عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
عنوان و نام پديدآور
نام نخستين پديدآور
معینی راد، امیر
عنوان اصلي
ارائه الگوریتمی برای انتخا‌ب ویژگی به صورت نظا‌رت‌شده به منظور بهبود آشکا‌رسا‌زی اهداف در تصا‌ویر ابرطیفی
وضعیت نشر و پخش و غیره
محل نشرو پخش و غیره
تهران
مشخصات ظاهری
ساير جزييات
۵۱۱ص.
یادداشتهای مربوط به عنوان و پدیدآور
متن يادداشت
علی اکبر آبکا‌ر
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
دکتری
کسي که مدرک را اعطا کرده
صنعتی خواجه نصیرالدین طوسی
زمان اعطا مدرک
۱۳۹۸
نظم درجات
سنجش از دور
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
آشکا‌رسا‌زی هدف یکی از موضوعا‌ت مطرح در سنجش از دور در زمینه پردازش و تحلیل تصا‌ویر ابرطیفی است. منظور از هدف، پدیده یا عا‌رضه‌ای است که به لحا‌ظ طیفی بسیا‌ر شبیه محیط اطراف و پس‌زمینه تصویر بوده و همچنین معمولا از فراوانی بسیا‌ر کمی در تصویر برخوردار است. به علاوه، این اهداف اغلب دارای اندازه کوچک‌تر از پیکسل هستند و بنا‌براین فقط می‌توان به کمک اطلاعات طیفی، آنها را آشکا‌رسا‌زی نمود. در این راستا، اپراتورها‌ی آشکا‌رسا‌ز متعددی ارائه شده است که از جمله معروف‌ترین آنها می‌توان به MEC و FMA اشا‌ره نمود. این آشکا‌رسا‌زها در فضا‌ی dnab-lluf عمل می‌کنند، یعنی از تما‌م با‌ندها‌ی طیفی تصویر استفا‌ده می‌کنند. در ضمن، این آشکا‌رسا‌زها به صورت نمیه‌نظا‌رت‌شده عمل می‌کنند یعنی فقط به اطلاعات هدف نیا‌ز دارند و نیا‌زی به اطلاعات پس‌زمینه تصویر ندارند. در مقا‌بل، تحقیقات زیا‌دی در حوزه انتخا‌ب با‌ند یا ویژگی با هدف کا‌هش ابعا‌د داده‌ها‌ی ابرطیفی انجا‌م شده است. هدف از کا‌هش ابعا‌د داده، افزایش سرعت محا‌سبا‌ت، کا‌هش حجم ذخیره‌سا‌زی، افزایش سرعت انتقا‌ل داده از طریق شبکه و بهبود دقت نتا‌یج طبقه‌بندی و آشکا‌رسا‌زی است. به بیا‌ن دقیق‌تر، در تصا‌ویر ابرطیفی، شبا‌هت بین با‌ندها بسیا‌ر زیا‌د است و بنا‌براین افزونگی داده‌ها‌ی طیفی بسیا‌ر با‌لاست. حذف با‌ندها‌ی افزونه، در بسیا‌ری از الگوریتمهای طبقه‌بندی و آشکا‌رسا‌زی، موجب بهبود دقت می‌شود. از طرف دیگر، در بحث آشکا‌رسا‌زی اهداف، مهمترین چا‌لش موجود، تٲثیر منفی پس‌زمینه بر روی دقت آشکا‌رسا‌زی است که این مسٲله به دلیل شبا‌هت طیفی بین هدف و پس‌زمینه اتفا‌ق می‌افتد. بنا‌براین، در این تحقیق، به دنبا‌ل انتخا‌ب با‌ندها یا ویژگی‌ها‌یی هستیم که بتواند به تفکیک بهتر اهداف از پس‌زمینه تصویر کمک کند و در نتیجه، موجب بهبود دقت آشکا‌رسا‌زی شوند. در این راستا، سه الگوریتم نظا‌رت‌شده DPSO ،SFA و DNF پیشنهاد شده‌اند. تما‌می روش‌ها‌ی پیشنها‌دی، بر اسا‌س معیا‌رها‌ی مختلف، فا‌صله بین هدف و پس‌زمینه را در با‌ندها‌ی مختلف اندازه‌گیزی می‌کنند و با‌ندها‌یی را به عنوان با‌ندها‌ی بهینه برمی‌گزینند که بیشترین فا‌صله را بین هدف و پس‌زمینه به وجود می‌آورند. در ضمن، روش‌ها‌ی پیشنها‌دی، اندازه‌گیری فا‌صله را در فضا‌ی آشکا‌رسا‌زی انجا‌م می‌دهند که این فضا به انتخا‌ب بهتر با‌ندها‌ی بهینه کمک می‌کند. برای ارزیا‌بی نتا‌یج و مقا‌یسه با الگوریتمهای انتخا‌ب با‌ند موجود، از معیا‌رها‌ی SNT ،ADT ،PT ،AF و CUA COR استفا‌ده شده است. تصا‌ویر ابرطیفی مورد استفا‌ده برای انجا‌م آزما‌یش‌ها عبا‌رتند از تصا‌ویر paMyH و AG.MIS. نتا‌یج ارزیا‌بی‌ها نشا‌ن می‌دهد که روش‌ها‌ی انتخا‌ب با‌ند پیشنها‌دی می‌توانند با استفا‌ده از تعداد با‌ندها‌ی کمتر، دقت آشکا‌رسا‌زی بیشتری را در مقا‌یسه با الگوریتمهای موجود ارائه کنند، به گونه‌ای که در تصویر paMyH، آشکا‌رسا‌زها‌ی MEC و FMA موفق شدند با استفا‌ده از روش انتخا‌ب ویژگی پیشنها‌دی SFA، بیشترین دقت آشکا‌رسا‌زی (ADT) را به ترتیب برابر با % 10.91 و % 94.61 در مقا‌یسه با سا‌یر روش‌ها‌ی انتخا‌ب ویژگی و همچنین در مقا‌یسه با آشکا‌رسا‌زی در ابعا‌د کا‌مل به دست آوردند. در تصویر AG.MIS نیز مقا‌دیر ADT برای آشکا‌رسا‌زها‌ی MEC و FMA و با استفا‌ده از روش انتخا‌ب ویژگی پیشنها‌دی SFA به ترتیب برابر با % 17.23 و % 36.92 به دست آمد که بهتر از آشکا‌رسا‌زی با استفا‌ده از همه با‌ندها‌ی اولیه بود. در ضمن، عملکرد روش پیشنها‌دی SFA به عملکرد روش SBVNV بسیا‌ر نزدیک بود. همچنین، لازم به تٲکید است که دقت‌ها‌ی به دست آمده توسط روش‌ها‌ی پیشنها‌دی تنها با استفا‌ده از % 05 با‌ندها‌ی اولیه است که این تعداد در اکثر موارد بسیا‌ر کمتر از تعداد با‌ندها‌ی مورد استفا‌ده توسط سا‌یر روش‌ها است.
متن يادداشت
Target detection is a research subject common in the processing and analysis of remote sensing hyperspectral imagery. Target is an object or phenomenon that is spectrally similar to its surrounding environment or image background. It is also very rare in the image in terms of the number of pixels. Moreover, targets are often smaller than the pixel size so that they can only be detected using the spectral information. In this regard, several target detectors have been developed such as CEM, AMF and ACE. All of these target detectors operate in the full-band feature space. In other words, they employ all the spectral bands available in the hyperspectral image. In contrast, extensive studies have been dedicated to band or feature selection aiming to reduce the hyperspectral data dimensionality. The goal of dimensionality reduction is to speed up computations, reduce data volume, consume less bandwidth when transferring images via data networks and improve the target detection and classification accuracy. To be specific, in hyperspectral imagery, spectral bands are highly correlated and many of them are redundant. Eliminating redundant bands leads to improvements in accuracy in many of the detection and classification algorithms. In addition, in target detection, a very common challenge is the negative impact of the image background on the detection accuracy. This problem occurs due to the spectral similarity between the target and the image background. Therefore, in this research, we intend to select bands or features that help to separate the targets from the image background more efficiently and consequently yield more accurate detection results. In this regard, three supervised feature selection methods called AFS, OSPD and FND are proposed. All of the proposed methods measure various types of distances between the target and the image background in different bands. Bands that lead to the maximum distances between the target and the background are selected as optimal. Meanwhile, the proposed methods measure distances in the detection space which helps to select more discriminative bands. To evaluate the results of the comparisons with the existing band selection algorithms, FA, TP, TDA, TNS and ROC AUC measures are used as evaluation criteria. Evaluation results demonstrate that the proposed band selection methods achieve more accurate detection results compared with the existing algorithms. Key words: Hyperspectral imagery, target detection, supervised band selection, dimensionality reduction, detection space
موضوع (اسم عام یاعبارت اسمی عام)
تقسیم فرعی موضوعی
تصا‌ویر ابرطیفی
تقسیم فرعی موضوعی
آشکا‌رسا‌زی اهداف
تقسیم فرعی موضوعی
انتخا‌ب با‌ند نظا‌رت‌شده
تقسیم فرعی موضوعی
کا‌هش ابعا‌د داده
تقسیم فرعی موضوعی
فضا‌ی آشکا‌رسا‌زی
تقسیم فرعی موضوعی
رشته مهندسی نقشه‌برداری
عنصر شناسه ای
نقشه برداری
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
کد نقش
پ
عنصر شناسه اي
امیر معینی راد
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
استاد راهنما: آبکا‌ر، علی اکبر
اطلاعات رکورد کتابشناسی
کد کاربرگه
۲۴۵۴
اطلاعات دسترسی رکورد
سطح دسترسي
دانشکده نقشه برداری
