پديد آورندگان :
عزيزي، رضا دانشگاه اصفهان - دانشكده مهندسي عمران و حمل و نقل - گروه مهندسي نقشه برداري , ستاري، مهران دانشگاه اصفهان - دانشكده مهندسي عمران و حمل و نقل - گروه مهندسي نقشه برداري , مومني، مهدي دانشگاه اصفهان - دانشكده مهندسي عمران و حمل و نقل - گروه مهندسي نقشه برداري
كليدواژه :
كشف مادۀ هدف , داده هاي فراطيفي , روش هاي نمايش تنك , واژه نامه
چكيده فارسي :
داده هاي فراطيفي در حوزه سنجش ازدور، با قدرت تفكيك طيفي بسيار مناسب (حدود 10 نانومتر) تهيه شده و شامل باندهاي زيادي هستند. كشف ماده هدف، از مهمترين كاربردهاي داده هاي فراطيفي است. يكي از مسائل كشف مادۀ هدف، تغييرپذيري طيفي مواد ناشي از تأثير توپوگرافي و اختلاط طيفي است. علاوه بر اين، نويز حاصل از نقص سنجنده و اثرات اتمسفري نيز باعث عدم ثبات طيفي يك ماده در موقعيت‌هاي مختلف مي شود. روش هاي كشف هدف، اين تغييرات را مدل‌سازي نموده و بر اين اساس استخراج هدف را انجام مي‌دهند. روش هاي آماري و روش هاي برمبناي زيرفضا، دو مورد از معروفترين الگوريتم هاي كشف هدف مي‌باشند. ضعف اين روشها، در نظر گرفتن فرضيات آماري خاص و مدل‌سازي تغييرات طيفي با پارامترهاي محدود مي‌باشد. از اين رو در اين مقاله يكي از روش‌هاي قدرتمند كشف هدف، بهنام نمايش تنك استفاده شدهاست كه شرايط مختلف رفتار طيفي هدف و زمينه را به‌صورت ماتريسهايي، تحت عنوان واژه‌نامه، مدل‌سازي نموده و درواقع زيرفضاي كاملي از طيف مواد و تغييرات آن ايجاد مي‌نمايد. چالش اصلي روش‌هاي نمايش تنك، جهت كشف ماده هدف، ارائه واژه‌نامه خالص (بدون اختلاط طيفي) مي‌باشد. در تحقيقات پيشين، سه روش جفت پنجره، عمومي و آموزش واژه‌نامه پيشنهاد شده است. ايراد اساسي اين روشها ايجاد اختلاط طيفي بين اتم‌هاي واژه‌نامه و طيف هدف مي‌باشد. با توجه به نقاط ضعف روش‌هاي ذكر شده، در اين پژوهش روشي جهت ساخت واژه‌نامه پيشنهاد شده است كه اتم‌هاي واژه‌نامه، علاوه بر ايجاد زيرفضاهاي كامل و مدل‌سازي تغييرات طيفي، در حد امكان خالص نيز مي‌باشد. در روش پيشنهادي دو مقصود تشكيل زيرفضاهاي زمينه و به حداقل رساندن اختلاط طيفي اتم‌هاي واژه‌نامه و هدف دنبال مي‌شود. به‌منظور رسيدن به اين دو مقصود، همبستگي طيف هدف و كل پيكسلهاي تصوير محاسبه‌شده و از ميان پيكسلهاي تصوير، از كمترين تا بيشترين ميزان همبستگي با طيف هدف، واژه‌نامه‌هاي متفاوتي براي زمينه ايجاد مي‌شود. درنهايت از بين واژه‌نامه‌هاي ايجادشده، واژه‌نامه‌اي انتخاب مي‌شود كه زيرفضاي كاملي از تصوير ايجاد نمايد و آن زيرفضا نيز، كمترين ميزان همبستگي با طيف هدف را داشته‌باشد. در اين مقاله روش پيشنهادي ساخت واژه نامه به همراه يك مدل نمايش تنك، به نام SRBBH به كاررفته و تحت عنوان روش Proposed+SRBBH معرفي شده است. براي بررسي ميزان كارآمدي روش هاي ارائه شده، يك مجموعه داده شبيه سازي و سه داده واقعي استفاده شد و به منظور ارزيابي روش ها، مساحت زير سطح نمودار ROC مورد استفاده قرار گرفت. در آزمايش هاي اجرا شده بر دو داده Cuprite و Sandiego، مساحت زير نمودار به ترتيب 0/9997 و 0/9961 به دست آمد كه نسبت به ساير روش ها مقادير بيشتري را نشان مي دهد. براي دو مجموعه داده ديگر نيز براي اكثر هدفها، روش پيشنهادي نسبت به ساير روش ها عملكرد بهتري را نشان مي دهد.
چكيده لاتين :
Hyperspectral data in Remote Sensing which have been gathered with efficient spectral resolution (about 10 nanometer) contain a plethora of spectral bands (roughly 200 bands). Since precious information about the spectral features of target materials can be extracted from these data, they have been used exclusively in hyperspectral target detection. One of the problem associated with the detecting process using hyperspectral data is the spectral variation due to topography variability and spectral mixing. Moreover, imperfect sensor noises and atmospheric influences on the target radiance together lead the observed spectral feature of the same material to change in different situations. Target detection methods model the spectral variation in order to compensate their effects on the process. Statistics and subspace based approaches are the two most important methods used in detection process. Statistics and subspace based approaches are the two most important methods used in detection process. Using special statistical assumptions and modeling the spectral variation with limited number of parameters are the main disadvantages of these methods.
One of the strongest detection method is the sparse representation method. It models the differences in the spectral features of targets and background using dictionary matrices. Indeed, it constructs a complete subspace of materials spectrum and their variations.
Building a pure dictionary (clean of spectral mixing) is the main challenge associated in the sparse representation method in the detecting process. Three methods- the dual windows, the global and the learned dictionary- have been introduced in literature. In the dual windows, since it uses outer window to select the target pixels, spectral mixing has not been cleaned.
In the learned dictionary as it uses random picked pixels in order to learn the dictionary, the risk of spectral mixing exists. Furthermore, spectral mixing exists in general method. Considering the disadvantages of the aforementioned methods, in this thesis we introduce a new method to construct the dictionary. Not only do the dictionary atoms provided by this method construct a complete subspace and model spectral variation, but they also are as pure as possible.
In the proposed method, it is tried to achieve two main purposes which are forming the background subspaces and minimizing the spectral mixing of atoms in the dictionary and target. To this end, correlations between target spectrum and all image pixels are calculated. Afterwards, using image pixels which have different degrees of correlation with target spectrum, different dictionaries are created for the background. Finally, a dictionary is selected from the created dictionaries which presents a complete subspace of image and the subspace also has the lowest correlation with the target spectrum. In this paper, the proposed method of making a dictionary along with a sparsity model, called SRBBH is used and introduced as method Proposed+SRBBH. To survey the efficiency of the proposed methods, a simulation data set and three real data were used, and in order to evaluate the methods, the area below the ROC chart level was used. In experiments performed on both Cuprite and Sandiego data, the area under the graph was 0.9997 and 0.9961, respectively, which shows higher values than other methods. For the other two sets of data, the proposed method performs better than other methods of target detection.
