بهبود آشكارسازي هدف در تصاوير ابرطيفي از طريق تنظيم وزن باندها و شناسايي اعضاي انتهايي در خوشه‌هاي فضاي ويژگي

Target Detection Improvements in Hyperspectral Images by Adjusting Band Weights and Identifying end-members in Feature Space Clusters

شناسايي اهداف طيفي يكي از كاربردهاي استراتژيك در حوزه پردازش داده‌هاي ابرطيفي بشمار مي‌رود. رخداد پديده‌ها در وسعتي كمتر از يك پيكسل از تصوير منجر به توسعه‌ي راهكارهاي تجزيه‌ي طيفي بمنظور آشكارسازي هدف شده است. معمولاً در الگوريتم­هاي تجزيه طيفي وزن باندهاي طيفي يكسان در نظر گرفته مي­شود. اين در حالي است كه عوامل مختلفي همانند تاثيرپذيري متفاوت باندهاي طيفي از شرايط اتمسفري، تفاوت در پاسخ طيفي باندها، نويز و تفاوت نسبي در كاليبراسيون راديومتريكي سنجنده، اثرات متفاوتي را در ثبت اطلاعات هر باند طيفي خواهد داشت. تنظيم وزن باندها در روش‌هاي تجزيه طيفي اولين رويكرد اين تحقيق بمنظور افزايش دقت آشكارسازي هدف مي‌باشد. بدليل پيچيدگي تعيين مستقيم وزن بواسطه عدم اطلاع دقيق از عوامل اثرگذار بر ثبت اطلاعات طيفي، توسعه‌ي الگوريتمي مبتني بر روش تخمين مولفه‌هاي واريانس بعنوان راهكار تنظيم وزن باندهاي طيفي در دستوركار اين تحقيق قرار گرفته است. از سوي ديگر، بكارگيري روش‌هاي تجزيه طيفي بمنظور آشكارسازي هدف مستلزم در اختيار بودن پاسخ طيفي عناصر پس‌زمينه علاوه بر رفتار طيفي اهداف مي‌باشد. انتخاب نظارت نشده‌ي سيگنال‌هاي مرتبط با عناصر پس‌زمينه، روش رايج در اين زمينه بوده كه دومين راهكار توسعه يافته در اين مقاله بمنظور بهبود دقت آشكارسازي هدف به آن پرداخته است. يافتن عناصر پس‌زمينه بصورت مجزا براي خوشه‌هاي فضاي ويژگي و بكارگيري آنها بعنوان پس‌زمينه‌هاي هر خوشه در روند آشكارسازي هدف، راهكار اتخاذ شده در اين زمينه مي‌باشد. اينكار با جلوگيري از حضور عناصرخالص غير مرتبط در هر خوشه، منجر به بهبود عملكرد فرايند تجزيه طيفي بمنظور آشكارسازي هدف شده است. راهكارهاي پيشنهادي در روش‌هاي آشكارسازي هدف UCLSU، SCLSU، NCLSU و FCLSU پياده‌سازي شده و نتايج حاكي از موفقيت آنها در بهبود دقت فرايند آشكاسازي هدف بوده است. نتايج نشان دادند كه در بهترين انتخاب براي تعداد خوشه‌ها و تعداد عناصر پس­زمينه، افزايش دقتي تا 17 درصد در نتايج آشكارسازي هدف قابل تامين خواهد بود.

Spectral target detection could be regarded as one of the strategic applications of hyperspectral data analysis. The occurrence of phenomena in an area smaller than a pixel’s ground coverage has led to the development of spectral un-mixing methods to detect these types of targets. Usually, in the spectral un-mixing algorithms, the similar weights have been given to spectral bands. However, various factors such as the different effects of the atmospheric conditions on spectral bands, the difference of spectral bands reply, noise and the relative difference of radiometric calibration of the sensor have different effects on data recording of each spectral band. So, the Modification of the weights of the spectral bands is the first objective of this paper in order to improve the accuracy of target detection in the spectral un-mixing process. Because of the complexities of direct estimation of the band weights, as we are not exactly aware of the affecting factors on spectral data recording an algorithm based on the Variance Component Estimation (VCE) is proposed to optimize the weights of the spectral bands. On the other hand, in addition to the availability of target spectrums, the spectral response of the backgrounds is a necessity to perform reliable target detection. The unsupervised detection of the background endmembers is known as the popular way of doing It, which is the second developed strategy to improve the target detection process. It prevents the presence of the unrelated endmembers in each cluster which has improved the spectral un-mixing for target detection. The proposed methods have been implemented in the target detectors of Unconstrained Linear Spectral Un-mixing (UCLSU), Sum to one Constrained Linear Spectral Un-mixing (SCLSU), Non-negativity Constrained Linear Spectral Un-mixing (NCLSU), and Fully Constrained Linear Spectral Un-mixing (FCLSU).The results indicate their success in the improvement of the target detection accuracies.Considering the best choice on the number of spectral clusters and the number of background endmembers, accuracy improvement of up to 17 percent in the target detection has occurred.