مقایسه روش های تلفیق مبتنی بر PCA و IHS به منظور تلفیق تصاویر هایپریون و Cartosat-۱

Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 208

This Paper With 14 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_GIS-8-4_002

تاریخ نمایه سازی: 16 آبان 1400

Abstract:

برای بهره مندی هم زمان از اطلاعات داده های چندمنبعی، از تکنیک های عددی یا تحلیلی تلفیق استفاده می شود. تلفیق باعث تفسیر بهتر، کاهش ابهام و بهبود طبقه بندی می شود. روش های گوناگونی برای تلفیق گسترش داده شده است؛ ازجمله روش های مبتنی بر IHS، Wavelet و PCA. در این پژوهش، قابلیت روش های تلفیق مبتنی بر IHS و روش های تلفیق مبتنی بر PCA بررسی شده است. در این راستا، از روش های FFT-PCA، Wavelet-PCA، Wavelet-IHS و FFT-IHS برای تلفیق روی داده های Hyperion L۱R با اندازه پیکسل ۳۰ متر و تصویر پانکروماتیک سنجنده Cartosat-۱ با اندازه پیکسل ۵/۲ متر استفاده شده است. همچنین برای ارزیابی نتایج این روش ها، معیارهای ضریب همبستگی، ضریب همبستگی فیلتر شده، خطای کمترین مربعات و شاخص ERGAS و معیار SAM به کار رفته است. نتایج معیار خطای کمترین مربعات به ترتیب برای FFT-PCA، Wavelet-PCA، Wavelet-IHS و FFT-IHS برای باند ۱۵ برابر با ۰۲۰/۰، ۰۲۲/۰ و ۰۲۵/۰ و ۰۲۴/۰، برای باند ۲۵ برابر با ۰۳۲/۰ و ۰۳۵/۰ و ۰۳۸/۰ و ۰۳۶/۰، و برای باند ۳۴ عبارت اند از ۰۴۰/۰ و ۰۴۳/۰ و ۰۴۴/۰ و ۰۴۱/۰. نتایج این معیار و نیز دیگر معیارها بیانگر دقت بالای روش های مبتنی بر PCA در تلفیق تصاویر بود. درواقع روش های مبتنی بر PCA مزایایی بیشتر از روش های مبتنی بر IHS دارد؛ مانند نداشتن محدودیت باندی. از بین تمامی این روش ها نیز، روش FFT-PCA و Wavelet-PCA دارای نتایج دقیق تر و بهتری بود و در حفظ اطلاعات طیفی و مکانی عملکردی بهتر از دیگر روش ها دارد.

Keywords:

تلفیق تصاویر-FFT-PCA - Wavelet-PCA- IHS- PCA-هایپریون- Cartosat-۱

Authors

مرتضی بشیرپور

دانشجوی کارشناسی ارشد سنجش از دور، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی

محمد جواد ولدان زوج

استاد دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی

یاسر مقصودی

استادیار دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Al-Wassai, F.A. & Kalyankar, D.N., ۲۰۱۲, A Novel Metric Approach ...
  • Carper, W.J., ۱۹۹۰, The Use of Intensity-Hue-Saturation Transformations for Merging ...
  • Chavez, P., Sides, S.C. & Anderson, J.A., ۱۹۹۱, Comparison of ...
  • Fountanas, L., ۲۰۰۴, Principal Components Based Techniques for Hyperspectral Image ...
  • Gharbia, R., Azar, A.T., Baz, A.E. & Hassanien, A.E., ۲۰۱۴, ...
  • Gonzalez-Audicana, M., Saleta, J.L., Catalan, R.G. & Garcia, R., ۲۰۰۴, ...
  • Goodenough, D.G., Dyk, A., Niemann, K.O., Pearlman, J.S., Chen, H., ...
  • Ling, Y., Ehlers, M., Usery, E.L. & Madden, M., ۲۰۰۷, ...
  • Pajares G. & De La Cruz, J.M., ۲۰۰۴, A Wavelet-Based ...
  • Pohl, C., Van Genderen, J. L., ۱۹۹۸, Multisensor Image Fusion ...
  • Pohl, C. & Van Genderen, J.L., ۱۹۹۸, Review Article Multisensor ...
  • Shahdoosti, H.R. & Ghassemian, H., ۲۰۱۲, Spatial PCA as a ...
  • Shahdoosti, H.R. & Ghassemian, H., ۲۰۱۶, Combining the Spectral PCA ...
  • Strait, M., Rahmani, S. & Merkurev, D., ۲۰۰۸, Evaluation of ...
  • Su, L., Liu, X., Wang, X. & Jiang, N., ۲۰۰۸, ...
  • Yang, C., Everitt, J.H. & Bradford, J.M., ۲۰۰۸, Yield Estimation ...
  • Yang, S., Zeng, L., Jiao, L. & Xiao, J., ۲۰۰۷, ...
  • Zhang Y. & Hong, G., ۲۰۰۵, An IHS and Wavelet ...
  • نمایش کامل مراجع