تصاویر فراطیفی

پیچیدگی و حجم سنگین داده های حاصل از سنجنده های فراطیفی باعث شده است که امروزه روش های هرچه پیشرفته تر آنالیز داده های فراطیفی به منظور استخراج اطلاعات دقیق تر و کامل تر از آنها مورد توجه قرار گیرند. یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام می شود، آشکارسازی طیفی هدف است. در این مقاله به منظور بررسی روش های آشکارسازی طیفی هدف و امکان سنجی بهبود آنها، جمعاً چهارده الگوریتم در قالب سه دسته اندازه گیری های قطعی، اندازه گیری های آماری و آشکارسازی آنامولی پیاده سازی شده است. سپس تصاویر حاصل از بهترین الگوریتم ها در هر دسته انتخاب شده و به روش های مختلف در دو مرحله با یکدیگر تلفیق گردیده اند تا تصویر تلفیقی بهینه ای با بالاترین صحت به دست آید. در بررسی های انجام شده در زمینه دسته الگوریتم ها ی آشکارسازی مذکور، مشخص گردید که به ترتیب دو الگوریتم (Spectral Correlation Similarity)SCS و (Spectral Angle Measure)SAM، دو الگوریتم (Information Spectral Divergence) SID و (Jeffiries-Matusita Distance)JMD و سه الگوریتم (Covariance-based Matched Filter Measure)CMFM، (Constrained Energy minimizing) CEM و (Correlation-based Matched Filter Measure)RMFM دارای بالاترین صحت آشکارسازی در بین الگوریتم های موجود در هر دسته اند. در این مقاله به منظور تلفیق نتایج آشکارسازی، دو روش باینری ـ شامل عملگر بولی و فاصله اقلیدسی ـ و نیز دو روش استنتاج فازی شامل دستی (Fuzzy Inference System) FIS و اتوماتیک ((System Adaptive Neuro-Fuzzy Inference) ANFIS) ـ پیاده سازی شده است. آزمون های انجام گرفته بر روی تصویری از سنجنده فراطیفی (Compact Airborne Spectrographic Imager)CASI از منطقه شهری تولوز واقع در جنوب فرانسه برای آشکارسازی بام ساختمان ها، نشان داد که در بین چهار روش تلفیق یاد شده، روش ANFIS به عنوان روشی هوشمند و خودکار، پس از اعمال روی نتایج هفت الگوریتم آشکارسازی طیفی مذکور، توانسته است به بالاترین صحت با ضریب کاپای 9/0 دست یابد.

امروزه با رشد و توسعة سیستم های سنجش از دور و تولید داده های فراطیفی با قدرت تفکیک طیفی بالا انتظار می رود که شناسایی پدیده ها با دقت بیشتری انجام گیرد و دقت خوشه بندی کلاس های پوشش زمینی مشابه افزایش یابد. با وجود چنین پیشرفتی، اطلاعات طیفی با ابعاد زیاد همچنان مسئله ای چالش برانگیز در پردازش و تجزیه و تحلیل داده قلمداد می شود، به گونه ای که با افزایش ابعاد داده، دقت خوشه بندی تا یک حد آستانه افزایش و سپس کاهش می یابد. بنابراین به منظور انجام خوشه بندی مناسب نیاز است تا به طور هم زمان باندهای بهینه این تصاویر نیز انتخاب گردند و یا به عبارت دیگر دو مسئله خوشه بندی و انتخاب باندهای بهینه با هم در نظر گرفته شوند. در مقاله حاضر، روش جدیدی برای خوشه بندی داده های فراطیفی به وسیله الگوریتم بهینه سازی توده ذرات ارائه شده است که در آن به طور مشترک موقعیت بهینة مراکز خوشه ها و تعداد باندهای بهینة تصاویر فراطیفی به دست می آید. قابلیت بالای این الگوریتم در جست وجوی سراسری فضای مسئله و حل هم زمان توابع هدف مختلف باعث شد تا از آن برای خوشه بندی داده های فراطیفی استفاده گردد. در پژوهش حاضر، پس از بررسی خوشه بندی داده ای فراطیفی مبتنی بر الگوریتم توده ذرات، روش پیشنهادی خوشه بندی برمبنای حل هم زمان خوشه بندی و انتخاب باندهای بهینه معرفی می گردد. مقایسه نتایج به دست آمده برای خوشه بندی داده های سنجندة AVIRIS نشان می دهد که نتایج حاصل از الگوریتم بهینه سازی توده ذرات و همچنین روش پیشنهادی به ترتیب با مقدار کاپای 22/74 و 57/76 از دیگر الگوریتم های استفاده شده در این تحقیق بهتر و کارآمدتر است.

مسئلة تهیة نقشة واحدهای سنگی، در روندی رو به بهبود، به نقطه ای رسیده است که امروزه آشکارسازی و طبقه بندی واحدهای سنگی به کمک سنجش از دور ابرطیفی انجام می شود. در این پژوهش، تصاویر هایپریون با درنظرگرفتن نتایج کار محققان پیشین و استفاده از الگوریتم طبقه بندی نظارت شدةSAM در تشخیص و تفکیک واحدهای سنگی در منطقة خرم آباد استان لرستان به کار رفته است. SAM یک روش رده بندی سریع است که، از راه ارزیابی، میزان تشابه طیف های تصویر و مرجع عمل نقشه برداری واحدهای زمین شناختی را نشان می دهد. پس از پیش پردازش های لازم، ازجمله تصحیح اتمسفری که به روشFLAASH اجرا شد، تبدیل خطیMNF به منظور مشخص کردن بعد و حجم اصلی تصویر، جداسازی نویز از دیگر اطلاعات و کاهش میزان پردازش در مراحل بعد استفاده شد و الگوریتمPPI برای پیداکردن پیکسل هایی با خلوص بیشتر در تصاویر چندطیفی یا فراطیفی به کار رفت. از هم پوشانی پیکسل های خالص با واحدهای سنگی و برپایة داده های زمینی از منطقة مورد مطالعه، طیف میانگین برای هر عضو استخراج شد. سپس این اعضای خالص، به منزلة ورودی جهت الگوریتم ذکرشده، استفاده و طبقه بندی تصویر صورت گرفت. درنهایت، نقشة طبقه بندی شدة حاصل از این روش با نقشه های موجود و داده های زمینی مقایسه و میزان صحت آن بررسی شد. دقت اجرای روش SAM با بررسی صحت الگوریتم، ازطریق محاسبة ماتریس خطا، به بیشترین میزان 83/68٪ و ضریب کاپای 49/0٪ بوده است که خود اهمیت تصاویر فراطیفی و روش SAM در تفکیک واحدهای سنگی را نشان می دهد.

الگوریتم خوشه بندی K-Means یکی از پرکاربردترین روش های طبقه بندی نظارت نشده در پردازش تصاویر سنجش از دور است. در الگوریتم K-Means استاندارد، از معیار عدم شباهتِ فاصله اقلیدسی، به منظور اندازه گیری عدم شباهتِ بین داده ها و خوشه ها استفاده می شود. فاصله اقلیدسی، یک معیار عدم شباهتِ قطعی است که بردار طیفی پیکسل ها و مراکز خوشه ها را به صورت نقاطی در یک فضای چندبعدی در نظر می گیرد و فاصله هندسی بین آن ها را اندازه گیری می کند. تصاویر فراطیفی همواره دارای عدم قطعیت هستند، به همین دلیل استفاده از یک معیار عدم شباهت آماری (غیرقطعی)، جهت خوشه بندی آن ها مناسب تر به نظر می رسد. بر این اساس در این مقاله، با به کارگیری یک معیار عدم شباهت آماری، یک روش نظارت نشده جدید برای خوشه بندی تصاویر فراطیفی طراحی و پیاده سازی شده است. روش خوشه بندی پیشنهادی، برای برآورد عدم شباهت بین مرکز خوشه ها و پیکسل ها، از یک معیار عدم شباهت آماری، به نام دیورژانس اطلاعات طیفی، به جای فاصله اقلیدسی استفاده می کند. دیورژانس اطلاعات طیفی، توزیع احتمال طیف ها را از طریق نرمال کردن امضای طیفی، مدل سازی می کند. سپس فاصله بین توزیع احتمال طیف یک پیکسل و توزیع احتمال طیف هر مرکز خوشه را برآورد می کند. آزمون های انجام شده بر روی داده های تصویری فراطیفی واقعی حاصل از سه سنجنده HyMap، HYDICE و Hyperion نشان می دهد که روش خوشه بندی پیشنهادیِ مبتنی بر دیورژانس اطلاعات طیفی، نتایج طبقه بندی را بهبود می بخشد، به طوری که ضریب کاپای نتایج طبقه بندی تصاویر فراطیفی مورد استفاده به ترتیب، حدود 7%، 56% و 10% افزایش یافته است.

مدل های خوشه بندی c-means یکی از پرکاربردترین شیوه های طبقه بندی نظارت نشده در آنالیز داده ها به شمار می رود. مدل فازی این روش، یعنی Fuzzy c-means، یکی از مشهورترین مدل هایی است که در آن هر داده با یک مقدار درجه عضویت بین 0 و 1، به هر یک از خوشه ها اختصاص داده می شود. این مدل خوشه بندی جهت طبقه بندی داده های سنجش از دوری بسیار استفاده شده است. مدل Fuzzy c-means از فاصله اقلیدسی جهت خوشه بندی استفاده کرده و برای همه خوشه ها شکل یکسانی فرض می کند. با وجود این، این مدل برای داده هایی که در آن ها کلاس ها دارای شکل و حجم متفاوت اند، مناسب به نظر نمی رسد. برای رفع این مشکل، مدل Gustafson-Kessel جهت خوشه بندی داده های پیچیده ارائه شده است. این مدل برمبنای به کارگیری یک ماتریس کوواریانس فازی برای هر خوشه عمل می کند و شکل هندسی، حجم و جهت گیری یکسانی برای همه خوشه ها در نظر نمی گیرد. در این تحقیق، از هر دو مدل خوشه بندی مذکور جهت داده های سنجش از دوری فراطیفی واقعی حاصل از سنجنده های Hyperion، ROSIS و CASI استفاده شده است. نتایج حاصل از مدل های خوشه بندی Fuzzy c-means و Gustafson-Kessel به پارامتری به نام فازی کننده وابسته است که در این تحقیق، مقدار بهینه آن با محاسبه و بررسی دقت طبقه بندی هر یک از این مدل ها، در ازای فازی کننده های مختلف به دست آمده است. نتایج به دست آمده در ازای مقدار بهینه فازی کننده، نشان می دهد که مدل Gustafson-Kessel دقت و صحت طبقه بندی را حدود 5/12% برای داده های Hyperion و حدود 45/8% برای داده های ROSIS افزایش می دهد. همچنین، ارزیابی دیداری نتایج دو مدل خوشه بندی روی داده های CASI نشان می دهد که مدل Gustafson-Kessel عملکرد بهتری دارد. البته در مقابل، باید گفت مدل Gustafson-Kessel هزینه زمانی بیشتری را صرف می کند و همچنین، جهت تعیین پارامتر مربوط به حجم خوشه ها، به دانش قبلی نیاز دارد.

شناسایی، ماموریتی برای کسب اطلاعات در مورد فعالیت ها، منابع، توانمدی ها و موقعیت دشمن است. شناسایی اهداف نظامی می تواند اطلاعاتی پیرامون وضعیت فعالیت ها، استقرار نیروها، آرایش نظامی و بسیاری از اطلاعات گوناگون دیگر از یک محدوده نظامی را در اختیار فرماندهان قرار دهد. در سال های اخیر پیشرفت تکنولوژی در زمینه سنجش از دور امکان تهیه تصاویر مختلف با قدرت تفکیک طیفی و مکانی بالا را فراهم نموده است. تلفیق تصاویر فراطیفی و تصاویر با قدرت تفکیک مکانی بالا می تواند کمک موثری به شناسایی، استخراج و تولید نقشه از عناصر سازنده یک محیط را فراهم نماید. هدف از تحقیق حاضر، شناسایی اهداف نظامی با استفاده از تلفیق تصاویر فراطیفی و تصاویر با قدرت تفکیک مکانی بالا می باشد. برای این منظور، پنجره ای از تصاویر سنجنده های هایپریون،ALI و OrbView3، انتخاب گردید. در ابتدا نسبت به پیش پردازش داده فراطیفی هایپریون از لحاظ باندهای غیرقابل استفاده، نوارهای بد عمود، تصحیح اتمسفری و تصحیح هندسی اقدام شد. در ادامه تصویر هایپریون در فرایند دو مرحله ای با باندهای پانکروماتیک تصاویر ALI و OrbView3 با استفاده از الگوریتم های Gram schmidt ، Pc Spectral و IHS تلفیق شد. نتایج تلفیق نشان داد، روش Gram schmidt بهترین عملکرد را از نظر طیفی و مکانی داشته است. در ادامه تحقیق از تبدیل MNF به منظور کاهش ابعاد تصویر و کاهش نویزها بهره گرفته شد و از الگوریتم PPI خالص ترین پیکسل ها به منظور استخراج پروفیل طیفی با مقایسه با طیف های مرجع به صورت بصری و دقیق به دست آمد. در ادامه از الگوریتم های BANDMAX ، نقشه بردار زاویه طیفی و دایورجنس اطلاعات طیفی جهت شناسایی اهداف استفاده شد. نتایج ارزیابی شناسایی اهداف نشان داد که روش BANDMAX با دقت کلی 89.77 و ضریب کاپای 0.81 نسبت به دو الگوریتم دیگر عملکرد بهتری داشته است.

مناطق شهری جهان دارای ویژگی های پیچیده فیزیکی- هندسی عناصر مختلف می باشند، که به سرعت درحال گسترشند. داشتن دانش دقیق از خصوصیات کاربری، تشخیص وشناسایی عوارض از ضروریات مدیریت برنامه ریزی سامان دهی بهینه نواحی شهری و محیط زیست می باشد. تلفیق تصاویر فراطیفی و تصاویر با قدرت تفکیک مکانی بالا می تواند کمک موثری به شناسایی، استخراج و تولید نقشه از عناصر سازنده یک محیط شهری را فراهم نماید. هدف از تحقیق حاضر، ارزیابی روش های تلفیق تصاویر در تصاویر فراطیفی و تصاویر با قدرت تفکیک مکانی بالا می باشد. در این راستا داده فراطیفی مربوط به سنجنده هایپریون، در ابتدا از لحاظ باندهای غیرقابل استفاده و نوارهای بد قائم تصحیح شد.سپس از ماژول FLAASH جهت تصحیح اتمسفری این داده استفاده شد.در ادامه تصویر هایپریون با باند پانکروماتیک سنجنده ALI تصحیح هندسی شده و با استفاده از عملیات نمونه برداری مجدد به پیکسل سایز 10 متر تبدیل شد. نهایتا با استفاده از الگوریتم های گرام اشمیت و Pc Spectral و IHS با تصویر ALI تلفیق شد. سپس با استفاده از باند پانکروماتیک تصویر Orb View دوباره تصحیح هندسی و نمونه برداری مجدد شده و به پیکسل سایز 1.5 متر تبدیل شد.در نهایت دوباره با روش های ذکر شده عملیات تلفیق با باند پانکروماتیک Orb View انجام شد، نتایج تلفیق نشان داد روش گرام اشمیت بهترین عملکرد را از نظر طیفی و مکانی داشت.

ادغام تصویر، فرآیند تلفیق اطلاعات مناسب از مجموعه ای تصاویر در یک تصویر است، به طوری که تصویر ادغام شده حاوی اطلاعات مفیدتر و کامل تر از هر یک داده های ورودی خواهد بود. هدف از ادغام تصاویر سنجش ازدوری، ترکیب اطلاعات به دست آمده از سنجنده هایی باقدرت های تفکیک مکانی، طیفی و زمانی متفاوت به منظور به دست آوردن تصویری با جزئیات اطلاعاتی بیشتر نسبت به هرکدام از داده های انفرادی است. هدف از تحقیق حاضر، ارزیابی عملکرد تبدیل موجک گسسته در ادغام تصاویر فراطیفی با تصاویر دارای قدرت تفکیک مکانی بالا است. برای این منظور، پنجره ای از تصاویر سنجنده های هایپریون،ALI و OrbView3، انتخاب گردید. ابتدا تصویر هایپریون، به لحاظ باندهای غیرقابل استفاده و نویزهای استریپ، تصحیح شد. از باند پانکروماتیک سنجنده ALI، به منظور تصحیح هندسی و ثبت تصویر هایپریون استفاده گردید. در ادامه تصویر هایپریون با استفاده از عملیات بازنمونه برداری به صورت تصویری با اندازه پیکسل 10 متر تبدیل شده و با استفاده از الگوریتم Gram-Schmit، با تصویر ALI، ادغام شد. دوباره با استفاده از تصویر OrbView3، بر روی تصویر ادغام شده، عملیات ثبت تصویر انجام گرفته سپس هر دو تصویر با استفاده از عملیات بازنمونه برداری به اندازه پیکسل 4 متر تبدیل شدند. تصویر OrbView3، با استفاده از موجک گسسته هار، در چهار سطح تجزیه شده و جهت ادغام مورداستفاده قرار گرفت. نتایج تحقیق نشان داد که با هر بار افزایش سطح تجزیه تصویر، صحت و دقت ادغام افزایش پیدا می کند.

در فرآیند تولید یا ارسال داده، کیفیت داده کاهش یافته و یا به میزان مورد نیاز برای انجام سایر گام های پردازشی نیست. بهبود کیفیت داده یکی از مهمترین گام هایی است که برای دست یابی صحیح به اطلاعات نهفته در داده در هر حوزه ای لازم است که انجام شود. محققان روش های مختلفی برای انجام این فرآیند پیشنهاد داده اند که با توجه به نوع داده متفاوت است، اما باید توجه داشت که اغلب این روش ها به شباهت های موجود در ابعاد مختلف داده به طور همزمان توجه نمی کنند. این موضوع می تواند بر بخش هایی از داده تاثیر نامطلوب و یا مخربی بگذارد و همچنین بخش هایی که تخریب شده اند را بهبود نبخشد. در نتیجه، خروجی بدست آمده حاوی همه اطلاعات مورد نظر نخواهد بود. در این مقاله، روشی جدید ارائه شده است که در آن، با استفاده از مجموعه ای از گره های همکار در قالب یک شبکه ی تعاملی فرآیند بهبود کیفیت داده انجام می شود. این روش با بکارگیری مجموعه ای از گره ها موجب بهبود مقاومت در مقابل انواع مختلف تخریب ها نیز می شود. عملکرد روش پیشنهادی با شش روش جدید بهبود کیفیت داده بر روی داده های واقعی تخریب شده مقایسه شده است. نتایج بدست آمده در شبیه سازی نشان می دهد که روش پیشنهادی عملکرد بهتری نسبت به سایر روش های مورد مقایسه دارد.