کاهش اثر دودهای رقیق و گسترده در تصاویر چندطیفی از طریق اعمال تکراری باقیمانده‌های تخمین‌ رگرسیونی به باندهای طیفی

 وقوع آتش‌سوزی‌های گسترده و برخاستن دودهای رقیق ناشی از آن یکی از اتفاقات پر تکرار در مناطق مختلف از سطح زمین محسوب می‌شود. پهنه‌بندی نواحی واقع در دود می‌تواند در شناسایی مناطق آلوده و مدیریت بحران مورد استفاده قرار گیرد. از سوی دیگر، باندهای طیفی مرئی در تصاویر ماهواره‌ای تحت تاثیر چنین پدیده‌هایی قرار داشته که وضوح این تصاویر را مخدوش می‌سازد. حذف اثر دود از تصاویر چندطیفی راهکاری مرسوم در افزایش وضوح تصاویر در این مناطق تلقی می‌شود. در این مقاله راهکاری تکراری مبتنی بر مدل‌های رگرسیونی بمنظور کاهش اثر دودهای رقیق از تصاویر چندطیفی پیشنهاد شده است. ایده این روش از بروز باقیمانده‌های بزرگ در بازسازی باندهای طیفی متاثر از دودهای رقیق، هنگام بکارگیری سایر باندهای طیفی در مدل‌های رگرسیونی بوجود آمده است. در روش پیشنهادی باقیمانده‌های مربوط به مدل‌های رگرسیونی پس از پالایش و محلی‌سازی به نواحی آلوده به دود اعمال شده و مشاهدات طیفی این نواحی در باندهای متاثر از دود اصلاح می‌شوند. این روش ماهیتی تکراری داشته و در هر تکرار سهمی از اثرات دود در نواحی آلوده حذف می‌گردد. این راهکار ضمن حفظ محتوای رادیومتریکی در مناطق پاک تصویر، افزایش محسوس وضوح در مناطق آلوده به دود را بهمراه داشته است. نتایج بکارگیری این روش در تاثیرپذیرترین باندهای طیفی حاکی از افزایش ضرایب همبستگی میان تصاویر اصلاح شده و تصاویر عاری از دود بوده که مقدار عددی آن بطور متوسط 14/2 درصد براورد شده است. این روش صرفاً در مورد دودهای رقیق با زمینه قابل رویت قابل استفاده است.

widespread dilute smoke correction in the multispectral images through iteratively applying the regression estimated residuals to spectral bands

 widespread wildfires and the resulting smoke are a common occurrence in various regions of the earth’s surface. identification of the contaminated areas and crisis management requires the classification of areas affected by smoke. on the other hand, visible spectral bands in satellite images are affected by such phenomena, which blur the clarity of these images.  to address this issue, a repetitive regression-based method is proposed in order to reduce the impact of dilute smoke on multispectral images. the occurrence of large residuals when the affected bands are estimated with the non-affected bands is the motivation for designing this method. the method involves iteratively applying residuals from regression models to probable smoke areas after refinement and localization, which corrects spectral observations in affected bands. this solution maintains radiometric content in clean image areas and significantly improves image clarity in smoke-contaminated areas. the results show quantitative improvement in the correlation between corrected images and smoke-free images in the most affected spectral bands, averaging 14.2 percent. this method can only be used for dilute smoke with a visible background.