fa انتخاب باندهای بهینه جهت بهبود جداسازی طیفی تصاویر ابرطیفی فتوگرامتری Aerial Photogrammetry پژوهشي Research <span style="font-family:b nazanin;">مدل آنالیز ترکیب خطی به طور گسترده‌ای برای برآورد سهم هر ماده خالص در اختلاط طیفی مورد استفاده قرار می</span>‌<span style="font-family:b nazanin;">گیرد. راه</span>‌<span style="font-family:b nazanin;">حل ریاضی مسئله ترکیب، حل مجموعه‌ای از معادلات خطی با استفاده از روش کمترین مربعات می</span>‌<span style="font-family:b nazanin;">باشد. اما بیشترین منبع خطا در روش</span>‌<span style="font-family:b nazanin;">های متداول آنالیز ترکیب طیفی ناشی از عدم امکان محاسبه تغییرات طیفی اعضای</span>&nbsp;<span style="font-family:b nazanin;">خالص در سیر زمان و مکان است. در این فرآیند از اعضای</span>&nbsp;<span style="font-family:b nazanin;">خالص ثابتی برای کل صحنه تصویربرداری استفاده می</span>‌<span style="font-family:b nazanin;">شود. علاوه بر این، اگر اعضای</span>&nbsp;<span style="font-family:b nazanin;">خالص به شدت به یکدیگر وابسته باشند ماتریس ضرایب دچار کمبود رنک شده و حل مسئله معکوس همراه با ناپایداری خواهد بود. به این ترتیب فراوانی‌های برآورد شده به شدت به خطاهای تصادفی حساس می‌گردند. در این مقاله روش جدیدی برای انتخاب باند متشکل از اولویت‌بندی باندها در راستای کاهش اثر تغییرپذیری طیفی و کاهش همبستگی بین باندها برمبنای زاویه آنها ارائه شده‌است. با استفاده از روش پیشنهادی و به کمک داده‌های شبیه‌سازی شده و واقعی نشان داده شد که می‌توان به‌طور موثری به حذف تعداد زیادی از باندهای غیر ضروری اقدام نمود. آزمایش‌ها نشان داد که با انتخاب باندهای مناسب، کمتر از 20 درصد باندها، می‌توان به نتایج قابل مقایسه و حتی بهتری از نتایج حاصل از تمام باندها رسید.</span> Linear spectral mixture analysis (SMA) has been used extensively in remote sensing studies to estimate the sub pixel composition of spectral mixtures. The mathematical solution of the mixing problem is to resolve a set of linear equations using least squares approaches. The lack of ability to account for temporal and spatial variability between and among endmembers has been acknowledged as a major shortcome of conventional SMA approaches applying a linear mixture model using a set of fixed endmembers. Also, if endmembers are highly correlated, the matrix will become non-orthogonal, the inversion will be unstable and the inverse or estimated fractions will become highly sensitive to random errors (e.g., noise). In this paper, we present a new band selection method that comprises a band prioritization and a band de-correlation. The band prioritization will prioritizes all bands according to the reduced spectral variability of endmembers which will be used for unmixing. Bands are then selected on the basis of their associated priorities. Since the band prioritization does not consider as spectral correlation, a band de-correlation using the angles between bands are being applied to de-correlate prioritized bands. It is shown that the proposed band selection method effectively eliminates a great number of insignificant bands. Surprisingly, the experimental results on real and synthetic data sets show that with a proper band selection less than 0.2 of the total number of bands can achieve comparable performance using all bands. تصاویر ابرطیفی, جداسازی طیفی, انتخاب باند, تغییرپذیری طیفی, معیارهای شباهت Hyperspectral Images, Unmixing, Band selection, Spectral Variability, Similarity Measures. 93 114 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-372-1&slc_lang=fa&sid=1 Omid Ghaffari امید غفاری Ghaffari@znu.ac.ir 10031947532846007186 10031947532846007186 Yes K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mohammad Javad Valadan Zoej محمدجواد ولدان زوج 10031947532846007187 10031947532846007187 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mehdi Mokhtarzade مهدی مختارزاده 10031947532846007188 10031947532846007188 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی