ارائه یک پیش پردازشگر مکانی طیفی جدید برای بهبود تجزیه طیفی تصاویر ابرطیفی

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 166

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-7-3_007

تاریخ نمایه سازی: 6 دی 1400

چکیده مقاله:

: هدف از تجزیه طیفی تصاویر ابرطیفی، استخراج امضاهای طیفی عناصر خالص تشکیل­دهنده پیکسل های صحنه و فراوانی آن هاست. بیشتر الگوریتم های به کاررفته در فرآیند استخراج امضاهای طیفی، بدون آنکه ساختار و همبستگی مکانی پیکسل های تصویر را در نظر بگیرند، تنها به اطلاعات طیفی پیکسل های تصویر توجه کرده اند. به تازگی الگوریتم هایی پباده­سازی شده است که به کمک ترکیب اطلاعات مکانی و طیفی، فرآیند شناسایی عناصر خالص و تجزیه طیفی را بهبود می­بخشند. در این مقاله، یک ماژول پیش پردازشگر جدید مکانی طیفی ارائه شده است؛ به طوری که پیکسل های نواحی مرزی به کمک نقشه کلاس به دست­آمده از الگوریتم کلاسترینگ، بدون نظارت و پنجره همسایگی ۸تایی، میان دو یا چند ناحیه کلاستر را شناسایی و این نواحی ناهمگن مکانی را حذف می­کنند. سپس به کمک محاسبه وزن خلوص طیفی پیکسل های غیرمرزی و آستانه گذاری، پیکسل های موجود در نواحی همگن مکانی و خالص طیفی را شناسایی می کنند تا طبقات استخراج عناصر خالص بعدی بتوانند با دقت و سرعت بیشتری، امضاهای طیفی را استخراج کنند. هدف ماژول مستقل پیشنهادی، کاهش خطای RMSE تصویر بازسازی شده و مدت زمان پردازش لازم برای استخراج عناصر خالص و بهبود معیار جدیدی به نام بازده نسبت به دیگر طبقات پیش­پردازشگر موجود بر روی تصاویر ابرطیفی واقعی است.  

نویسندگان

فاطمه کوکبی

دانشجوی دکترای مخابرات، دانشکده مهندسی برق - دانشگاه آزاد اسلامی واحد علوم و تحقیقات – تهران - ایران

حسن قاسمیان

استاد، دانشکده مهندسی برق وکامپیوتر- دانشگاه تربیت مدرس – تهران - ایران

احمد کشاورز

استادیار، دانشکده مهندسی - دانشگاه خلیج فارس – بوشهر - ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Keshava, N., and Mustard, J. F., "Spectral unmixing", IEEE Signal ...
  • Bioucas-Dias, J. M., Plaza, A., Dobigeon, N., Parente, M., Du, ...
  • Chang, C.-Iو and Du, Q., "Estimation of number of spectrally ...
  • Bioucas-Dias, J. M., and Nascimento, J. M. P., "Hyperspectral subspace ...
  • Heinz, D., and Chang, C.-I, "Fully constrained least squares linear ...
  • Villa, A., Chanussot, J., Benediktsson, J. A., and Jutten, C., ...
  • Dopido, I., Villa, A., Plaza, A., and Gamba, P., "A ...
  • Harsanyi, J. C. and Chang, C.-I, "Hyperspectral image classification and ...
  • Nascimento, J. M. P., and Bioucas-Dias, J. M., "Vertex component ...
  • Winter, M. E., "N-FINDR: An algorithm for fast autonomous spectral ...
  • Alizadeh, H. ,and Ghassemian, H., Hyperspectral data unmixing using constrained ...
  • Rajabi, R.,and Ghassemian, H., "Hyperspectral data unmixing using GNMF method ...
  • Rajabi, R.,and Ghassemian, H., "Spectral Unmixing of Hyperspectral Imagery Using ...
  • Zortea, M. and Plaza, A., "Spatial preprocessing for endmember extraction", ...
  • Martin, G., and Plaza, A., "Spatial-Spectral Preprocessing Prior to Endmember ...
  • Lopez, S., Moure, J.F., Plaza, A., Callico, G.M., Lopez, J.F., ...
  • Martin, G., and Plaza, A., "Region-Based Spatial Preprocessing for Endmember ...
  • Kowkabi, F., Ghassemian, H., and Keshavarz, A, "Endmember extraction using ...
  • Kowkabi, F., Ghassemian, H., and Keshavarz, A," Enhancing Hyperspectral Endmember ...
  • Kowkabi, F., Ghassemian, H., and Keshavarz, A, “A fast spatial-spectral ...
  • Otsu, N., "A threshold selection method from gray-level histograms", Automatica, ...
  • نمایش کامل مراجع