استفاده از متغیرهای جذبی طیفی به منظور برآورد سریع نوفه در تصاویر ابرطیفی

پیام:
چکیده:
برآورد نوفه موجود در تصاویر ابرطیفی یکی از راه های افزایش کیفیت اطلاعات استخراج شده و کاهش عدم قطعیت در نتایج است. تا کنون ساده ترین روش به کار گرفته شده در برآورد نوفه در این تصاویر، استفاده از روش اختلاف شیفت بوده است، اما این روش دارای دو نقطه ضعف است؛ اولا مبتنی بر این فرض است که پیکسل های همسایه دارای اطلاعات سیگنال یکسانی هستند که الزاما در داده های ابرطیفی صدق نمی کند، ثانیا برای محاسبه صحیح نوفه نیازمند استفاده از مناطق همگن است که غالبا این مناطق به صورت نظارت شده، تعیین می شوند. در این پژوهش روشی جدید برای برآورد نوفه (NETAL) معرفی شده است. در این روش، با استفاده از فضای منحنی بازتابندگی طیفی مواد و باندهای جذبی و محل قرارگیری و ژرفای این باندها در طیف هر پیکسل، تصویر ماهواره ای به پهنه های همگنی تقسیم بندی شد. سپس در هر پهنه نوفه با استفاده از روش رگرسیون بین هر دو باند مجاور، محاسبه شده و در نهایت نوفه کل، از جمع نوفه در هریک از نواحی به دست آمد. برای ارزیابی نتایج از داده های شبیه سازی شده و داده های ابرطیفی واقعی استفاده شد. نتایج به‎دست آمده نشان داد که برآورد نوفه توسط الگوریتم NETAL سریع تر و دقت برآورد آن برابر با الگوریتم رگرسیون چندگانه و در بعضی حالت ها بهتر از آن است.
زبان:
فارسی
در صفحه:
243
لینک کوتاه:
magiran.com/p1017553 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!