عنوان پایان‌نامه
بر رسی روشهای کشف وشناسائی خودکار اهداف درتصاویر فراطیفی
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 2074;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 51820
- تاریخ دفاع
- ۱۲ مهر ۱۳۹۰
- دانشجو
- مقداد موسوی ایرائی
- استاد راهنما
- فرهاد صمدزادگان
- چکیده
- تصویربرداری فراطیفی به عنوان یکی از تحولات مهم و اساسی در فناوری سنجش از دور، طی سال‌های اخیر از جنبه‌های مختلف سخت‌افزاری و نرم‌افزاری، پیشرفت شایان توجهی داشته است. کشف و شناسایی اهداف نظامی و غیر نظامی، با استفاده از تصاویر فراطیفی، یکی از کاربرد های مهم در سنجش از دور برای استخراج اطلاعات است. با این وجود به دلیل اندازه اهداف و توان تفکیک مکانی سنجنده، همچنین نزدیکی خصوصیات طیفی هدف و زمینه، کشف و شناسایی کار نسبتاً دشواری است. روش های کشف و شناسایی اهداف در تصاویر فراطیفی با توجه به اینکه هدف بزرگتر از یک پیکسل کامل، یا زیر پیکسلی باشد، متفاوت است. در صورت زیر پیکسلی بودن هدف، باید مدل اختلاط طیفی هدف نیز مورد توجه و بررسی قرار گیرد. در این پایان نامه انواع روش های کشف اهداف مبتنی بر شرایط هندسی هدف (زیر پیکسلی یا پیکسل کامل بودن آن) و میزان اطلاعاتی که از هدف وجود دارد، بررسی و پیاده سازی شده است. همچنین، به منظور افزایش دقت و کارایی، روش های آشکارسازی هدف، بر پایهی روش های طبقه بندی تک کلاسه (روش های توصیف داده)، در فضای ویژگی مورد آنالیز قرار گرفته است. بدین منظور، الگوریتم های طبقه بندی تک کلاسه بر روی داده های فراطیفی سنجنده های Hyperion، AVIRIS اعمال شد و نتایج مورد ارزیابی قرار گرفتند. ارزیابی های انجام شده به منظور بررسی کارایی و دقت روش بردار پشتیبان توصیفگر دادهها عبارت بود از: (1) ارزیابی حساسیت الگوریتم نسبت به نویزی بودن داده ها، (2) ارزیابی حساسیت الگوریتم نسبت به تعداد باندها، (3) ارزیابی حساسیت الگوریتم نسبت به نوع تابع هسته مورد استفاده، (4) ارزیابی حساسیت الگوریتم نسبت به پارامترهای تابع هسته، (5) مقایسه دقت و کارایی الگوریتم آشکارسازی هدف بردار پشتیبان توصیفگر دادهها با برخی روش های متداول آشکارسازی هدف و (6) ارزیابی حساسیت الگوریتم های آشکارسازی هدف نسبت به نوع داده های سنجنده های فراطیفی. با بررسی نمودارهای حساسیت الگوریتم بردار پشتیبان توصیفگر دادهها نسبت به پارامتر هسته ها در رابطه با تمامی مجموعه داده ها، می توان نتیجه گرفت که هسته های radial basis، sigmoid و polynomial دارای کارایی بالاتری برای جداسازی کلاس های هدف از کلاس های زمینه است. در این روش، استفاده از هسته های minkowski و distance در رابطه با این داده ها کارایی ندارد. . با استفاده از تبدیل MNF و حذف نویز بر روی مجموعه داده 176 باندی سنجنده AVIRIS، کارایی الگوریتم توصیف داده بردار پشتیبان در مجموعه داده های 10، 5 و 3 باندی بترتیب حدود 20 %، 10 % و 3 % افزایش یافت. بنابراین، می توان نتیجه گرفت که کارایی این الگوریتم، به میزان زیادی به سطح نویز موجود در تصویر وابسته است. با مقایسه الگوریتم توصیف داده بردار پشتیبان با برخی روش های مرسوم طبقه بندی تک کلاسه، نشان داده شد، که کارایی الگوریتم های آشکارسازی هدف تک کلاسه Parzen_dd و Rob_gauss_dd در سطح کارایی الگوریتم توصیف داده بردار پشتیبان است (روش های دیگر طبقه بندی تک کلاسه پیاده سازی شده عبارت بود از: Pca-dd، Kmeans-dd، Knn-dd، Mst-dd و Kcenter-dd). از مقایسه روش های مرسوم آشکارسازی هدف در سطح پیکسل و زیر پیکسل در رابطه با داده سنجنده HyMap با 126 باند طیفی می توان نتیجه گرفت، که کارایی این الگوریتم ها، وابستگی زیادی به نوع هدف مورد استفاده دارد. در رابطه با داده سنجنده HyMap، الگوریتم های CEM، Match filter و ICA-EEA دارای کارایی بالاتری نسبت به سایر الگوریتم ها است. از میان الگوریتم های آشکارسازی در سطح زیر پیکسل، بهترین نتیجه مربوط به الگوریتم آشکارسازی هدف OSP و با روش های Unmixing، Atgp و Ica-Eea است. با این وجود نتایج نشان داد که الگوریتم SVDD با قابلیت استفاده از توابع هسته مختلف، کارایی بالاتری نسبت به سایر الگوریتم های مرسوم دارد.
- Abstract
- Hyperspectral imaging, as one of the most important developments of remote sensing technology, has been improved remarkably various aspects of hardware and software in recent years. Military and non-military target detection using Hyperspectral images is one of the most important applications of remote sensing to extract information. However, due to the size of targets and similar spectral characteristics of background, spatial and spectral resolution of sensors limits the detection process and different types of detection methods are applied regard to the size of targets, i.e. full or sub-pixel. If the sub-pixel methods are taken, spectral mixing model should be considered. The thesis aims to evaluate and implement different methods based on the geometric conditions (sub-pixel or full-pixels) and existence of information. Also, in order to increase accuracy and efficiency of detection methods based on single-class classification methods (data description methods), the feature space has been analyzed. For this purpose, single-class classification algorithm applied on Hyperspectral data acquired by AVIRIS sensor and the results were evaluated. Evaluation conducted to verify the efficiency and accuracy of Support Vector Data Descriptors (SVDD) were: (1) evaluate the algorithm's sensitivity to Signal to Noise Ratio (SNR), (2) evaluate the algorithm's sensitivity to the number of bands, (3) the kernel function used to evaluate the sensitivity of the algorithm, (4) evaluate the algorithm's sensitivity to the kernel function parameters, (5) compare the accuracy and efficiency of SVDD target detection algorithms, with some conventional methods of target detection and (6 ) evaluate the sensitivity of detection algorithms to the data type. By validating the sensivity charts of SVDD algorithm regard to kernels parameters in relation to all data sets, it can be concluded that the radial basis, sigmoid and polynomial have higher efficiency for the separation of the target and background classes. In this method, Minkowski and Distance kernels are not efficient, in relation to this dataset. Appling MNF and reducing noise on AVIRIS sensor dataset (176 bands), Support Vector Data Description (SVDD) algorithm performance increased in the data sets with 10, 5 and 3 bands, about 20%, 10% and 3%, respectively. Therefore, the efficiency of this algorithm is dependent, greatly, to the noise level on the image. By comparing SVDD algorithm with some conventional single-class classification methods, it was shown that the performance of single-class detection algorithms, Parzen_dd and Rob_gauss_dd, is close to SVDD approach. Some other single-class classifiers which implemented are: Pca-dd, Kmeans-dd, Knn-dd, Mst-dd and Kcenter-dd. Also it showed that performance of conventional methods of detecting the target at the pixel and sub-pixel level is very dependent on target type, in regard to HyMap sensor with 126 spectral bands. However, the results revealed that the SVDD algorithm equipped with different kernel functions is more performance than the other conventional algorithms.
