فزایش قدرت تفکیک طیفی در تصاویر فراطیفی با استفاده از شبکه عصبی رگرسیون عمومی GRNN

پردازش تصویر یک علم بین رشته ای بین تخصص های مختلف است که از جمله مهمترین آنها مهندسی الکترونیک و مهندسی نرم افزار است. پردازش تصاویرفراطیفی که شاخه ای از پردازش تصویر است، به دلیل دارا بودن بالاترین دقت طیفی در بین سایر تصاویر از اهمیت ویژه ای برخوردار است. تحلیل ها در حوزه پردازش این تصاویر اغلب مبتنی بر دقت طیفی بالای این تصاویر است. به نحوی که هرچه دقت طیفی این تصاویر بالاتر باشد، الگوریتم ها عملکرد بهتری خواهند داشت. بر همین اساس محققان و دانشمندان به دنبال افزایش قدرت تفکیک طیفی و دستیابی به تصاویر فوق فراطیفی هستند. شبکه عصبی GRNN در واقع یک روش تخمین غیر پارامتری توابع غیرخطی است که ابزار ما برای افزایش قدرت تفکیک طیفی یا در واقع افزایش دقت طیفی در تصاویر فراطیفی است. شبکه عصبی GRNN یک شبکه با ناظر یک بارگذر است که به سادگی آموزش داده می شود. با مطالعه بر روی یک داده واقعی فراطیفی، شبکه GRNN با مجموع درصد خطای قدرمطلق برابر 14/3% در مقایسه با مجموع درصد خطای قدرمطلق روش حداقل مربعات با مرتبه دوم برابر 663/7% برتری کامل روش GRNN را نشان می شود.

کلیدواژه ها:

تصاویر فراطیفی ، شبکه عصبی رگرسیون عمومی Software Engineering ، Hyperspectral ، GRNN ، Electronics