بهبود دقت جداسازی با نظارت تصاویر ابرطیفی با استفاده از اطلاعات مکانی در مدل ترکیب غیرخطی

چکیده: در این مقاله، راه حلی برای جداسازی تصویر ابرطیفی به روش بیزین با بهره­گیری از اطلاعات مکانی ارائه می­شود. روش پیشنهادی بر اساس مدل ترکیب چندجمله‌ای پساغیرخطی می­‌باشد که در این مدل مقدار بازتاب هر پیکسل تصویر، ترکیبی از توابع غیرخطی مشخصه­‌های طیفی مواد خالص است که با نویز گاوسی ترکیب شده است. برای بهبود کیفیت جداسازی، به طور متناوب تصویر به کلاس­های مختلف تقسیم می­شود که دارای بازتاب طیفی مشابه هستند و بدین ترتیب فراوانی مواد در پیکسل­های یک کلاس مشابه یکدیگر است. سپس بردار فراوانی هر کلاس تخمین زده می­شود. بدین ترتیب با بکارگیری توام تمام پیکسل­های هر کلاس، دقت جداسازی افزایش خواهد یافت. برای طبقه­بندی تصویر، همبستگی مکانی پیکسل­های هر کلاس با استفاده از میدان تصادفی مارکف مدل می­شود. ساختار بیزین پیشنهادی بردار فراوانی و کلاس پیکسل تصویر رابه طور همزمان تخمین می­‌زند. به دلیل پیچیدگی تابع درست­نمایی، برای تخمین پارامترها، از نمونه‌بردار مونت-کارلو زنجیره مارکف استفاده شده است. نتایج نشان دهنده این موضوع است که روش پیشنهادی در مقایسه با الگوریتم­های رایج مدل­های غیرخطی دارای دقت بهتری بوده و همچنین نسبت به الگوریتم خطی حتی با استفاده از اطلاعات مکانی دارای حداقل 20% بهبود دقت تخمین و بازسازی تصویر می­باشد.

کلیدواژه ها:

Hyperspectral Unmixing ، Bayesian Model ، PPNMM ، Markov Random Field ، Spatial Correlation ، Markov Chain Monte-Carlo. ، جداسازی ابرطیفی ، مدل بیزین ، مدل ترکیب چندجمله‌ای پساغیرخطی ، میدان تصادفی مارکف ، همبستگی مکانی ، نمونه‌بردار مونت-کارلوزنجیره مارکف