[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 324
نرخ پذیرش: 63.1
نرخ رد: 36.9
میانگین داوری: 209 روز
میانگین انتشار: 345 روز
..
:: دوره 8، شماره 3 - ( 10-1399 ) ::
جلد 8 شماره 3 صفحات 122-103 برگشت به فهرست نسخه ها
بهبود آشکارسازی هدف در تصاویر ابرطیفی از طریق تنظیم وزن باندها و شناسایی اعضای انتهایی در خوشه‌های فضای ویژگی
فاطمه عتیقی ، علیرضا صفدری نژاد* ، روح اله کریمی
دانشگاه تفرش
چکیده:   (3154 مشاهده)
شناسایی اهداف طیفی یکی از کاربردهای استراتژیک در حوزه پردازش داده‌های ابرطیفی بشمار می‌رود. رخداد پدیده‌ها در وسعتی کمتر از یک پیکسل از تصویر منجر به توسعه‌ی راهکارهای تجزیه‌ی طیفی بمنظور آشکارسازی هدف شده است. معمولاً در الگوریتم­های تجزیه طیفی وزن باندهای طیفی یکسان در نظر گرفته می­شود. این در حالی است که عوامل مختلفی همانند تاثیرپذیری متفاوت باندهای طیفی از شرایط اتمسفری، تفاوت در پاسخ طیفی باندها، نویز و تفاوت نسبی در کالیبراسیون رادیومتریکی سنجنده، اثرات متفاوتی را در ثبت اطلاعات هر باند طیفی خواهد داشت. تنظیم وزن باندها در روش‌های تجزیه طیفی اولین رویکرد این تحقیق بمنظور افزایش دقت آشکارسازی هدف می‌باشد. بدلیل پیچیدگی تعیین مستقیم وزن بواسطه عدم اطلاع دقیق از عوامل اثرگذار بر ثبت اطلاعات طیفی، توسعه‌ی الگوریتمی مبتنی بر روش تخمین مولفه‌های واریانس بعنوان راهکار تنظیم وزن باندهای طیفی در دستورکار این تحقیق قرار گرفته است. از سوی دیگر، بکارگیری روش‌های تجزیه طیفی بمنظور آشکارسازی هدف مستلزم در اختیار بودن پاسخ طیفی عناصر پس‌زمینه علاوه بر رفتار طیفی اهداف می‌باشد. انتخاب نظارت نشده‌ی سیگنال‌های مرتبط با عناصر پس‌زمینه، روش رایج در این زمینه بوده که دومین راهکار توسعه یافته در این مقاله بمنظور بهبود دقت آشکارسازی هدف به آن پرداخته است. یافتن عناصر پس‌زمینه بصورت مجزا برای خوشه‌های فضای ویژگی و بکارگیری آنها بعنوان پس‌زمینه‌های هر خوشه در روند آشکارسازی هدف، راهکار اتخاذ شده در این زمینه می‌باشد. اینکار با جلوگیری از حضور عناصرخالص غیر مرتبط در هر خوشه، منجر به بهبود عملکرد فرایند تجزیه طیفی بمنظور آشکارسازی هدف شده است. راهکارهای پیشنهادی در روش‌های آشکارسازی هدف UCLSU، SCLSU، NCLSU و FCLSU پیاده‌سازی شده و نتایج حاکی از موفقیت آنها در بهبود دقت فرایند آشکاسازی هدف بوده است. نتایج نشان دادند که در بهترین انتخاب برای تعداد خوشه‌ها و تعداد عناصر پس­زمینه، افزایش دقتی تا 17 درصد در نتایج آشکارسازی هدف قابل تامین خواهد بود.
واژه‌های کلیدی: تصویربرداری ابرطیفی، آشکارسازی اهداف، تخمین مولفه واریانس، وزن‌دهی باندها، تجزیه‌ی طیفی.
متن کامل [PDF 1572 kb]   (703 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1398/10/3 | پذیرش: 1399/10/29 | انتشار: 1399/10/30
فهرست منابع
1. [1] Chang, C.-I., "Endmember Finding and Anomaly Detection", in Hyperspectral Target Detection, in Real-Time Progressive Hyperspectral Image Processing. Chang, C.-I., New York: Springer, 2016, 131-172.
2. [2] Hbirkou, C., Pätzold, S., Mahlein, A.K. and Welp, G., "Airborne hyperspectral imaging of spatial soil organic carbon heterogeneity at the field-scale", Geoderma, 175, 21-28, 2012.
3. [3] Samsonova, V. P., Meshalkina, J. L., Blagoveschensky, Y. N., Yaroslavtsev, A. M., and Stoorvogel, J. J. "The role of positional errors while interpolating soil organic carbon contents using satellite imagery", Precision Agriculture, 19(6), 1085-1099, 2018.
4. [4] Wang, J., Tiyip, T., Jianli, D., Dong, Z. and Wei, L., "Estimation of desert soil organic carbon content based on hyperspectral data preprocessing with fractional differential", Transactions of the Chinese Society of Agricultural Engineering, 32(21), 161-169, 2016.
5. [5] Susič, N., Žibrat, U., Širca, S., Strajnar, P., Razinger, J., Knapič, M., Vončina, A., Urek, G. and Gerič, B. "Discrimination between abiotic and biotic drought stress in tomatoes using hyperspectral imaging", Sensors and actuators B: Chemical, 273, 842-852, 2018.
6. [6] Wang, J., Mao, X., Wang, R., Li, A., Zhao, G., Zhao, J. and Jing, R., "Identification of wheat stress-responding genes and TaPR-1-1 function by screening a cDNA yeast library prepared following abiotic stress", scientific reports, 9, 141, 2019.
7. [7] Wang, F., J. Gao, and Y. Zha, "Hyperspectral sensing of heavy metals in soil and vegetation: Feasibility and challenges", ISPRS Journal of Photogrammetry and Remote Sensing,. 136, 73-84, 2018.
8. [8] Lei, J., Li, Y., Zhao, D., Xie, J., Chang, C-I., Wu, L., Li, X., Zhang, J., Li and W., "A Deep Pipelined Implementation of Hyperspectral Target Detection Algorithm on FPGA Using HLS", Remote Sensing, 10(4), 516, 2018.
9. [9] Li, K., Wang, X.R., Guo, B-T., Zhang, W.G., Yuan, H., Wu, X., and Zhao, C., "Accurate deduction of infrared imaging features of subpixel targets based on the conversion of radiation fields of measured area targets", Applied Optics, 57, 9499-9507, 2018.
10. [10] Sabol, D.E., Adams, J.B., and Smith, M.O., "Quantitative subpixel spectral detection of targets in multispectral images", Journal of Geophysical Research: Planets, 97(E2), 2659-2672, 1992.
11. [11] Chang, C.-I., Hyperspectral Target Detection, in Real-Time Progressive Hyperspectral Image Processing. New York: Springer, 2016.
12. [12] Ashton, E.A. and A. Schaum, "Algorithms for the detection of sub-pixel targets in multispectral imagery", Photogrammetric Engineering & Remote Sensing,. 64(7), 723-731, 1998.
13. [13] Settle, J. and N. Drake, "Linear mixing and the estimation of ground cover proportions" International Journal of Remote Sensing,. 14(6), 1159-1177, 1993.
14. [14] Bro, R. and S. De Jong, "A fast non-negativity constrained least squares algorithm", Journal of Chemometrics: A Journal of the Chemometrics Society,. 11(5), 393-401, 1997. https://doi.org/10.1002/(SICI)1099-128X(199709/10)11:5<393::AID-CEM483>3.0.CO;2-L [DOI:10.1002/(SICI)1099-128X(199709/10)11:53.0.CO;2-L]
15. [15] Lawson, C.L. and Hanson, R.J., Solving least squares problems. Philadelphia, Pa. : Society for Industrial and Applied Mathematics, 1995.
16. [16] Heinz, D. C., and Chang, C-I., "Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery", IEEE Transactions on Geoscience and Remote Sensing, 39(3), 529-545, 2001.
17. [17] Ghilani, C.D., Adjustment computations: spatial data analysis. John Wiley & Sons, 2017.
18. [18] Somers, B., Delalieux, S., Stuckens, J., Verstraeten W. W. and Coppin, P., "A weighted linear spectral mixture analysis approach to address endmember variability in agricultural production systems", International Journal of Remote Sensing, 30(1), 139-147, 2009.
19. [19] Deng, Y., Wu, C., Zhang, X. and Jia, X., "Examining the effectiveness of weighted spectral mixture analysis (WSMA) in urban environments", International Journal of Remote Sensing, 40(8), 3055-3075, 2018.
20. [20] Teunissen, P.J. and A. Amiri-Simkooei, "Least-squares variance component estimation" Journal of geodesy, 82(2), 65-82, 2008.
21. [21] Cocks, T., Jenssen, R., Stewart, A., Wilson, I. and Shields, T., "The HyMap Airborne Hyperspectral Sensor: The System, Calibration and Performance", proceeding of the 1st EARSeL Workshop on Imaging Spectroscopy (M. Schaepman, D. Schläpfer, and K.I. Itten, Eds.), 6-8 October, Zurich, EARSeL, Paris, 37-42, 1998.
22. [22] Snyder, D., Kerekes, J., Fairweather, I., Crabtree, R., Shive, J. and Hager, S., "Development of a Web-Based Application to Evaluate Target Finding Algorithms", IGARSS 2008 - 2008 IEEE International Geoscience and Remote Sensing Symposium, Boston, MA, 2008.
23. [23] http://dirsapps.cis.rit.edu/blindtest/.
24. [24] Green, A. A., Berman, M., Switzer, P. and Craig, M. D., "A transformation for ordering multispectral data in terms of image quality with implications for noise removal", IEEE Transactions on Geoscience and Remote Sensing, 26(1), 65-74, 1988.
25. [25] Safdarinezhad, A., Mokhtarzade, M., and Valadan Zoej, M., "Shadow-based hierarchical matching for the automatic registration of airborne LiDAR data and space imagery" Remote Sensing, 8(6) 466, 2016.
26. [26] Safdarinezhad, A. and Valadan Zoej, M.J., "An optimized orbital parameters model for geometric correction of space images" Advances in Space Research, 55(5), 1328-1338, 2015.
27. [27] Safdarinezhad, A., Mokhtarzade, M., and Valadan Zoej, M.J., "An automatic method for precise 3D registration of high resolution satellite images and Airborne LiDAR Data", International Journal of Remote Sensing, 40(24) 9460-9483, 2019.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


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

Atighi F, Safdarinezhad A, Karimi R. Target Detection Improvements in Hyperspectral Images by Adjusting Band Weights and Identifying end-members in Feature Space Clusters. jgit 2021; 8 (3) :103-122
URL: http://jgit.kntu.ac.ir/article-1-733-fa.html

عتیقی فاطمه، صفدری نژاد علیرضا، کریمی روح اله. بهبود آشکارسازی هدف در تصاویر ابرطیفی از طریق تنظیم وزن باندها و شناسایی اعضای انتهایی در خوشه‌های فضای ویژگی. مهندسی فناوری اطلاعات مکانی. 1399; 8 (3) :103-122

URL: http://jgit.kntu.ac.ir/article-1-733-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 0.05 seconds with 38 queries by YEKTAWEB 4660