جانمایی کلاس ها در سطح زیر پیکسل در تصاویر ابر طیفی با استفاده از روش فراتفکیک پذیری

از زمان پیدایش ccd ها در صنعت تصویر برداری علیرغم پیشرفت ها و مزایای آن مشکلاتی از قبیل کوچک بودن سنسور ها ، نویز و اختلاط نیز به همراه آن بوده است. استفاده از این سنسور ها در سنجش از دور از 3 دهه ی پیش مرسوم شده است. تلاش محققین در جهت کوچک نمودن سنسور ها و به تبع آن افزایش قدرت تفکیک تصاویر اخذ شده همواره ادامه داشته اما به جهت مشکلات تکنولوژی این پیشرفت تا حدودی محدود مانده است. از آنجا که یکی از مهمترین کاربردهای سنجش از دور طبقه بندی تصاویر و تهیه ی نقشه ی پوششی است ، افزایش قدرت تفکیک مکانی نقش بسزایی در دقیق تر شدن نتایج ایفا می کند. super resolution یکی از روش هایی است که در افزایش قدرت تفکیک تصاویر دیجیتال گام های مناسبی برداشته است. atkinson با الهام گیری و توسعه ی این روش بر روی نقشه های طبقه بندی شده ی سنجش از دور توانست نقشه های طبقه بندی در سطح زیر پیکسل ایجاد کند. پس از او محققان دیگری نیز با توسعه ی روش های مختلف در راستای تهیه ی نقشه ی زیر پیکسل تلاش نمودند. هر کدام از این روش ها مزایا و معایبی دارد . در راستای بهبود این روند، تحقیق پیش رو روشی ابتکاری بر پایه ی بهینه سازی مکانی و بر روی تصویر فرا طیفی ارایه می دهد. در روش پیشنهادی با استفاده از اطلاعات طیفی طبقه بندی نرم صورت می گیرد و با استفاده از روابط همسایگی نقشه ی طبقه بندی شده ای در سطح زیر پیکسل از منطقه ی مورد مطالعه ارایه می گردد. ارزیابی انجام شده حکایت از دقت نسبی روش و نیز سرعت اجرای روش بیانگر عملکرد مناسب آن در مقایسه با روش های دیگر است. نقشه ی زیر پیکسل تهیه شده دارای دقتی در حدود 90 درصد در مقایسه با تصویر اولیه و نقشه ی مرجع بوده و همچنین زمان اجرای الگوریتم برای تصویری با 36000 زیر پیکسل کمتر از 15 دقیقه محاسبه گردید. همچنین روش ارایه شده دارای قابلیت توسعه در جهت افزایش کلاس ها بوده و قابل توسعه بر داده های دیگر سنجش از دور نیز هست.