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

در این مقاله، راه حلی برای جداسازی تصویر ابرطیفی به روش بیزین با بهره گیری از اطلاعات مکانی ارائه می شود. روش پیشنهادی بر اساس مدل ترکیب چندجمله ای پساغیرخطی می باشد که در این مدل مقدار بازتاب هر پیکسل تصویر، ترکیبی از توابع غیرخطی مشخصه های طیفی مواد خالص است که با نویز گاوسی ترکیب شده است. برای بهبود کیفیت جداسازی، به طور متناوب تصویر به کلاس های مختلف تقسیم می شود که دارای بازتاب طیفی مشابه هستند و بدین ترتیب فراوانی مواد در پیکسل های یک کلاس مشابه یکدیگر است. سپس بردار فراوانی هر کلاس تخمین زده می شود. بدین ترتیب با بکارگیری توام تمام پیکسل های هر کلاس، دقت جداسازی افزایش خواهد یافت. برای طبقه بندی تصویر، همبستگی مکانی پیکسل های هر کلاس با استفاده از میدان تصادفی مارکف مدل می شود. ساختار بیزین پیشنهادی بردار فراوانی و کلاس پیکسل تصویر رابه طور همزمان تخمین می زند. به دلیل پیچیدگی تابع درست نمایی، برای تخمین پارامترها، از نمونه بردار مونت-کارلو زنجیره مارکف استفاده شده است. نتایج نشان دهنده این موضوع است که روش پیشنهادی در مقایسه با الگوریتم های رایج مدل های 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 می باشد.