بررسی و مقایسه الگوریتمهای استخراج اعضایخالص از تصاویر فراطیفی بدون دانش اولیه از صحنه تصویربرداری

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,743

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

GEO87_013

تاریخ نمایه سازی: 15 مهر 1386

چکیده مقاله:

جداسازی طیفی 1 یکی از روش های متداول برای طبقه بندی پیکسل های مختلط در تصاویر فراطیفی می باشد . این شیوه شامل دو مرحله است که در ابتدا می بایست مشخصه های طیفی مولفه های خالص زمینی که به عنوان اعضای - خالص منطقه تصویربرداری معروف می باشند بدست آین د و سپس هر پیکسل به عنوان ترکیب خطی از اعضای بدست آمده بازسازی گردد . در طی سالهای گذشته الگوریتم های فراوانی برای بدست آوردن اعضای خالص تصویر به صورت نظارتشده و اتوماتیک توسعه یافته اند . در این تحقیق بررسی و مقایسه ای بر روی الگوریتمهای استخراج اعضایخالص که به صورت اتوماتیک این عمل را انجام می دهند صورت گرفته است . الگوریتمهای معرفی شده در این تحقیق بر روی دادههای شبیه سازی شده به منظور بررسی اثرات نویز، تغییرات طیفی مشخصه های طیفی و اثرات توپوگرافی مورد آزمایش قرار گرفته و در نهایت الگوریتم بهینه بر روی داده واقعی پیادهسازی شدهاست . آزمایشهای انجام شده در این تحقیق نشان می دهند، الگوریتم هایی که بر مبنای مفاهیم هندسی پایه گذاری شده اند نتایج بهتری را در این زمینه ارائه میدهند .

کلیدواژه ها:

مشخصه طیفی - جداسازی طیفی - استخراج اعضایخالص - شناسایی مواد - تصاویر فراطیفی

نویسندگان

امید غفاری

دانشجوی کارشناسی ارشد فتوگرامتری دانشگاه صنعتی خواجه نصیرالدین طوسی

محمدجواد ولدانزوج

دانشیار گروه سنجش از دور، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی

حمید عبادی

استادیار گروه فتوگرامتری، دانشکده مهندسی نقشه برداری، دانشگاه صنعت

برات مجردی

دانشجوی دکترای سنجش از دور، دانشگاه صنعتی خواجه نصیرالدین طوسی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ا.غفاری، " ارائه الگوریتم مناسب جهت طبقه‌بندی پیکسل‌های مختلط به ...
  • N. Keshava and J. Mustard, "Spectral unmixing, " IEEE Signal ...
  • N. Keshava, "A Survey of Spectral Unmixing Algorithms, " LINCOLN ...
  • H. Emami, "Evaluation and D ecomposition of Mixed Pixels in ...
  • C.-I. Chang, Hyperspectral Imaging: Techniques for Spectral Detection and Classification. ...
  • _ A. Roberts, G. T. Batista, J. L. G. Pereira, ...
  • A. Plaza, P. Martinez, R. Perez, and J. Plaza, "A ...
  • J. W. Boardman, F. A. Kruse, and R. O. Green, ...
  • M. D. Craig, "Minimum Volume Transforms for Remotely Sensed Data ...
  • Sens, vol. 37, pp. 756-770, 1999. ...
  • J. H. Bowles, P. J. Palmadesso, J. A. Antoniades, M. ...
  • M. E. Winter, "N-FINDR: An algorithm for fast autonomous spectral ...
  • R. A. Neville, K. Staenz, T. Szeredi, J. Lefebvre, and ...
  • D. C. Heinz and C.-I. Chang, "Fully Constrained Least Squares ...
  • H. Ren and C.-I. Chang, "Automatic spectral target recognition in ...
  • J. M. P. Nascimento and J. M. _ Bioucas, "Vertex ...
  • J. _ Harsanyi and C.-I. Chang, _ _ Hyperspectral image ...
  • Thomas Minka. Estimating a dirichlet distribution. Technical report, M.I.T., 2003. ...
  • F. Van der Meer, "The effectiveness of spectral similarity measures ...
  • [Online]. httb://aviris. ipl.nasa. _ ov/html/aviri S _ free. data.html ...
  • G. Swayze, R. Clark, S. Sutley, and A. Gallagher, ،، ...
  • نمایش کامل مراجع