ارائه و ارزیابی الگوریتم های نظارت نشده برای جداسازی طیفی تصاویر ابرطیفی با استفاده از داده‎ های طیف‎ نگاری

اختلاط طیفی و حضور پیکسل‏های مختلط در تصاویر سنجش از دوری، پدیده‏ای اجتناب ناپذیر است. از این رو، یافتن راه حلی برای این مسئله یکی از مباحث مهم و مورد توجه در سنجش از دور است. هدف اصلی در این پایان نامه، ارزیابی مدل اختلاط طیفی خطی و روش های تجزیه طیفی نظارت نشده آن است. در مدل اختلاط طیفی خطی متداول، پاسخ مکانی سنجنده به طیف ورودی به آن (تابع نقطه گستر یا psf) در نظر گرفته نشده است بنابراین در این تحقیق ابتدا مدل اختلاط طیفی خطی جدیدی ارائه شده است که در آن psf سنجنده در نظر گرفته شده است. برای ارزیابی این مدل، فرآیندی تحت شرایط آزمایشگاهی، طراحی و پیاده‏سازی گردید تا از طریق اندازه‏گیری‎های طیفی توسط دستگاه طیف‎سنج، یک مجموعه داده‏ی ابرطیفی دقیق و مناسب تولید شود. نتایج این ارزیابی نشان می ‏دهد که تابع psf سنجنده مقادیر فراوانی را به این صورت تغییر می دهد که هر چه یک عضو خالص به مرکز پیکسل نزدیک تر باشد وزن بیشتری نسبت به اعضای خالصی که دورتر از مرکز هستند می گیرد. سپس در این تحقیق به ارزیابی روش های تجزیه طیفی به صورت نظارت نشده پراخته شده است که خود شامل سه مرحله ی تعیین تعداد اعضای خالص، تعیین طیف اعضای خالص و تعیین مقادیر فراوانی هر پیکسل است. در مرحله اول، روش های بر مبنای pca (pca، napca، pnapca)، بر مبنای itc (aic، mdl)، بر مبنای دیسک gerschgorin (tgd، روش پیشنهادی mtgd)، hfc، hysime و hysime@ پیاده سازی شده و مورد ارزیابی قرار گرفته اند که به ترتیب روش های mtgd و hysime@ بهترین نتایج را داشته اند. روش mtgd، با رفع نواقص روش tgd و با استفاده از یک استراتژی جدید برای تفکیک دیسک های سیگنال از نویز پیشنهاد شده است. در مرحله دوم، روش های تعیین طیف اعضای خالص، بر حسب اینکه در تصویر از هر عضوخالص حداقل یک پیکسل خالص وجود دارد یا نه، به ترتیب در دو دسته-ی روش های شناسایی اعضای خالص و روش های استخراج اعضای خالص تقسیم شده اند. برای دسته ی روش-های شناسایی اعضای خالص، روش های see، nfindr، atgp، ufcls، maximin-distance، sga، vca، ppi، برمبنای ppi (fippi، appi، rppi) و روش پیشنهادی uppi اجرا شدند و برای دسته ی روش های استخراج اعضای خالص روش های ica، deca، cnmf، mvc-nmf و mvsa اجرا شدند. روش uppi بر مبنای روش ppi و تعریف پیشنهادی مجموعه ناسازگار و به کمک استراتژی اضافه کردن نویز، پیشنهاد شده است که در آن معایب روش های بر مبنای ppi برطرف شده است. از بین روش های شناسایی اعضای خالص، به ترتیب روش های ufcls و sga از نتایج بهتری برخوردار هستند که به علت بالا بودن زمان پردازش در روش ufcls، روش sga به عنوان بهترین روش در این تحقیق پیشنهاد شده است. در روش های استخراج اعضای خالص، روش mvsa نتایج بهتری را ارائه کرده است اما در شرایطی که تعداد اعضای خالص تصویر زیاد باشد یا توان نویز (snr) پایین باشد، روش mvsa هم نتایج ضعیفی ارائه می کند. برای ارزیابی طیف اعضای خالص برآورد شده، علاوه بر معیارهای فاصله بین دو بردار (sam، ed، sid)، از دو شاخص پیشنهادی pii و sii استفاده شده است که از قابلیت بهتری برای ارزیابی نتایج برخوردار هستند. مبنای دو شاخص pii و sii استفاده از مقادیر فراوانی متناظر با اعضای خالص برآورد شده، به جای استفاده مستقیم از طیف آنها است. مرحله ی تعیین مقادیر فراوانی، یک مسئله کمترین مربعات با قیود معادله-ای (قید مجموع واحد مقادیر فراوانی یا asc) و نامعادله ای (قید نامنفی بودن مقادیر فراوانی یا anc) است که با مسئله fcls شناخته شده است. برای حل این مسئله روش جدیدی پیشنهاد شده است که قیود asc و anc را به طور کامل و همزمان اعمال کرده و در مقایسه با روش های uls، scls، ncls، nscls، nncls، fclsheinz و fclsreyes از نتایج بهتری برخوردار است. در این تحقیق علاوه بر داده های ساخته شده در آزمایشگاه، از داده های شبیه سازی شده با اعضای خالص و مقادیر فراوانی تصادفی و کنترل شده و همچنین از تصویر واقعی سنجنده aviris از دو منطقه indian pine و cuprite برای ارزیابی نتایج استفاده شده است.