بررسی تشخیص نفت با استفاده از الگوریتمهای جداسازی طیفی PPI وFPPI در تصاویر ابرطیفی
نویسندگان
چکیده مقاله:
با رها شدن نفت به اقیانوسها از تانکرها، کشتی و خطوط انتقال نفت تاثیر اجتماعی اقتصادی روی محیط های ساحلی دارد. آشکارسازی سریع نشت نفت میتواند خطرات جدی بر روی محیط زیست و ساکنان ساحلی را کاهش دهد. کشور ما از شمال و جنوب توسط دریا احاطه شده پس حفاظت از دریا امری حیاتی است. سنجندههای فراطیفی مجموعهای از تصاویر مکانی را درباندهای متعدد با قدرت تفکیک طیفی بالا از یک منطقه جمعآوری مینمایند؛ که به پشتوانه اطلاعات موجود در صدها باند طیفی، امکان شناسایی مواد تشکیل دهنده صحنه تصویر با استفاده از مشخصه های طیفی آنها فراهم شده است. در این تحقیق جهت استفاده از داده مورد نظر با الگوریتم FLAASHتصحیح اتمسفری و حذف باندهای زاید انجام، سپس با استفاده از الگوریتمهای جدا سازی فراطیفی PPI و FPPI نسبت به تشخیص نفت خام رها شده در خلیج مکزیک و تخمین نسبت نفت به آب در صحنه اقدام شد.
منابع مشابه
جداسازی 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...
متن کاملانتخاب باندهای بهینه جهت بهبود جداسازی طیفی تصاویر ابرطیفی
مدل آنالیز ترکیب خطی به طور گستردهای برای برآورد سهم هر ماده خالص در اختلاط طیفی مورد استفاده قرار میگیرد. راهحل ریاضی مسئله ترکیب، حل مجموعهای از معادلات خطی با استفاده از روش کمترین مربعات میباشد. اما بیشترین منبع خطا در روشهای متداول آنالیز ترکیب طیفی ناشی از عدم امکان محاسبه تغییرات طیفی اعضای خالص در سیر زمان و مکان است. در این فرآیند از اعضای خالص ثابتی برای کل صحنه تصویربرداری استف...
متن کاملجداسازی 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...
جداسازی 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...
متن کاملتجزیه ی تُنُک تصاویر ابرطیفی با استفاده از یک کتابخانه ی طیفی هرس شده
Spectral unmixing of hyperspectral images is one of the most important research fields in remote sensing. Recently, the direct use of spectral libraries in spectral unmixing is on increase. In this way which is called sparse unmixing, we do not need an endmember extraction algorithm and the number determination of endmembers priori. Since spectral libraries usually contain highly correlated s...
متن کاملحسگری فشرده تصاویر ابرطیفی با دستهبندی طیفی و بازسازی با تنظیمکننده تغییرات کلی طیفی- مکانی
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 عل...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 11 شماره 53
صفحات 66- 79
تاریخ انتشار 2016-06-01
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023