استفاده از جداسازی طیفی و مکانی در پردازش تصاویر چند طیفی سنجش از دور

چکیده جداسازی داده های سنجش از دور یکی از مسائل مهم، پیش از بهره برداری از این داده ها در زمینه های مختلف علمی و کاربردی است. با توسعه فن آوری سنجش از دور و ظهور سنجنده های ابرطیفی، زمینه برای ارائه روش های جدید در این زمینه بیش از پیش فراهم شده است و به پشتوانه اطاعات موجود در صد ها باند طیفی امکان تفکیک طیفی پیکسل هایی که بیش از یک ماده در تشکیل طیفی آن نقش دارند مهیا شده است. در سال های اخیر روش های هندسی و آماری زیادی برای جداسازی داده های ابرطیفی در غالب به کارگیری ویژگی های هندسی و آماری ارائه شده، اما یکی از مشکلات این روش ها چگونگی اعمال محدودیت های فیزیکی مسأله در فرآیند جداسازی می باشد. جداسازی کور منابع (bss) یکی از حوزه های جدید در داده کاوی است که به تازدگی در جداسازی داده های سنجش از دور مورد استفاده قرار می گیرد. تحلیل مولفه های مستقل (ica)، معروف ترین روش در این زمینه است که موفقیت های زیادی در جداسازی منابع به صورت کور و تنها با استفاده از فرض استقلال آماری و غیر گوسی بودن کسب کرده است. با این وجود، فرض استقلال آماری در حال مصامحه با یکی از محدودیت های فیزیکی است و این موضوع، به کارگیری این روش در جداسازی داده های سنجش از دور را زیر سوال برده است. دراین پایان نامه از یک روش جدید در حوزه جداسازی کور منابع به نام فاکتور نامنفی ماتریس (nmf) برای جداسازی داده های ابرطیفی استفاده شده است. هدف اصلی در این پژوهش جداسازی طیفی و جداسازی مکانی و اعمال تمام محدودیت های فیزیکی بر اساس مدل ترکیب خطی است. اعمال این محدودیت ها در فرآیند جداسازی امری ضروری است بگونه ای که تعبیر و تفسیر نتایج استخراج شده را دشوار و یا غیر ممکن می کند. همچنین ، علاوه بر محدودیت های فیزیکی، از اطلاعات اضافی در مورد ویژگی داده های ابرطیفی در فرآیند جداسازی بهره برداری شده است. این ویژگی ها عبارتند از تنکی(sparsity) ماتریس فراوانی و همواری (smoothness) ماتریس اعضای انتهایی که از ویژگی های ذاتی داده های سنجش از دور است. اعمال ویژگی های تنکی و همواری به الگوریتم nmf علاوه بر بهبود مشکل مینیمم های محلی به سبب غیر محدب بودن تابع هزینه، تاثیر بسزایی در نتایج استخراج شده از تصویر دارد. این روش بر خلاف برخی از روش های جداسازی داده های سنجش از دور که جداسازی طیفی و استخراج اعضای انتهایی را به صورت مجزا از جداسازی مکانی و تخمین نقشه فراوانی انجام می دهند، به صورت آنی بدست می آورد. در بخش انتهایی این پایان نامه به منظور بررسی کارآمدی الگوریتم پیشنهادی از داده های ابر طیفی مصنوعی و واقعی استفاده شده و نتایج استخراج شده مورد بررسی قرار گرفته است، همچنین نتایج داده های واقعی با الگوریتم vca که بهترین الگوریتم هندسی در استخراج اعضای انتهایی می باشد، بصورت کمی مورد مقایسه و بررسی قرار گرفته است.