[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 8، شماره 3 - ( 10-1399 ) ::
جلد 8 شماره 3 صفحات 21-38 برگشت به فهرست نسخه ها
تفکیک ناهنجاری ها از پس زمینه براساس تجزیه تصویر ابرطیفی کاهش بعد یافته
مهرنوش امتی*، محمودرضا صاحبی، یزدان عامریان
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (503 مشاهده)
کاربرد آشکارسازی ناهنجاری­ در بسیاری از زمینه­های تحقیقاتی، جایگاه ویژه­ای را در میان پردازش­های تصاویر ابرطیفی به ­خود اختصاص داده­است. امروزه بسیاری از روش­های مطرح در این زمینه، تنها از اطلاعات پس­زمینه در راستای تمایزبخشی میان پیکسل­های ناهنجاری­ و پس­زمینه استفاده می­نمایند. این درحالی­است که عواملی همانند نویز و وجود پیکسل­های ناهنجاری در پس­زمینه، فرض تبعیت از توزیع آماری خاص پس­زمینه و هم­چنین تعداد بسیار باندهای تصویر ابرطیفی و همبستگی میان آن­ها، منجر به محدودیت روش­های ارائه شده و ایجاد خطا در آشکارسازی ناهنجاری­ها می­گردد. هدف از این پژوهش، ارائه روش نوین آشکارسازی ناهنجاری­ با قابلیت رفع محدودیت­های مطرح شده می­باشد. در روش پیشنهادی ابتدا تبدیل فوریه سریع (FFT) به عنوان پیش­ پردازش الگوریتم آشکارسازی ناهنجاری بر تصویر اعمال می­شود. استفاده از این تکنیک کاهش بعد خطی، علاوه بر بهبود عملکرد الگوریتم آشکارسازی، قادر به کاهش قابل توجه حجم محاسبات نیز خواهدبود. در ادامه با تجزیه تصویر ابرطیفی کاهش بعدیافته به ماتریس پایین ­مرتبه پس­ زمینه و ماتریس خلوت ناهنجاری، علاوه بر جداسازی نویز از سیگنال­های موجود در تصویر، می­توان از هر دو مولفه پس­ زمینه و ناهنجاری به­ منظور استخراج اطلاعات استفاده نمود. در واقع با تفکیک مولفه ناهنجاری از پس­ زمینه، از اثر وجود پیکسل­های ناهنجاری در پس­ زمینه کاسته شده و تنها از این ماتریس به­ منظور استخراج اطلاعات و ویژگی­های آماری پس ­زمینه استفاده می­گردد. هم­چنین به کارگیری فاصله ماهالانوبیس وزن­دار براساس معیار میانه در روش تجزیه پیشنهادی، توانسته به هر پیکسل، وزنی را متناسب با مرکز پس­ زمینه اختصاص داده و بدین­ترتیب نتایج آشکارسازی ناهنجاری را بهبود بخشد. پیاده­سازی الگوریتم پیشنهادی بر تصاویر ابرطیفیCenter  Pavia وUniversity  Pavia و مقایسه نتایج حاصل از آن­ها با دیگر روش­های متداول در این زمینه، نشان از عملکرد بهتر تکنیک پیشنهادی در آشکارسازی پیکسل­های ناهنجاری از فضای پس ­زمینه داشته ­است.
واژه‌های کلیدی: آشکارسازی ناهنجاری، کاهش بعد و تجزیه تصویر ابرطیفی، ماتریس پایین مرتبه پس زمینه، ماتریس خلوت ناهنجاری.
متن کامل [PDF 1319 kb]   (116 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1398/2/30 | پذیرش: 1398/7/8 | انتشار: 1399/10/30
فهرست منابع
1. [1] D. Landgrebe, "On information extraction principles for hyperspectral data," Purdue University, West Lafayette, IN, USA, vol. 34, 1997.
2. [2] G. Shaw and D. Manolakis, "Signal processing for hyperspectral image exploitation," IEEE Signal processing magazine, vol. 19, pp. 12-16, 2002. [DOI:10.1109/79.974715]
3. [3] L. Gao, Q. Guo, A. J. Plaza, J. Li, and B. Zhang, "Probabilistic anomaly detector for remotely sensed hyperspectral data," Journal of applied remote sensing, vol. 8, 2002. [DOI:10.1117/1.JRS.8.083538]
4. [4] C.-I. Chang, Hyperspectral data processing: algorithm design and analysis: John Wiley & Sons, 2013. [DOI:10.1002/9781118269787]
5. [5] A. Chudnovsky, A. Kostinski, L. Herrmann, I. Koren, G. Nutesku, and E. Ben-Dor, "Hyperspectral spaceborne imaging of dust-laden flows: Anatomy of Saharan dust storm from the Bodélé Depression," Remote sensing of environment, pp.1013-1024, 2011. [DOI:10.1016/j.rse.2010.12.006]
6. [6] M. Liu, X. Liu, L. Wu, L. Duan, and B. Zhong, "Wavelet-based detection of crop zinc stress assessment using hyperspectral reflectance," Computers & geosciences,vol.37, pp.1254-1263, 2011. [DOI:10.1016/j.cageo.2010.11.019]
7. [7] M. Prabhakar, Y. Prasad, M. Thirupathi, G. Sreedevi, B. Dharajothi, and B. Venkateswarlu, "Use of ground based hyperspectral remote sensing for detection of stress in cotton caused by leafhopper (Hemiptera: Cicadellidae)," Computers and Electronics in Agriculture, vol.79, pp. 189-198, 2011. [DOI:10.1016/j.compag.2011.09.012]
8. [8] M. T. Eismann, A. D. Stocker, and N. M. Nasrabadi, "Automated hyperspectral cueing for civilian search and rescue," Proceedings of the IEEE, vol. 97, pp. 1031-1055, 2009. [DOI:10.1109/JPROC.2009.2013561]
9. [9] P. W. Yuen and G. Bishop, "Hyperspectral algorithm development for military applications: A multiple fusion approach," in 3rd EMRS DTC Technical Conference, pp.16-17, 2006.
10. [10] C. Zhao, Y. Wang, B. Qi, and J. Wang, "Global and local real-time anomaly detectors for hyperspectral remote sensing imagery," Remote Sensing, vol. 7, pp. 3966-3985, 2015. [DOI:10.3390/rs70403966]
11. [11] W. Sun, C. Liu, J. Li, Y. M. Lai, and W. Li, "Low-rank and sparse matrix decomposition-based anomaly detection for hyperspectral imagery," Journal of Applied Remote Sensing, vol. 8, 2014. [DOI:10.1117/1.JRS.8.083641]
12. [12] A. Huck and M. Guillaume, "Asymptotically CFAR-unsupervised target detection and discrimination in hyperspectral images with anomalous-component pursuit," IEEE Transactions on Geoscience and Remote Sensing, vol. 48, pp. 3980-3991, 2010. [DOI:10.1109/TGRS.2010.2063434]
13. [13] J. Meola, M. T. Eismann, R. L. Moses, and J. N. Ash, "detecting changes in hyperspectral imagery using a model-based approach," IEEE Transactions on Geoscience and Remote Sensing, vol. 49, pp. 2647-2661, 2011. [DOI:10.1109/TGRS.2011.2109726]
14. [14] Y. Xu, Z. Wu, J. Li, A. Plaza, and Z. Wei, "Anomaly detection in hyperspectral images based on low-rank and sparse representation," IEEE Transactions on Geoscience and Remote Sensing, vol. 54, pp. 1990-2000, 2016. [DOI:10.1109/TGRS.2015.2493201]
15. [15] E. A. Ashton and A. Schaum, "Algorithms for the detection of sub-pixel targets in multispectral imagery," Photogrammetric Engineering & Remote Sensing, vol. 64, pp. 723-731, 1998.
16. [16] S. Küçük and S. E. Yüksel, "Comparison of RX-based anomaly detectors on synthetic and real hyperspectral data," in Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), pp.1-4, 2015. [DOI:10.1109/WHISPERS.2015.8075504]
17. [17] N. M. Nasrabadi, "hyperspectral target detection : An overview of current and future challenges," IEEE Signal Processing Magazine, vol. 31, pp.34-44, 2014. [DOI:10.1109/MSP.2013.2278992]
18. [18] R. Zhao, B. Du, and L. Zhang, "A robust nonlinear hyperspectral anomaly detection approach," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 7, pp. 1227-1234, 2014. [DOI:10.1109/JSTARS.2014.2311995]
19. [19] B. Du and L. Zhang, "Random-selection-based anomaly detector for hyperspectral imagery," IEEE Transactions on Geoscience and Remote Sensing, vol. 49, pp. 1578-1579, 2011. [DOI:10.1109/TGRS.2010.2081677]
20. [20] K. Heesung and N. M. Nasrabadi, "Kernel RX-algorithm: a nonlinear anomaly detector for hyperspectral imager ," IEEE Transactions on Geoscience and Remote Sensing, vol. 43, pp. 388-397, 2005. [DOI:10.1109/TGRS.2004.841487]
21. [21] N. Henze and T. Wagner, "A new approach to the BHEP tests for multivariate normality," Journal of Multivariate Analysis, vol. 62, pp. 1-23, 1997. [DOI:10.1006/jmva.1997.1684]
22. [22] L. Ma, M. M. Crawford, and J. Tian, "Anomaly detection for hyperspectral images based on robust locally linear embedding," Journal of Infrared, Millimeter, and Terahertz Waves, vol. 31, pp. 753-762, 2010. [DOI:10.1007/s10762-010-9630-3]
23. [23] M. Zare-Baghbidi, S. Homayouni, and K. Jamshidi, "Improving the RX anomaly detection algorithm for hyperspectral images using FFT," Journal of Modeling and Simulation in Electrical and Electronics Engineering," vol. 1, pp. 33-39, 2015.
24. [24] M. Zare Baghbidi, K. Jamshidi, A. Naghsh-Nilchi, and S. Homayouni, "Improvement of anomoly detection algorithms in hyperspectral images using discrete wavelet transform," Signal & Image Processing : An International Journal (SIPIJ), vol.2, pp. 13-25, 2011. [DOI:10.5121/sipij.2011.2402]
25. [25] A. Moghimi, A. Mohammadzadeh, and S. Khazai, "Integrating thresholding with level set method for unsupervised change detection in multitemporal SAR images," Canadian Journal of Remote Sensing, vol.43, pp. 412-431, 2017. [DOI:10.1080/07038992.2017.1342205]
26. [26] N. Billor, A. S. Hadi, and P. F. Velleman, "BACON: blocked adaptive computationally efficient outlier nominators," Computational Statistics & Data Analysis, vol. 34, pp. 279-298, 2000. [DOI:10.1016/S0167-9473(99)00101-2]
27. [27] A. Banerjee, P. Burlina, and C. Diehl, "A support vector method for anomaly detection in hyperspectral imagery," IEEE Transactions on Geoscience and Remote Sensing, vol. 44, pp. 2282-2291, 2006. [DOI:10.1109/TGRS.2006.873019]
28. [28] S. Khazai, S. Homayouni, A. Safari, and B. Mojaradi, "Anomaly detection in hyperspectral images based on an adaptive support vector method," IEEE Geoscience and Remote Sensing Letters, vol. 8, pp. 646-650, 2011. [DOI:10.1109/LGRS.2010.2098842]
29. [29] Y. Wang, D. Yang, and M. Deng, "Low-rank and sparse matrix decomposition for genetic interaction data," BioMed research international, vol. 2015, pp. 573956-573956, 2015. [DOI:10.1155/2015/573956]
30. [30] M. Eastaway, "The Discrete Wavelet Transform," [Online]. Available: http://cnx.org/content/m18985/latest/.
31. [31] C. H. Park and J. H. Chang, "Time-of-arrival source localization based on weighted least squares estimator in line-of-sight/non-line-of-sight mixture environments," International Journal of Distributed Sensor Networks, vol. 12, pp. 1-13, 2016. [DOI:10.1177/1550147716683827]
32. [32] A. Sumarsono and Q. Du, "Estimation of number of signal subspaces in hyperspectral imagery using low-rank subspace representation," in Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), pp. 1-4, 2014. [DOI:10.1109/WHISPERS.2014.8077620]
33. [33] X. Yuan and J. Yang, "Sparse and low rank matrix decomposition via alternating direction method," Pacific Journal of Optimization, vol. 9, pp. 1-11, 2009.
34. [34] M. Zare-Baghbidi, S. Homayouni, K. Jamshidi, A. R. Naghsh-Nilchi, "Impact of linear dimensionality reduction methods on the performance of anomaly detection algorithms in hyperspectral images," Journal of AI and Data Mining, vol. 3, pp.11-20, 2015. [DOI:10.5829/idosi.JAIDM.2015.03.01.02]
35. [35] S. Kaewpiji, J. Le Moigne, T, El-Ghazawi, "Spectral data reduction via wavelet decomposition," Society of Photo-Optical Instrumentation Engineers (SPIE), vol. 4738, 2002. [DOI:10.1117/12.458728]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Omati M, Sahebi M R, Amerian Y. Separation Between Anomalous Targets and Background Based on the Decomposition of Reduced Dimension Hyperspectral Image. jgit. 2021; 8 (3) :21-38
URL: http://jgit.kntu.ac.ir/article-1-660-fa.html

امتی مهرنوش، صاحبی محمودرضا، عامریان یزدان. تفکیک ناهنجاری ها از پس زمینه براساس تجزیه تصویر ابرطیفی کاهش بعد یافته. مهندسی فناوری اطلاعات مکانی. 1399; 8 (3) :21-38

URL: http://jgit.kntu.ac.ir/article-1-660-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 8، شماره 3 - ( 10-1399 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.04 seconds with 29 queries by YEKTAWEB 4331