استفاده از متغیرهای جذبی طیفی به‌منظور برآورد سریع نوفه در تصاویر ابرطیفی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه آبادانی و توسعه، همدان، ایران

2 دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.

3 دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

چکیده

برآورد نوفه موجود در تصاویر ابرطیفی یکی از راه‌های افزایش کیفیت اطلاعات استخراج شده و کاهش عدم قطعیت در نتایج است. تا‌کنون ساده­ترین روش به‌کار گرفته شده در برآورد نوفه در این تصاویر، استفاده از روش اختلاف شیفت بوده­ است، اما این روش دارای دو نقطه ضعف است؛ اولاً مبتنی بر این فرض است که پیکسل‌های همسایه دارای اطلاعات سیگنال یکسانی هستند که الزاما در داده­های ابرطیفی صدق نمی­کند، ثانیاً برای محاسبه صحیح نوفه نیازمند استفاده از مناطق همگن است که غالبا این مناطق به‌صورت نظارت شده، تعیین می‌شوند. در این پژوهش روشی جدید برای برآورد نوفه (NETAL) معرفی شده­ است. در این روش، با استفاده از فضای منحنی بازتابندگی طیفی مواد و  باندهای جذبی و محل قرارگیری و ژرفای این باندها در طیف هر پیکسل، تصویر ماهواره­ای به پهنه‌های همگنی تقسیم‌بندی شد. سپس در هر پهنه نوفه با استفاده از روش رگرسیون بین هر دو باند مجاور، محاسبه شده و در نهایت نوفه کل، از جمع نوفه در هریک از نواحی به‌دست آمد. برای ارزیابی نتایج از داده­های شبیه‌سازی شده و داده­های ابرطیفی واقعی استفاده شد. نتایج بهدست آمده نشان داد که برآورد نوفه توسط الگوریتم NETAL سریع‌تر و دقت برآورد آن برابر با الگوریتم رگرسیون چندگانه و در بعضی حالت‌ها بهتر از آن است.

کلیدواژه‌ها


عنوان مقاله [English]

Fast Noise Estimation in Hyperspectral Images Using Spectral Absorption Parameters

نویسندگان [English]

  • Y. Rezaei 1
  • M. R. Mobasheri 2
  • M. J. Valadanzouje 3
1 Abadani & Toseae University, Hamadan, Iran
2 Faculty of Geodesy & Geomatics, KNToosi University of Technology, Tehran, Iran
3 Faculty of Geodesy & Geomatics, KNToosi University of Technology, Tehran, Iran
چکیده [English]

Estimation of noise present in Hyperspectral images is a way to enhance the quality of the extracted information and to reduce the uncertainties in the results. The simplest method widely used in noise estimation is Shift Difference. This method has two weaknesses; first, it is based upon the assumption that the adjacent pixels have the same signal information which is not necessarily valid in hyperspectral data sets; second, in order to calculate the correct values of noise it needs homogeneous regions that is usually being determined by supervision. In this study, a new method in noise estimation (NETAL) is introduced. In this method the satellite images are divided into homogeneous regions using spectral absorption parameters such as location of absorption lines, width and depth of these absorption features for every individual pixels. Then in each region the noise was calculated using regression between adjacent bands and finally the total noise was estimated through accumulation of the calculated noises in each region. The NETAL algorithm was evaluated by using simulated and real hyperspectral data sets. The results show that the noise estimation by NETAL method is faster than Multiple Regression method while the accuracy will remain the same as and even better than the Multiple Regression method.

کلیدواژه‌ها [English]

  • Absorption parameters
  • Hyperspectral Image
  • Noise Estimation
 
References
Bioucas-Dias, J. E. M., Nascimento J. E. M. P., 2008- Hyperspectral Subspace Identification. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING,. 46(8):2435-2445. MATLAB code for windows
Connor, R. J. & Mosiman, J. E., 1969- Concepts of independence for proportions with a generalization of the Dirichlet distibution. Journal of the American Statistical Association 64: 194--206.
Gao, L. R. & Zhang, B., 2008- A New Operational Method for Estimating Noise in Hyperspectral Images., IEEE GEOSCIENCE AND REMOTE SENSING LETTERS 5(1): 83-87.
Green, R. O., Eastwood, M., 2001- Overview of AVIRIS Acquisitions in Argentina as Part of the NM EO-1 Campaign in 2001, Pasadena, CA : Jet Propulsion Laboratory, National Aeronautics and Space Administration.
Kruse, F. A. & Boardman, J. W. , 2002- Evaluation and Validation of EO-1 Hyperion for Geologic Mapping. IGARSS 2002, 24– 28 June 2002, Toronto, Canada.
Mather, P. M., 1999- Computer Processing of Remotely Sensed Images, John Wiley & Sons.
Nascimento, J. E. M. P., 2006- Unsupervised Hyperspectral Unmixing. Instituto Superior Tecnico, Universidade Tecnica De Lisboa. PhD Thesis.
Roger, R. E., Arnold, J. F., 1996- Reliably estimating the noise in AVIRIS hyperspectral images. Int. J. Remote Sens. 17(10): 1951-1962.
Swayze, G. A. & Clark, R. N., 1992- Ground-truthing aviris mineral mapping at cuprite, nevada. In Summaries of the Third Annual JPL Airborne Geosciences Workshop: 47-49.
Tsai, F. & Philpot, W., 1998- Derivative Analysis of Hyperspectral Data. REMOTE SENS. ENVIRON 66: 41-51.
Van der Meer, F., 2004- Analysis of spectral absorption features in hyperspectral imagery. International Journal of Applied Earth Observation and Geoinformation 5: 55–68.
Zhang, J. & Rivard, B., 2004- Derivative Spectral Unmixing of Hyperspectral Data Applied to Mixtures of Lichen and Rock. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING 42(9).