله : 1456-NIGS

نویسندگان

¹آیدا آزاد خراسانی؛ ²حسین هاشمی ؛ ²رضا قناتی

¹دانشجوی کارشناسی ارشد، موسسه ژئو فیزیک ،دانشگاه تهران

²موسسه ژئوفیزیک، دانشگاه تهران

چکیده

نشانگرهایی که عمدتا در لرزه شناسی استفاده می شوند، تبدیل هایی فیزیکی، ریاضی، هندسی و غیره بر روی داده اصلی (سری زمانی) هستند که ویژگی های خاصی از جبهه موج را نشان می دهند و ابزارهایی مفید در زمینه شناسایی و تعیین ساختارهای زیرسطحی زمین می باشند. از نشانگرهای لرزه‌ای مهم می‌توان به نشانگرهای بافتی مبتنی بر ماتریس هم رویداد سطح خاکستری اشاره کرد. نشانگر های بافت مبتنی بر ماتریس هم رخداد سطح خاکستری GLCM، که یک ماتریس دو بعدی با ابعاد N*N و مقادیر دامنه پیکسل مرجع برحسب دامنه پیکسل های همسایه است. اصل محاسبات GLCM برای تصاویر دو بعدی توسعه داده شده بود. ماتریس GLCM یک اندازه گیری از بافت تصویر است که اغلب چگونگی تفاوت ترکیبی، مقادیر درخشش پیکسل که در یک تصویر موجود است را توصیف می کند. این ماتریس با سنجه هایی روی دامنه در پیکسل مورد نظر و همسایگی آن و تعیین مقادیر افزایش رخداد متناظر با سلول ماتریس، پر می شود. این عمل برای همه زوج دامنه ها در ناحیه ورودی تکرار می شود. GLCM چگونگی احتمال، پیدا کردن دامنه های دو همسایه در اطراف ناحیه نقطه مورد محاسبه را بررسی می کند.
در این مقاله کاربرد و کارآمدی نشانگر های بافت مبتنی بر ماتریس هم رخداد سطح خاکستری روی داد های ژئورادار مورد بررسی قرار گرفته است.

کلیدواژه ها

نشانگر بافتی؛ ماتریس هم رخداد سطح خاکستری؛ ژئورادار؛ انرژی؛ آنتروپی؛ پردازش

Title

Application of GLCM pattern based attributes on GPR sections

Authors

Ayda Azad Khorasani, hosein hashemi, Reza Ghanati

Abstract

Attributes are mostly used in seismology, these are physical, mathematical and geometrical transforms on main data (time series) and show up the special characteristics of the waveform. Such attributes are useful tools in detection and delineation of the sub-surface geological formations. One of the most recent and important ones is gray level co-occurrence matrix (GLCM) that is a 2D matrix with the size of N*N and the values of reference pixel amplitudes versus the neighboring pixel amplitudes. The GLCM is primarily developed for 2D images. The GLCM matrix is a measurement of the image pattern that shows how different combination of pixel hue and nearby pixels are connected, and hence the values of co-occurrence related to the specified pixel is reported. This process is repeated for all neighboring amplitudes around the area under the calculation.
In this paper the applicability and usefulness of gray level co-occurrence matrix is used on ground penetrating radar data.

Keywords

Pattern based attributes, gray level co-occurrence matrix, georadar, energy, entropy, Processing