این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۳، شماره ۳، صفحات ۱۵۵-۱۶۹
عنوان فارسی تجزیه‏ ی تُنُک تصاویر ابرطیفی با استفاده از یک کتابخانه‏ ی طیفی هرس شده
چکیده فارسی مقاله تجزیه‏ی طیفی تصاویر ابرطیفی یکی از زمینه‏های تحقیقاتی مهم در سنجش از دور است. اخیرا استفاده‏ی مستقیم از کتابخانه‏های طیفی برای انجام تجزیه‏ی طیفی افزایش یافته‏است. در این روش‏ها که به تجزیه‏ی تُنُک موسومند، نیازی به استخراج مواد پایه و تعیین تعداد آن‏ها از قبل نیست. اما از آن‏جا که کتابخانه‏های طیفی حاوی طیف‏هایی هستند که همبستگی زیادی دارند، روش‏های تجزیه‏ی تُنُک ممکن است راه‏حل‏های نیمه بهینه‏ای تولید کنند. از طرف دیگر بسیاری از این روش‏ها، نسبت به نویز حساس بوده و علاوه بر این به راه‏حل کاملا تُنُکی منجر نمی‏شوند. در این مقاله برای حل مشکلات فوق، در ابتدا کتابخانه‏ی طیفی براساس اطلاعات طیفی موجود در تصویر و با استفاده از تکنیک‏های خوشه‏بندی و طبقه‏بندی، هرس شده و سپس از الگوریتم ژنتیک برای تجزیه‏ی تُنُک استفاده شده‏است. آزمایشات انجام‏شده بر روی تصاویر آزمایشی و واقعی نشان می‏دهد که روش پیشنهادی، در تصاویر با نسبت سیگنال به نویز کم و تصاویر واقعی نتایج بهتری به‏دست می‏دهد.
کلیدواژه‌های فارسی مقاله تصاویر ابرطیفی، هرس کتابخانه‏ ی طیفی، تجزیه‏ ی تنک
عنوان انگلیسی Sparse unmixing of hyper-spectral images using a pruned spectral library
چکیده انگلیسی مقاله Spectral unmixing of hyperspectral images is one of the most important research fields in remote sensing. Recently, the direct use of spectral libraries in spectral unmixing is on increase by increasing the availability of the libraries. In this way the spectral unmixing problem is converted into a sparse regression problem that is time-consuming. This is due to the existence of irrelevant spectra in the library. So these spectra should be removed in some way. In the mentioned approach which is called sparse unmixing, we do not need an endmember extraction algorithm and determination of the number of endmembers priori. Since spectral libraries usually contain highly correlated spectra, the sparse unmixing approach leads to non-admissible solutions. On the other hand, most of the proposed solutions are not noise-resistant and do not reach to a sufficiently high sparse solution. In this paper, with the purpose of overcoming the problems above, at first a machine learning approach for spectral library pruning is introduced. The spectral library is clustered using k-means algorithm based on a simple and efficient new feature space. Subtractive clustering is used for determining the cluster centers of k-means algorithm. Three distance measures, Spectral angle distance, spectral distance similarity and spectral correlation similarity tested to select the best for k-means. Then the training data needed to learn a classifier are extracted by adding different noise levels to the clustered spectra. The label of the training data is determined based on the results of spectral library clustering. After learning the classifier, each pixel of the image is classified using it. This classified image will be used for pruning the spectral library. For testing the impact of classifier type on the result of unmixing, three classifiers, decision tree classifier, neural networks and k-nearest neighbours are compared. For pruning the library, the spectra with the labels that none of the image pixels belong to, are removed from spectral library. In this way, the candidate spectra present in the image are extracted. Now, a genetic algorithm will be used for sparse unmixing. Experimental results show that spectral library pruning enhances the performance of sparse unmixing algorithms. Moreover, using k-nearest neighbor in image classification step, gives better results in the final unmixing process. Genetic algorithm that used for sparse unmixing compared with OMP and SUnSAL algorithms, works well in noisy images.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حسین فیاضی | hossein fayyazi
malek-ashtar university of technology
مجتمع فناوری اطلاعات و ارتباطات،دانشگاه صنعتی مالک اشتر،تهران،ایران
سازمان اصلی تایید شده: دانشگاه صنعتی مالک اشتر (Malek ashtar university of technology)

حمید دهقانی | hamid dehghani
malek-ashtar university of technology
مجتمع مهندسی برق و الکترونیک،دانشگاه صنعتی مالک اشتر،تهران،ایران
سازمان اصلی تایید شده: دانشگاه صنعتی مالک اشتر (Malek ashtar university of technology)

مجتبی حسینی | mojtaba hosseini
amirkabir university of technology
دانشکده مهندسی کامپیوتر،دانشگاه صنعتی امیرکبیر،تهران،ایران
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-337-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-386429.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش تصویر
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات