طراحی سامانة آشکارسازی هدف در مناطق بومی ایران: مطالعة موردی آبادان و اهواز، با استفاده از تصاویر ماهواره‌ای چندطیفی لندست 8 و سنتینل 2

نوع مقاله : علمی- ترویجی

نویسنده

گروه مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس

چکیده

تصاویر ابرطیفی اطلاعات طیفی با ارزشی را جهت آشکارسازی هدف فراهم می‌کنند، ولی از آن جاکه این تصاویر برای مناطق ایران در دسترس نیستند. بنابراین، در این پژوهش از تصاویر چندطیفی با حدودا 10 باند طیفی استفاده شده است. با توجه به تفاوت‌های بین تصویر ابرطیفی و چندطیفی، نیاز به طراحی یک سامانة مناسب جهت انتخاب و تطبیق آشکارساز مناسب برای تصاویر چندطیفی احساس می‌شو. در این مقاله، یک روش سازمان یافته جهت ارزیابی روش‌های آشکارسازی هدف تصاویر ابرطیفی استفاده و یک سامانة آشکارسازی هدف طراحی شده است. طبق این سامانه بررسی می‌شود که کدام یک از آشکارسازها می‌تواند انتخاب مناسبی جهت اعمال بر روی تصاویر چندطیفی ایران باشد. جهت این امر دو ماهواره لندست 8 و سنتینل 2 را به ترتیب برای تصاویری از مناطق آبادان و اهواز مورد استفاده قرار گرفته‌اند. طبق نتایج آزمایش‌ها، آشکارساز نگاشت زاویة طیفی بر مبنای کرنل، در آشکارسازی بسیاری از اهداف با استفاده از تصاویر چندطیفی عملکرد مناسب‌تری از خود نشان می‌دهد. ‌‌

کلیدواژه‌ها


 
[1]       Manolakis, D., Marden, D., and Shaw, G. A., “Hyperspectral Image Processing for Automatic Target Detection Applications”, Lincoln Lab. J., Vol. 14, No. 1, pp. 79–116, 2003.
[2]       Ma, L., Crawford, M.M., and Tian, J., “Local Manifold Learning Based K-nearest-neighbor for Hyperspectral Image Classification”, IEEE Trans. Geosci. Remote Sens., Vol. 48, No. 11, pp. 4099–4109, 2010.
[3]       Sakla, W., Chan, A., Ji, J., and Sakla, A., “A SVDD-based Algorithm for Target Detection in Hyperspectral Imagery”, IEEE Geosci. Remote Sens. Lett., Vol. 8, No. 2, pp. 384–388, 2011.
[4]       Imani, M., “Anomaly Detection from Hyperspectral Images, Using Clustering Based Feature Reduction”, Journal of the Indian Society of Remote Sensing, Vol. 46, No. 9, pp.1389–1397, 2018.
[5]       Du, B. and Zhang, L., “A Discriminative Metric Learning Based Anomaly Detection Method”, IEEE Trans. Geosci. Remote Sens., Vol. 52, No. 11, pp. 6844–6857, 2014.
[6]       Zhao, R., Du, B., and Zhang, L., “Hyperspectral Anomaly Detection via a Sparsity Score Estimation Framework”, IEEE Trans. Geosci. Remote Sens., Vol. 55, No. 6, pp. 3208-3222, 2017.
[7]       Imani, M., “Attribute Profile Based Target Detection Using Collaborative and Sparse Representation”, Neurocomputing, Vol. 313, pp. 364–376, 2018.
[8]       Reed, I.S. and Yu, X., “Adaptive Multiple-band Cfar Detection of an Optical Pattern with Unknown Spectral Distribution”, IEEE Trans. Acoust., Speech Signal Process., Vol. 38, No. 10, pp. 1760–1770, Oct. 1990.
[9]       Guo, Q., Zhang, B., Ran, Q., Gao, L., Li, J., and Plaza, A., “Weighted- Rxd and Linear Filter-based RXD: Improving Background Statistics Estimation for Anomaly Detection in Hyperspectral Imagery”, IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., Vol. 7, No. 6, pp. 2351–2366, 2014.
[10]    Kwon, H. and Nasrabadi, N.M., “Kernel RX-algorithm: A Nonlinear Anomaly Detector for Hyperspectral Imagery”, IEEE Trans. Geosci. Remote Sens., Vol. 43, No. 2, pp. 388–397, 2005.
[11]    Schaum, A.P., “Hyperspectral Anomaly Detection Beyond RX”, Proc. SPIE, Vol. 6565, Art., No. 656502, 2007.
[12]    Li, W. and Du, Q., “Collaborative Representation for Hyperspectral Anomaly Detection”, IEEE Trans. Geosci. Remote Sens., Vol. 53, No. 3, pp. 1463–1474, 2015.
[13]    Li, J., Zhang, H., Zhang, L., and Ma, L., “Hyperspectral Anomaly Detection by the Use of Background Joint Sparse Representation”, IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., Vol. 8, No. 6, pp. 2523–2533, 2015.
[14]    Xu, Y., Wu, Z., Li, J., Plaza, A., and Wei, Z., “Anomaly Detection in Hyperspectral Images Based on Low-rank and Sparse Representation”, IEEE Trans. Geosci. Remote Sens., Vol. 54, No. 4, pp. 1990–2000, 2016.
[15]    Zhang, Y., Du, B., Zhang, L., and Wang, S., “A Low-rank and Sparse Matrix Decomposition-based Mahalanobis Distance Method for Hyperspectral Anomaly Detection”, IEEE Trans. Geosci. Remote Sens., Vol. 54, No. 3, pp. 1376–1389, 2016.
[16]    Ning, M., Yu, P., Shaojun, W., and Wei, G., " A Weight Sae Based Hyperspectral Image Anomaly Targets Detection”, 2017 13th IEEE International Conference on Electronic Measurement & Instruments (ICEMI), Yangzhou, pp. 511-515, 2017.
[17]    Zhao, R., Du, B., Zhang, L., and Zhang, L., “Beyond Background Feature Extraction: an Anomaly Detection Algorithm Inspired by Slowly Varying Signal Analysis”, IEEE Trans. Geosci. Remote Sens., Vol. 54, No. 3, pp. 1757–1774, 2016.
[18]    Du, B., Zhao, R., Zhang, L., and Zhang, L., “A Spectral-spatial Based Local Summation Anomaly Detection Method for Hyperspectral Images”, Signal Process., Vol. 124, pp. 115–131, 2016.
[19]    Imani, M., “RX Anomaly Detector with Rectified Background”, IEEE Geoscience and Remote Sensing Letters, Vol. 14, No. 8, pp. 1313-1317, 2017.
[20]    Imani, M., “Difference Based Target Detection Using Mahalanobis Distance and Spectral Angle”, International Journal of Remote Sensing, 2018.
[21]    Kraut, S., Scharf, L.L., and McWhorter, L.T., “Adaptive Subspace Detectors”, IEEE Transactions on Signal Processing, Vol. 49, No. 1, pp. 1-16, 2001.
[22]    Chen, Y., Nasrabadi, N.M., Tran, T.D., “Sparse Representation for Target Detection in Hyperspectral Imagery”, IEEE Journal of Selected Topics in Signal Processing, Vol. 5, No. 3, pp. 629-640, 2011.
[23]    Robey, F.C., Fuhrmann, D.R., Kelly, E.J., and Nitzberg, R., “A CFAR Adaptive Matched Filter Detector”, IEEE Transactions on Aerospace and Electronic Systems, Vol. 28, No. 1, pp. 208-216, 1992.
[24]    Scharf, L.L. and Friedlander, B., “Matched Subspace Detectors”, IEEE Transactions on Signal Processing, Vol. 42, No. 8, pp. 2146-2157, 1994.
[25]    Harsanyi, J.C. and Chang, C.I., “Hyperspectral Image Classification and Dimensionality Reduction: an Orthogonal Subspace Projection Approach”, IEEE Transactions on Geoscience and Remote Sensing, Vol. 32, No. 4, pp. 779-785, 1994.
[26]    Kruse, F.A., Lefkoff, A.B., Boardman, J.W., Heidebrecht, K.B., Shapiro, A.T., Barloon, P.J., and Goetz, A.F.H., “The Spectral Image Processing System (SIPS) Interactive Visualization and Analysis of Imaging Spectrometer Data”, Remote Sensing of Environment, Vol. 44, No. 2, pp. 145-163, 1993.
[27]    Camps-Valls, G., “Kernel Spectral Angle Mapper”, Electronics Letters, Vol. 52, No.14, pp. 1218-1220, 2016.