حسگری فشرده تصاویر ابرطیفی با دسته‌بندی طیفی و بازسازی با تنظیم‌کننده تغییرات کلی طیفی- مکانی
Authors
Abstract:
در این مقاله با توجه به همبستگی باندهای طیفی یک تصویر ابرطیفی، ابتدا این باندها را بر اساس ضرایب همبستگی دسته‌بندی می‌کنیم. سپس با استفاده از همبستگی مکانی بین پیکسل‌های یک تصویر ابرطیفی و به‌کارگیری دسته‌بندی مذکور، یک روش حسگری فشرده طیفی-مکانی را با دسته‌بندی طیفی برای تصاویر ابرطیفی پیشنهاد می‌نماییم. برای بازسازی این تصاویر، روش تنظیم‌کننده تغییرات کلی طیفی-مکانی پیشنهاد می‌شود که در آن علاوه بر گرادیان‌های گسسته عمودی و افقی، گرادیان گسسته فرکانسی را نیز به‌کار می‌گیریم. با دسته‌بندی باندهای طیفی، می‌توان محاسبات بازسازی باندهای طیفی دسته‌ها را به‌صورت موازی انجام داد که منجر به افزایش سرعت بازسازی می‌شود. همچنین در صورت حسگری فشرده طیفی- مکانی بدون دسته‌بندی و انجام بازسازی، روش پیشنهادی در مقایسه با روش‌های نرم‌یک و تنظیم‌کننده تغییرات کلی مکانی باعث بهبود کیفیت بازسازی تصاویر از لحاظ PSNR می‌شود. با استفاده از شبیه‌سازی‌های کامپیوتری روی تصاویر ابرطیفی واقعی، نتایج فوق تأیید می‌شود.
similar resources
جداسازی طیفی با استفاده از حسگری فشرده در تصاویر ابرطیفی
تصویربرداری ابرطیفی ابزاری مهم در کاربردهای سنجش از دور بشمار می رود. حسگرهای ابرطیفی، نور منعکس شده از سطح زمین را در صدها و یا هزاران باند طیفی اندازه گیری کرده و حجم بالایی از داده را جهت پردازش بعدی به پایگاه زمینی می فرستند. با وجود اینکه این حسگرها وضوح طیفی بسیار بالایی دارند اما وضوح مکانی آنها پایین است. در بعضی از کاربردها، بی درنگ نیاز به داشتن تصویر در سطح زمین داریم و لازمه ی این م...
بهبود طبقه بندی طیفی-مکانی تصاویر ابرطیفی با به کارگیری اطلاعات مکانی در انتخاب نشانه ها
فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها است. معمولترین روش جهت طبقهبندی تصاویر ابرطیفی، طبقه بندی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسل های همسایه، به کلاس مشخصی اختصاص می یابد. پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکا...
full textجداسازی طیفی و مکانی تصاویر ابرطیفی با استفاده از Semi-NMF و تبدیل PCA
Unmixing of remote-sensing data using nonnegative matrix factorization has been considered recently. To improve performance, additional constraints are added to the cost function. The main challenge is to introduce constraints that lead to better results for unmixing. Correlation between bands of Hyperspectral images is the problem that is paid less attention to it in the unmixing algorithms. I...
full textارائه یک پیش پردازشگر مکانی طیفی جدید برای بهبود تجزیه طیفی تصاویر ابرطیفی
: هدف از تجزیه طیفی تصاویر ابرطیفی، استخراج امضاهای طیفی عناصر خالص تشکیلدهنده پیکسل های صحنه و فراوانی آن هاست. بیشترِ 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 خ...
full textتاثیر انتخاب ویژگی به کمک الگوریتم ژنتیک بر طبقه بندی طیفی مکانی تصاویر ابرطیفی
فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقهبندی پوشش‌های زمین و بررسی تغییرات آنها می‌باشد. با پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقه بندی تصاویر ابرطیفی ایجاب می‌کند. در این تحقیق سعی می‌گردد تاثیر کاهش ابعاد به کمک الگوریتم ژنتیک را در فرآیند طبقه بندی طیفی-مکانی تصاویر ابرطیفی بررسی شود. در میان الگوریت...
full textجداسازی طیفی و مکانی تصاویر ابرطیفی با استفاده از semi-nmf و تبدیل pca
در سال های اخیر جداسازی داده های سنجش از دور با استفاده از عامل بندی ماتریس نامنفی (nonnegative matrix factorization) مود توجه قرار گرفته است و برای بهبود کارایی آن، به تابع هزینه اقلیدسی قید های کمکی می افزایند. چالش اصلی در این میان معرفی قید های است که بتواند نتایج بهتری را استخراج کند. همبستگی بین باند های تصاویر ابر طیفی مساله ای است که کمتر مورد توجه الگوریتم های جداسازی قرار گرفته است. ا...
full textMy Resources
Journal title
volume 47 issue 4
pages 1513- 1521
publication date 2018-02-20
By following a journal you will be notified via email when a new issue of this journal is published.
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023