Journal of Geomatics Science and Technology

fa ارائه روش جدید تولید واژه نامه در روش های نمایش تنک جهت کشف هدف درون تصاویر فراطیفی A New Dictionary Construction Method in Sparse Representation Techniques for Target Detection in Hyperspectral Imagery فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">دادههای فراطیفی در حوزه سنجشازدور، با قدرت تفکیک طیفی بسیار مناسب (حدود 10 نانومتر) تهیه ‌شده و شامل باندهای زیادی  هستند. کشف ماده هدف، از مهمترین کاربردهای دادههای فراطیفی است. یکی از مسائل کشف مادۀ هدف، تغییرپذیری طیفی مواد ناشی از تأثیر توپوگرافی و اختلاط طیفی است. علاوه بر این، نویز حاصل از نقص سنجنده و اثرات اتمسفری نیز باعث عدم ثبات طیفی یک ماده در موقعیت‌های مختلف میشود. روشهای کشف هدف، این تغییرات را مدل‌سازی نموده و بر این اساس استخراج هدف را انجام می‌دهند. روشهای آماری و روشهای برمبنای زیرفضا، دو مورد از معروفترین الگوریتمهای کشف هدف می‌باشند. ضعف این روش‌ها، در نظر گرفتن فرضیات آماری خاص و مدل‌سازی تغییرات طیفی با پارامترهای محدود می‌باشد. از این رو در این مقاله یکی از روش‌های قدرتمند کشف هدف، بهنام نمایش تنک استفاده شدهاست که شرایط مختلف رفتار طیفی هدف و زمینه را به‌صورت ماتریسهایی، تحت عنوان واژه‌نامه، مدل‌سازی نموده و درواقع زیرفضای کاملی از طیف مواد و تغییرات آن ایجاد می‌نماید. چالش اصلی روش‌های نمایش تنک، جهت کشف ماده هدف، ارائه واژه‌نامه خالص (بدون اختلاط طیفی) می‌باشد. در تحقیقات پیشین، سه روش جفت پنجره، عمومی و آموزش واژه‌نامه پیشنهاد شده است. ایراد اساسی این روشها ایجاد اختلاط طیفی بین اتم‌های واژه‌نامه و طیف هدف می‌باشد. با توجه به نقاط ضعف روش‌های ذکر شده، در این پژوهش روشی جهت ساخت واژه‌نامه پیشنهاد شده است که اتم‌های واژه‌نامه، علاوه بر ایجاد زیرفضاهای کامل و مدل‌سازی تغییرات طیفی، در حد امکان خالص نیز می‌باشد. در روش پیشنهادی دو مقصود تشکیل زیرفضاهای زمینه و به حداقل رساندن اختلاط طیفی اتم‌های واژه‌نامه و هدف دنبال می‌شود. به‌منظور رسیدن به این دو مقصود، همبستگی طیف هدف و کل پیکسلهای تصویر محاسبه‌شده و از میان پیکسل‌های تصویر، از کمترین تا بیشترین میزان همبستگی با طیف هدف، واژه‌نامه‌های متفاوتی برای زمینه ایجاد می‌شود. درنهایت از بین واژه‌نامه‌های ایجادشده، واژه‌نامه‌ای انتخاب می‌شود که زیرفضای کاملی از تصویر ایجاد نماید و آن زیرفضا نیز، کمترین میزان همبستگی با طیف هدف را داشته‌باشد. در این مقاله روش پیشنهادی ساخت واژهنامه بههمراه یک مدل نمایش تنک، بهنام SRBBH بهکاررفته و تحت عنوان روش Proposed+SRBBH معرفیشده است. برای بررسی میزان کارآمدی روشهای ارائهشده، یک مجموعه داده شبیهسازی و سه داده واقعی استفاده شد و بهمنظور ارزیابی روشها، مساحت زیر سطح نمودار ROC مورد استفاده قرار گرفت. در آزمایشهای اجرا شده بر دو داده Cuprite و Sandiego، مساحت زیر نمودار به ترتیب 9997/0 و 9961/0 بهدست آمد که نسبت به سایر روشها مقادیر بیشتری را نشان میدهد. برای دو مجموعه داده دیگر نیز برای اکثر هدفها، روش پیشنهادی نسبت به سایر روشها عملکرد بهتری را نشان میدهد.</div> <div style="text-align: justify;">Hyperspectral data in Remote Sensing which have been gathered with efficient spectral resolution (about 10 nanometer) contain a plethora of spectral bands (roughly 200 bands). Since precious information about the spectral features of target materials can be extracted from these data, they have been used exclusively in hyperspectral target detection. One of the problem associated with the detecting process using hyperspectral data is the spectral variation due to topography variability and spectral mixing. Moreover, imperfect sensor noises and atmospheric influences on the target radiance together lead the observed spectral feature of the same material to change in different situations. Target detection methods model the spectral variation in order to compensate their effects on the process. Statistics and subspace based approaches are the two most important methods used in detection process. Statistics and subspace based approaches are the two most important methods used in detection process. Using special statistical assumptions and modeling the spectral variation with limited number of parameters are the main disadvantages of these methods. One of the strongest detection method is the sparse representation method. It models the differences in the spectral features of targets and background using dictionary matrices. Indeed, it constructs a complete subspace of materials spectrum and their variations. Building a pure dictionary (clean of spectral mixing) is the main challenge associated in the sparse representation method in the detecting process. Three methods- the dual windows, the global and the learned dictionary- have been introduced in literature. In the dual windows, since it uses outer window to select the target pixels, spectral mixing has not been cleaned. In the learned dictionary as it uses random picked pixels in order to learn the dictionary, the risk of spectral mixing exists. Furthermore, spectral mixing exists in general method. Considering the disadvantages of the aforementioned methods, in this thesis we introduce a new method to construct the dictionary. Not only do the dictionary atoms provided by this method construct a complete subspace and model spectral variation, but they also are as pure as possible.  In the proposed method, it is tried to achieve two main purposes which are forming the background subspaces and minimizing the spectral mixing of atoms in the dictionary and target. To this end, correlations between target spectrum and all image pixels are calculated. Afterwards, using image pixels which have different degrees of correlation with target spectrum, different dictionaries are created for the background. Finally, a dictionary is selected from the created dictionaries which presents a complete subspace of image and the subspace also has the lowest correlation with the target spectrum. In this paper, the proposed method of making a dictionary along with a sparsity model, called SRBBH is used and introduced as method Proposed+SRBBH. To survey the efficiency of the proposed methods, a simulation data set and three real data were used, and in order to evaluate the methods, the area below the ROC chart level was used. In experiments performed on both Cuprite and Sandiego data, the area under the graph was 0.9997 and 0.9961, respectively, which shows higher values than other methods. For the other two sets of data, the proposed method performs better than other methods of target detection.</div> کشف مادۀ هدف, داده‌های فراطیفی, تغییرپذیری طیفی, روش‌های نمایش تنک, واژه‌نامه Target Detection, Hyprspectral Data, Sparse Representation Methods, Spectral Variation , Dictionary 111 132 http://jgst.issgeac.ir/browse.php?a_code=A-10-792-1&slc_lang=fa&sid=1 R. Azizi رضا عزیزی rezaazizi7189@gmail.com 10031947532846007543 10031947532846007543 Yes بدون سازمان M. Sattari مهران ستاری sattari@eng.ui.ac.ir 10031947532846007544 10031947532846007544 No بدون سازمان M. Momeni مهدی مومنی momeni@eng.ui.ac.ir 10031947532846007545 10031947532846007545 No بدون سازمان