ارایه مدل توسعه یافته جداسازی منابع در شرایط کور با شرط وجود تغییر در منابع و بکار گیری آن در تجزیه تصاویر ابرطیفی

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 33

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSRC-6-1_006

تاریخ نمایه سازی: 18 مهر 1405

چکیده مقاله:

جداسازی منابع در داده های ابرطیفی، بمعنای مشخص کردن مواد مختلف با طول موجهای مجزا در متن تصاویر ابر طیفی است. هدف اصلی فرایند جداسازی، تعیین و تخمین دوپارامتر است. ۱- اعضای پایانی(S) ۲- تعیین نسبت و میزان هر یک از این اعضاء در تشکیل تصویر(A). از طرفی، فرایند یافتن این دو پارامتر در تصاویر بواسطه عواملی از جمله تغییر در اعضای پایانی (تغییرات ذاتی و یا بیرونی) و همچنین مساله ترکیب شدن غیر خطی این اعضاء، ثابت و یکسان نیست. روش توسعه یافته ترکیب خطی پیشنهاد جالبی است که ضمن تکمیل روش ترکیب خطی، وجود تغییرات در اعضای پایانی را در مدل ریاضی ترکیب خطی لحاظ نموده است. با وجود مزایای عمده، این مدل در تغیییرات میکروسکوپیک اعضای پایانی دارای محدودیت بکارگیری است . همچنین، ابهام در استخراج ضریب تغییرات و نسبت اعضای پایانی در ترکیب در مدل وجود دارد. در این مقاله جهت رفع این موضوعات مدل بهبودیافته ی مدل قبل مبتنی بر ایده ای هندسی پیشنهاد شده است. این مدل بر مبنای مدل ترکیب خطی بنا شده تا از مزایای خطی بودن بهره مندگردد، ضمن آنکه تغییرات اعضای پایانی را با مدلی دینامیک ارایه می نماید تا امکان مدل سازی هر نوع تغییری میسر گردد. در مدل پیشنهادی آرایه ی سه بعدی جدیدی بنام (𝞧) معرفی می کنیم که در برگیرنده ی تغییرات اعضای پایانی در هر سه محور عمود بر هم باشد و هوشمندانه با بکارگیری ضرب هادامارد جزء به جزء اعضای این آرایه را با جزء به جزء اعضای پایانی(S) به هم متصل کرده ایم. با این کار وجود تغییر در سه بعد را برای هر یک از المانهای اعضای پایانی لحاظ کرده ایم ضمن آنکه بصورت کمی آنرا قابل محاسبه کرده ایم. در ادامه، با این تعریف جدید برای امکان تغییر اعضای پایانی، معادله بهینه سازی جدیدی برای حل مساله جداسازی ارایه کرده ایم که بر مبنای ریاضیات ترکیبی حاصل از ضرب ماتریسی و ضرب هادامارد در ساختار معادلات ماتریسی است. حل معادله بهینه سازی پیشنهادی، به دو معادله جدید دیگر منجر می شود که استخراج پارامترهای مطلوب (S آرایه و A ماتریس ) را با سرعت و دقت بیشتری امکان پذیر می سازد. شبیه سازی ها صحت و کارایی طرح پیشنهادی را تایید می کنند.

کلیدواژه ها:

: جداسازی منابع در شرایط کور ، جداسازی تصاویر ابرطیفی ، مدل ترکیب خطی ، مدل ترکیب خطی توسعه یافته ، اعضای پایانی متغیر

نویسندگان

افشین احمدلو

دانشگاه صنعتی شیراز

صادق صمدی

دانشگاه صنعتی شیراز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • J. M. Bioucas-Dias, A. Plaza, G. Camps-Valls, P. Scheunders, N. ...
  • L. Drumetz, M.-A. Veganzones, S. Henrot, R. Phlypo, J. Chanussot, ...
  • D. Manolakis and G. Shaw, “Detection algorithms for hyperspectral imaging ...
  • G. Lu and B. Fei, “Medical hyperspectral imaging: A review,” ...
  • G. A. Shaw and H. K. Burke, “Spectral imaging for ...
  • N. Keshava and J. F. Mustard, “Spectral unmixing,” IEEE Signal ...
  • L. Drumetz, J. Chanussot, C. Jutten, W.-K. Ma, and A. ...
  • J. M. Bioucas-Dias, A. Plaza, N. Dobigeon, M. Parente, Q. ...
  • N. Dobigeon, Y. Altmann, N. Brun, and S. Moussaoui, “Linear ...
  • A. Zare and K. C. Ho, “Endmember variability in hyperspectral ...
  • S. Henrot, J. Chanussot, and C. Jutten, “Dynamical spectral unmixing ...
  • R. A. Borsoi, T. Imbiriba, J. C. M. Bermudez, C. ...
  • J. M. Nascimento and J. M. Bioucas-Dias, “Vertex component analysis: ...
  • M. Kowalski, K. Siedenburg, and M. Dörfler, “Social sparsity! Neighborhood ...
  • S. Boyd, N. Parikh, E. Chu, B. Peleato, J. Eckstein, ...
  • M.-D. Iordache, J. M. Bioucas-Dias, and A. Plaza, “Total variation ...
  • J. M. Bioucas-Dias and J. M. Nascimento, “Hyperspectral subspace identification,” ...
  • I. Regularization, “Blind hyperspectral unmixing using an extended linear mixing ...
  • نمایش کامل مراجع