آشکارسازی آنومالیها و اهداف پنهان در تصاویر فراطیفی

سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,490

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

GISORG01_051

تاریخ نمایه سازی: 8 اردیبهشت 1388

چکیده مقاله:

امروزه با توجه به پیشرفت های اخیر در فناوری تصویربرداری فراطیفی، کاربردهای بسیاری در زمینه استفاده از این تصاویر توسعه یافته اند. یکی از مهم ترین کاربردهای مذکور در این حیطه، آشکارسازی اتوماتیک اهداف و پدیده های پنهان در تصاویر، بدون داشتن هیچ گونه اطلاعات اولیه از آنهاست. این اهداف شامل اهداف طبیعی مانند مواد معدنی، آلودگی های صنعتی و آبی و یا اهداف مصنوعی مانند اهداف نظامی استتار شده و یا تومورهای سرطانی در تصاویر پزشکی می باشد. به منظور آشکارسازی این نوع اهداف، الگوریتم های آشکارسازی آنومالی در الگوریتم های پردازش تصویری، توسعه یافته اند که اساس کار آنها این است که در تصویر به دنبال پیکسلی می باشد که مشخصات طیفی آن به طور محسوسی با پیکسل های مجاور، متفاوت باشد. براساس مفاهیم ذکر شده، در این تحقیق مهم ترین الگوریتم های آشکارسازی آنومالی مانند RX پایه، ACAD ،RX-UTD ،UTD ،CRX ،NRX ،MRX و... در نرم افزار MATLAB و بوسیله ی منحنی های ROC مورد بررسی و مقایسه قرار گرفته اند.

نویسندگان

سیدرضا صوف باف

کارشناس ارشد سنجش از دور- دانشگاه صنعتی خواجه نصیرالدین طوسی

سیدپویا صوف باف

کارشناس نقشه برداری- دانشگاه صنعتی خواجه نصیرالدین طوسی

محمدجواد ولدان زوج

دانشیار گروه فتوگرامتری و سنجش از دور - دانشگاه صنعتی خواجه نصیرالدین

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 :
  • Chang, C., 2003. Hyperspectral Imaging: Techniques for Spectral Detection and ...
  • Chang, C., 2002. Anomaly detection and classification for hyperspectral imagery. ...
  • Hsuan, _ 2005. weighted anomaly detection for hyperspectral remotely sensed ...
  • Kwon, H., 2003. Adaptive anomaly detection using subspace separation for ...
  • Liu, W., 2004. A nested spatial window-b ased approach to ...
  • Rosario, D., 2005. A no nparametric F-distribution anomaly detector for ...
  • نمایش کامل مراجع