دوره 14، شماره 3 - ( 9-1396 )                   جلد 14 شماره 3 صفحات 37-50 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Khajeh Rayeni F, Ghassemian H. Spectral Unmixing Using Improved HYCA Algorithm. JSDP. 2017; 14 (3) :37-50
URL: http://jsdp.rcisp.ac.ir/article-1-369-fa.html
خواچه راینی فرشید، قاسمیان حسن. جداسازی طیفی با استفاده از الگوریتم HYCA بهبودیافته. پردازش علائم و داده‌ها. 1396; 14 (3) :37-50

URL: http://jsdp.rcisp.ac.ir/article-1-369-fa.html


استاد دانشگاه تربیت مدرس
چکیده:   (228 مشاهده)

تصویربرداری ابرطیفی ابزاری مهم در کاربردهای سنجش از دور به‌شمار می­رود. حس‌گرهای ابرطیفی، نور منعکس‌شده از سطح زمین را در صدها و یا هزاران باند طیفی اندازه­گیری می‌کنند. در بعضی از کاربردها، بی­درنگ نیاز به داشتن تصویر در سطح زمین داریم که لازمه این موضوع، وجود پهنای باند زیاد بین حس‌گر و ایستگاه زمینی است. در بیش‌تر مواقع، پهنای باند ارتباطی بین ماهواره و ایستگاه زمینی کاهش می­یابد و این امر، ما را مستلزم به استفاده از یک روش فشرده­سازی می­کند. علاوه‌بر حجم بالای داده، مشکل دیگر در این تصاویر، وجود پیسکل­های آمیخته است. تجزیه و تحلیل پیکسل­های آمیخته یا جداسازی طیفی، تجزیه پیکسل‌های آمیخته به مجموعه­ای از اعضای پایانی و فراوانی­های کسری آن­هاست. به­دلیل بالا‌بودن این حجم و به تبع آن، دشواربودن پردازش و تجزیه و تحلیل مستقیم این اطلاعات و البته قابل فشرده‌بودن این تصاویر، در سال­های اخیر روش­هایی تحت عنوان «حس‌گری­فشرده و جداسازی» معرفی شده است. الگوریتم HYCA یکی از الگوریتم‌هایی است که با توجه به ویژگی‌های ذاتی تصاویر، سعی در فشرده­سازی این تصاویر کرده است. یکی از ویژگی‌های بارز این الگوریتم، سعی در استفاده از اطلاعات مکانی به‌منظور بازسازی بهتر داده‌ها است. در این پژوهش، روشی مطرح شده است که علاوه‌بر اطلاعات مکانی، از اطلاعات طیفی (پیکسل­های غیرهمسایه) موجود در تصاویر، آن هم به‌صورت بی‌درنگ استفاده کند. برای اضافه‌کردن اطلاعات غیر از پیکسل­های همسایه، یک روش بخش­بندی بی­درنگ معرفی شده است که برای بخش­بندی درست، میزان شباهت پیکسل­ها در نظر گرفته می­شود و شکل حاصله در هر بخش محدود به هیچ شکل هندسی خاصی نمی­شود. برای ارزیابی میزان کارآیی روش پیشنهادی، در بخش نتایج از هر دو داده ابرطیفی ساختگی و واقعی استفاده شده است. علاوه بر آن، نتایج کار با یک سری روش­های سنتی در این حوزه مقایسه شده است. نتایج به‌دست آمده حاکی از کارآیی بالای روش پیشنهادی در معیار NMSE تا  برای داده ساختگی و  برای داده واقعی است.
 

متن کامل [PDF 4806 kb]   (63 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش تصویر
دریافت: ۱۳۹۴/۲/۲۹ | پذیرش: ۱۳۹۵/۸/۸ | انتشار: ۱۳۹۶/۱۱/۹ | انتشار الکترونیک: ۱۳۹۶/۱۱/۹

فهرست منابع
1. [1] ف. خواجه¬راینی و ح. قاسمیان، "جداسازی طیفی با استفاده از الگوریتم حریص، کنفرانس مهندسی برق، 1394، دوره 23."
2. [1] F. KhajehRayeni and H. Ghassemian, "Spectral unmixing using greedy algorithm", 23th International Conference on Elelctrical Engineering (ICEE), 2015.
3. [2] H. Ghassemian, "A review of remote sensing image fusion methods," Information Fusion, vol. 32, pp. 75-89, 2016. [DOI:10.1016/j.inffus.2016.03.003]
4. [3] N. Keshava and J. F. Mustard, "Spectral unmixing," IEEE signal processing magazine, vol. 19, pp. 44-57, 2002. [DOI:10.1109/79.974727]
5. [4] R. Rajabi and H. Ghassemian, "Spectral unmixing of hyperspectral imagery using multilayer NMF," IEEE Geoscience and Remote Sensing Letters, vol. 12, pp. 38-42, 2015. [DOI:10.1109/LGRS.2014.2325874]
6. [5] H. Ghassemian and D. Landgrebe, "Multispectral image compression by an on-board scene segmentation," in Geoscience and Remote Sensing Symposium, 2001. IGARSS'01. IEEE 2001 International, 2001, pp. 91-93. [DOI:10.1109/IGARSS.2001.976066]
7. [6] F. Kowkabi, H. Ghassemian, and A. Keshavarz, "Enhancing hyperspectral endmember extraction using clustering and oversegmentation-based preprocessing," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 9, pp. 2400-2413, 2016. [DOI:10.1109/JSTARS.2016.2539286]
8. [7] M.-D. Iordache, J. M. Bioucas-Dias, and A. Plaza, "Sparse unmixing of hyperspectral data," IEEE Transactions on Geoscience and Remote Sensing, vol. 49, pp. 2014-2039, 2011. [DOI:10.1109/TGRS.2010.2098413]
9. [8] S. K., "Introduction to Data Compression," Elsevier, 2006.
10. [9] H. Ghassemian and S. A. Hosseini, "Hyper-Spectral Data Feature Extraction Using Rational Function Curve Fitting," Signal and Data Processing, vol. 13, pp. 3-16, 2016. [DOI:10.18869/acadpub.jsdp.13.3.3]
11. [10] E. J. Candès, J. Romberg, and T. Tao, "Robust uncertainty principles: Exact signal reconstruction from highly incomplete frequency information," IEEE Transactions on information theory, vol. 52, pp. 489-509, 2006. [DOI:10.1109/TIT.2005.862083]
12. [11] E. J. Candes and T. Tao, "Near-optimal signal recovery from random projections: Universal encoding strategies?," IEEE transactions on information theory, vol. 52, pp. 5406-5425, 2006. [DOI:10.1109/TIT.2006.885507]
13. [12] D. L. Donoho, "Compressed sensing," IEEE Transactions on information theory, vol. 52, pp. 1289-1306, 2006. [DOI:10.1109/TIT.2006.871582]
14. [13] R. Rajabi and H. Ghassemian, "Hyperspectral data unmixing using GNMF method and sparseness constraint," in Geoscience and Remote Sensing Symposium (IGARSS), 2013 IEEE International, 2013, pp. 1450-1453. [DOI:10.1109/IGARSS.2013.6723058]
15. [14] R. Rajabi and H. Ghassemian, "Sparsity constrained graph regularized NMF for spectral unmixing of hyperspectral data," Journal of the Indian Society of Remote Sensing, vol. 43, pp. 269-278, 2015. [DOI:10.1007/s12524-014-0408-2]
16. [15] G. Martín, J. M. Bioucas-Dias, and A. Plaza, "HYCA: A new technique for hyperspectral compressive sensing," IEEE Transactions on Geoscience and Remote Sensing, vol. 53, pp. 2819-2831, 2015. [DOI:10.1109/TGRS.2014.2365534]
17. [16] G. Martin, J. B. Dias, and A. J. Plaza, "A new technique for hyperspectral compressive sensing using spectral unmixing," SPIE Optical Engineering Applications, vol. 8514, pp. 85140N-85140N, 2012. [DOI:10.1117/12.964374]
18. [17] C. Li, T. Sun, K. F. Kelly, and Y. Zhang, "A compressive sensing and unmixing scheme for hyperspectral data processing," IEEE Transactions on Image Processing, vol. 21, pp. 1200-1210, 2012. [DOI:10.1109/TIP.2011.2167626]
19. [18] M. Golbabaee, S. Arberet, and P. Vandergheynst, "Compressive source separation: Theory and methods for hyperspectral imaging," IEEE Transactions on Image Processing, vol. 22, pp. 5096-5110, 2013. [DOI:10.1109/TIP.2013.2281405]
20. [19] J. Liu and J. Zhang, "Spectral unmixing via compressive sensing," IEEE Transactions on Geoscience and Remote Sensing, vol. 52, pp. 7099-7110, 2014. [DOI:10.1109/TGRS.2014.2307573]
21. [20] A. Ramirez, G. R. Arce, and B. M. Sadler, "Spectral image unmixing from optimal coded-aperture compressive measurements," IEEE Transactions on Geoscience and Remote Sensing, vol. 53, pp. 405-415, 2015. [DOI:10.1109/TGRS.2014.2322820]
22. [21] M. V. Afonso, J. M. Bioucas-Dias, and M. A. Figueiredo, "An augmented Lagrangian approach to the constrained optimization formulation of imaging inverse problems," IEEE Transactions on Image Processing, vol. 20, pp. 681-695, 2011. [DOI:10.1109/TIP.2010.2076294]
23. [22] J. M. Bioucas-Dias and J. M. Nascimento, "Hyperspectral subspace identification," IEEE Transactions on Geoscience and Remote Sensing, vol. 46, pp. 2435-2445, 2008. [DOI:10.1109/TGRS.2008.918089]
24. [23] J. M. Nascimento and J. M. Dias, "Vertex component analysis: A fast algorithm to unmix hyperspectral data," IEEE transactions on Geoscience and Remote Sensing, vol. 43, pp. 898-910, 2005. https://doi.org/10.1109/TGRS.2005.844293 [DOI:10.1109/TGRS.2004.839806]
25. [24] R. N. Clark, G. A. Swayze, K. E. Livo, R. F. Kokaly, S. J. Sutley, J. B. Dalton, et al., "Imaging spectroscopy: Earth and planetary remote sensing with the USGS Tetracorder and expert systems," Journal of Geophysical Research: Planets, vol. 108, 2003.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
کد امنیتی را در کادر بنویسید

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها می باشد.