بهبود آشکارسازی هدف در تصاویر ابرطیفی از طریق تنظیم وزن باندها و شناسایی اعضای انتهایی در خوشه‌های فضای ویژگی

شناسایی اهداف طیفی یکی از کاربردهای استراتژیک در حوزه پردازش داده‌های ابرطیفی بشمار می‌رود. رخداد پدیده‌ها در وسعتی کمتر از یک پیکسل از تصویر منجر به توسعه‌ی راهکارهای تجزیه‌ی طیفی بمنظور آشکارسازی هدف شده است. معمولاً در الگوریتم های تجزیه طیفی وزن باندهای طیفی یکسان در نظر گرفته می شود. این در حالی است که عوامل مختلفی همانند تاثیرپذیری متفاوت باندهای طیفی از شرایط اتمسفری، تفاوت در پاسخ طیفی باندها، نویز و تفاوت نسبی در کالیبراسیون رادیومتریکی سنجنده، اثرات متفاوتی را در ثبت اطلاعات هر باند طیفی خواهد داشت. تنظیم وزن باندها در روش‌های تجزیه طیفی اولین رویکرد این تحقیق بمنظور افزایش دقت آشکارسازی هدف می‌باشد. بدلیل پیچیدگی تعیین مستقیم وزن بواسطه عدم اطلاع دقیق از عوامل اثرگذار بر ثبت اطلاعات طیفی، توسعه‌ی الگوریتمی مبتنی بر روش تخمین مولفه‌های واریانس بعنوان راهکار تنظیم وزن باندهای طیفی در دستورکار این تحقیق قرار گرفته است. از سوی دیگر، بکارگیری روش‌های تجزیه طیفی بمنظور آشکارسازی هدف مستلزم در اختیار بودن پاسخ طیفی عناصر پس‌زمینه علاوه بر رفتار طیفی اهداف می‌باشد. انتخاب نظارت نشده‌ی سیگنال‌های مرتبط با عناصر پس‌زمینه، روش رایج در این زمینه بوده که دومین راهکار توسعه یافته در این مقاله بمنظور بهبود دقت آشکارسازی هدف به آن پرداخته است. یافتن عناصر پس‌زمینه بصورت مجزا برای خوشه‌های فضای ویژگی و بکارگیری آنها بعنوان پس‌زمینه‌های هر خوشه در روند آشکارسازی هدف، راهکار اتخاذ شده در این زمینه می‌باشد. اینکار با جلوگیری از حضور عناصرخالص غیر مرتبط در هر خوشه، منجر به بهبود عملکرد فرایند تجزیه طیفی بمنظور آشکارسازی هدف شده است. راهکارهای پیشنهادی در روش‌های آشکارسازی هدف uclsu، sclsu، nclsu و fclsu پیاده‌سازی شده و نتایج حاکی از موفقیت آنها در بهبود دقت فرایند آشکاسازی هدف بوده است. نتایج نشان دادند که در بهترین انتخاب برای تعداد خوشه‌ها و تعداد عناصر پس زمینه، افزایش دقتی تا 17 درصد در نتایج آشکارسازی هدف قابل تامین خواهد بود.

Target Detection Improvements in Hyperspectral Images by Adjusting Band Weights and Identifying end-members in Feature Space Clusters

Spectral target detection could be regarded as one of the strategic applications of hyperspectral data analysis. The presence of targets in an area smaller than a pixel rsquo;s ground coverage has led to the development of spectral unmixing methods to detect these types of targets. Usually, in the spectral unmixing algorithms, the similar weights have been assumed for spectral bands. However, the various uncertainties such as the different effects of the atmospheric conditions and the relative radiometric calibration of the sensor lead to differentiations data recorded in each band. So, the Modification of the weights of the spectral bands is the first objective of this paper in order to improve the accuracy of target detection in the spectral unmixing process. Considering the complexities of direct estimation of the band weights, an algorithm based on the Variance Component Estimation (VCE) is proposed to optimize the weights of the spectral bands. On the other hand, in addition to the availability of target spectrums, the spectral response of the backgrounds is a necessity to perform reliable target detection. The unsupervised detection of the background endmembers is known as the popular way of doing that. The second contribution of this paper is the proposal of clusterbased background detection to be used in the target detection process. It prevents the presence of the unrelated endmembers in each cluster which has improved the spectral unmixing for target detection. The proposed methods have been implemented in the target detectors of Unconstrained Linear Spectral Unmixing (UCLSU), Sum to one Constrained Linear Spectral Unmixing (SCLSU), Nonnegativity Constrained Linear Spectral Unmixing (NCLSU), and Fully Constrained Linear Spectral Unmixing (FCLSU). The results indicate their success in the improvement of the target detection accuracies. Considering the best choice on the number of spectral clusters and the number of background endmembers, accuracy improvement of up to 17 percent in the target detection has occurred.