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 چندجمله‌ای 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 نمونه‌بردار مونتکارلو 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.

Enhancing Supervised Hyperspectral Unmixing using Spatial Correlation under Nonlinear Mixing Model

In this paper, a supervised hyperspectral unmixing solution that integrate the spatial information in the abundance estimation procedure is presented. The proposed method is applied on a nonlinear model based on Polynomial Postnonlinear Mixing Model (PPNMM) where characterizes each pixel reflections composed of nonlinear function of pure spectral signatures corrupted by noise. The image is iteratively classified to classes where contains similar spectral reflectance so share the same abundance vector. Then the abundance vector is estimated for all pixels belong to each class. To make classification, the spatial correlation between pixels belonging to each class is modelled by Markov Random Field (MRF). A Bayesian framework is proposed to estimate the classes and corresponding abundance vectors alternatively. Due to complexity of derived likelihood function, a Markov Chain MonteCarlo (MCMC) algorithm is used to estimate the abundance vector based on generated samples. The result of implementation on simulated data shows around 20% prominence of proposed approach in comparison to nonlinear unmixing and MRFbased linear unmixing algorithms in the sense of estimation and reconstruction error.