جداسازی طیفی و مکانی تصاویر ابرطیفی با استفاده از Semi-NMF و تبدیل PCA

در سال‌های اخیر جداسازی داده‌های سنجش از دور با استفاده از تجزیه ماتریس نامنفی (nonnegative matrix factorization) مورد توجه قرارگرفته است و برای بهبود کارایی آن، به تابع هزینه اقلیدسی قیدهای کمکی می‌افزایند. چالش اصلی در این میان معرفی قیدهایی است که بتواند نتایج بهتری را استخراج کند. همبستگی بین باندهای تصاویر ابرطیفی مساله‌ای است که کمتر مورد توجه الگوریتم‌های جداسازی قرارگرفته است. این مساله در جداسازی کلاس‌های مشابه بیشتر مشخص می‌شود. در این مقاله یک روش جدید برای جداسازی داده‌های ابرطیفی سنجش از دور با استفاده از تجزیه ماتریس نیمه‌نامنفی (semi-nmf) و تحلیل مولفه‌های اصلی پیشنهاد کردیم. در روش پیشنهادی جداسازی طیفی و مکانی به‌صورت هم‌زمان انجام می‌شود و تمام محدودیت‌های فیزیکی مساله براساس مدل مخلوط خطی اعمال می‌شود. همچنین، علاوه‌بر محدودیت‌های فیزیکی، از ویژگی داده‌های ابرطیفی در فرآیند جداسازی بهره‌برداری شده است. تنکی ضرایب فراوانی یکی از ویژگی‌های مهم داده‌های ابرطیفی است که در این مقاله ما با استفاده از ماتریس nsnmf به درون تابع هزینه اعمال کرده‌ایم. در روش پیشنهادی قواعد به‌روزرسانی الگوریتم با استفاده از روش als به‌دست آمده است. در بخش انتهایی این مقاله از داده‌های ابرطیفی مصنوعی و واقعی به‌منظور بررسی کارآمدی الگوریتم پیشنهادی استفاده شده است. نتایج به دست آمده برتری الگوریتم پیشنهادی را در مقایسه با برخی از الگوریتم‌ها جداسازی نشان می‌دهد.