الگوریتم های آشکارسازی در تصاویر فراطیفی

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,347

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

GEO87_125

تاریخ نمایه سازی: 15 مهر 1386

چکیده مقاله:

داده های فراطیفی، امکان شناسایی هدف های مختلف را در تصویر فراهم می کنند . به واسطه این داده ها، کاربردهای زیادی در حیطه شناسایی هدف ها و تعیین میزان انامولی و تعیین ویژگیهای زمینه تصویر قابل مطرح کردن می باشد که تصاویر چند طیفی، توانایی لازم در این زمینه را ندارند . الگوریتم های مختلف آشکارسازی بر حسب اینکه هدف ها full-pixel یا sub-pixel باشند، طراحی شده است و برای آشکارسازی هدف های sub-pixel ، بر حسب اینکه پارامترهای آماری زمینه شناخته شده باشد ( زمینه ساختار یافته ) یا نباشد ( زمینه ساختار نیافته ) ، الگوریتم های مختلفی طراحی شده است . در این مقاله، ارزیابی و بررسیهایی روی الگوریتم های موجود برای آشکارسازی هدف ها انجام گرفته است که قادر به جداسازی مواد از زمینه، بر پایه مشخصه طیفی اهداف هستند و از بعضی از این الگوریتمها چون (OSP) و Adaptive Coherent Estimator (ACE) Linear Spectral Mixture (LS) و orthogonal subspace projection برای آشکارسازی مواد معدنی در تصاویری که توسط سنجنده Hymap ، از منطقه Cuprite در NEVADA به دست آمده، استفاده شده است . نتایج نشان می دهد از بین الگوریتم های ذکر شده، الگوریتم ACE دارای عملکرد بهتری است و توانایی این الگوریتم در آشکارسازی مواد معدنی بیشتر است . منحنی های ROC ، به منظور ارزیابی عملکرد آشکارسازها در این مقاله استفاده شده است

نویسندگان

ساناز نگهبانی

کارشناسی ارشد سنجش از دور، عضو هیات علمی دانشگاه آزاد اسلامی واحد مرود

محمدجواد ولدان زوج

دانشیار گروه سنجش از دور دانشکده ژئودزی و ژئوماتیک، دانشگاه صنعتی خوا

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 :
  • Chain-I Chang. Hyperspectral Imaging: Techniques for spectral Detection and classification, ...
  • Keinosuke Fukunaga. Introduction to Statistical Pattern Recognition, School of Electrical ...
  • Dimitris Manolakis and Gary Shaw. Detection Algorithms for Hyperspectral Imaging ...
  • Dimitris Manolakis, David Marden, and Gary A. Shaw. Hyperspectral Image ...
  • Chain-I Chang, Senior Member, IEEE, and Husan Ren, Student Member, ...
  • Emmett Ientilucci, Center for Imaging Science. Hyperspectral Image Classification using ...
  • Hsuan Ren, Member , IEEE National Central University Taiwan & ...
  • Nirmal Keshava, Stephen M.Kogon, Dimitris Manolakis. The Relationship between Detection ...
  • Emmett J.Ientilucci. Hyperspectral Sub-Pixel Target Detection Using Hybrid Algorithms and ...
  • Abhinav Mathur. D imensionality Reduction of Hyperspectral Signatures for Optimized ...
  • John W.Klatt. Error Characteriz ation Of spectral Products Using A ...
  • D .G.Manolakis, V.K.Ingle, and S.M.Kogon, Statistical and Adaptive Signal Processing: ...
  • E.J.Kelly, ،An Adaptive Detection Algorithm, IEEE Trans.Aerosp. Electron. Syst.22 (1), ...
  • E.J.Kelly, *Adaptive Detection in Non- Stationary Interference, part III, Technical ...
  • J.B.Adams, M.O.Smith, and A.R.Gillespie, _ Spectroscopy: Interpretation Based on Spectral ...
  • نمایش کامل مراجع