الگوريتم هاي آشكارسازي در تصاوير فراطيفي

داده هاي فراطيفي، امكان شناسايي هدف هاي مختلف را در تصوير فراهم مي كنند . به واسطه اين داده ها، كاربردهاي زيادي در حيطه شناسايي هدف ها و تعيين ميزان انامولي و تعيين ويژگيهاي زمينه تصوير قابل مطرح كردن مي باشد كه تصاوير چند طيفي، توانايي لازم در اين زمينه را ندارند . الگوريتم هاي مختلف آشكارسازي بر حسب اينكه هدف ها full-pixel يا sub-pixel باشند، طراحي شده است و براي آشكارسازي هدف هاي sub-pixel ، بر حسب اينكه پارامترهاي آماري زمينه شناخته شده باشد ( زمينه ساختار يافته ) يا نباشد ( زمينه ساختار نيافته ) ، الگوريتم هاي مختلفي طراحي شده است . در اين مقاله، ارزيابي و بررسيهايي روي الگوريتم هاي موجود براي آشكارسازي هدف ها انجام گرفته است كه قادر به جداسازي مواد از زمينه، بر پايه مشخصه طيفي اهداف هستند و از بعضي از اين الگوريتمها چون (OSP) و Adaptive Coherent Estimator (ACE) Linear Spectral Mixture (LS) و orthogonal subspace projection براي آشكارسازي مواد معدني در تصاويري كه توسط سنجنده Hymap ، از منطقه Cuprite در NEVADA به دست آمده، استفاده شده است . نتايج نشان مي دهد از بين الگوريتم هاي ذكر شده، الگوريتم ACE داراي عملكرد بهتري است و توانايي اين الگوريتم در آشكارسازي مواد معدني بيشتر است . منحني هاي ROC ، به منظور ارزيابي عملكرد آشكارسازها در اين مقاله استفاده شده است