Dergiler / Çukurova Üniversitesi Mühendislik Fakültesi dergisi / 2020 / Cilt: 35 - Sayı: 4

LiDAR Verisi Yardımıyla Otomatik Dalga Boyu Bandı Yaklaşımı Kullanılarak Hiperspektral Görüntülerde Spektral Değişkenliğin Azaltılması

LiDAR-aided Spectral Variability Decreasing in Hyperspectral Imagery Based on an Automated Waveband Selection Approach

Sayfa
983–992
Yayın Tarihi
2020-12-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Deneysel çalışmalar simulasyon ve gerçek veri setleri üzerinde gerçekleştirilmiş ve spektral değişkenliğin her iki veri setinde de azaltıldığı görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Hiperspektral (HS) ve kızılötesi (Light Detection and Ranging-LiDAR) algılayıcıları en yeni uzaktan algılama teknolojilerindendir.
📊
Temel Bulgular & Veri:Bu spektral değişkenlik hiperspektral görüntü analizinde ciddi bolluk değeri tahminleme hatalarına sebep olabilmektedir.
💡
Sonuç & Katkı:Deneysel çalışmalar simulasyon ve gerçek veri setleri üzerinde gerçekleştirilmiş ve spektral değişkenliğin her iki veri setinde de azaltıldığı görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Hyperspectral (HS) görüntü · kızılötesi (Light Detection and Ranging-LiDAR) verisi · spektral değişkenlik

Özet

Hiperspektral (HS) ve kızılötesi (Light Detection and Ranging-LiDAR) algılayıcıları en yeni uzaktan algılama teknolojilerindendir. Son yıllarda, hiperspektral karışım giderimi analizi uzaktan algılama uygulamalarında büyük bir önem kazanmıştır. Spektral değişkenlik hiperspektral görüntülerde bazı nedenlerden dolayı meydana gelebilmektedir. Bu spektral değişkenlik hiperspektral görüntü analizinde ciddi bolluk değeri tahminleme hatalarına sebep olabilmektedir. LiDAR algılayıcısı spektral değişkenlikten etkilenmeyen Dijital Yüzey Modeli (DSM) bilgisini sunmaktadır. Bu çalışmada, hiperspektral görüntülerde spektral değişkenliği azaltmak için Kararlı Bölge Karışım Giderimi (Stable Zone Unmixing–SZU) yaklaşımı LiDAR-DSM verisinin kümeleme bilgisi kullanılarak uygulanmıştır. Deneysel çalışmalar simulasyon ve gerçek veri setleri üzerinde gerçekleştirilmiş ve spektral değişkenliğin her iki veri setinde de azaltıldığı görülmüştür.

Abstract

Hyperspectral (HS) and Light Detection and Ranging (LiDAR) sensors are the two of the newest remote sensing technologies. In recent decades, hyperspectral unmixing analysis has achieved a great importance in remote sensing applications. Spectral variability can occur in hyperspectral images due to some reasons. This spectral variability can cause serious abundance estimation errors in hyperspectral image analysis. On the other hand, LiDAR data provides the Digital Surface Model (DSM) data that does not affected by spectral variability. In this study, in order to decrease the spectral variability on hyperspectral imagery, Stable Zone Unmixing (SZU) approach is used by segmenting of LiDAR-DSM information. Experimental results are carried out on simulation and real data sets and spectral variability is reduced in both images.

🔖

Bu Makaleye Atıf Yap

KAHRAMAN, S. (2020). LiDAR Verisi Yardımıyla Otomatik Dalga Boyu Bandı Yaklaşımı Kullanılarak Hiperspektral Görüntülerde Spektral Değişkenliğin Azaltılması. Çukurova Üniversitesi Mühendislik Fakültesi dergisi, Cilt: 35 - Sayı: 4, 983–992. https://ajindex.com/articles/715364

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Hu, Y.H., Lee, H.B., Scarpace, F.L., 1999. Optimal Linear Spectral Unmixing. IEEE, Transactions on Geoscience and Remote Sensing, 37(1), 639 – 644
  2. Keshava, N., Mustard, J.F., 2002. Spectral unmixing. IEEE Signal Processing Magazine,19(1), 44-57
  3. Somers, B., Delalieux, S., Verstraeten, W.W., van Aardt, J.A.N., Albrigo, G.L., Coppin, P., 2010. An Automated Waveband Selection Technique for 2010 Optimized Hyperspectral Mixture Analysis, International Journal of Remote Sensing, 31(20), 5549–5568
  4. Healey, G., Slater, D., 1999. Models and Methods for Automated Material Identification in Hyperspectral Imagery Acquired Under Unknown Illumination and Atmospheric Conditions. IEEE Trans. Geosci. Remote Sensing, 37(6), 2706–2717
  5. Adams, J., Sabol, D., Kapos, V., Filho, R., Roberts, D., Smith, M., Gillespie, A., 1995. Classification of Multispectral Images Based on Fractions of Endmembers: Application to Land-cover Change in the Brazilian Amazon. Remote Sensing Environ., 52(2), 137–154
  6. Drumetz, L., Veganzones, M.A., Henrot, S., Phlypo, R., Chanussot, J., Jutten, C., 2016. Blind Hyperspectral Unmixing Using an Extended Linear Mixing Model to Address Spectral Variability. IEEE Trans. Image Process., 25(8), 3890–3905
  7. Uezato, T., Fauvel, M., Dobigeon, N., 2019. Hyperspectral Unmixing with Spectral Variability Using Adaptive Bundles and Double Sparsity, IEEE Transactions on Geoscience and Remote Sensing 57(6), 3980-3992
  8. Zhang, J., Rivard, B., Sanchez-Azofeifa, A., Castro-Esau, K., 2006. Intra- and Inter-class Spectral Variability of Tropical Tree Species at La Selva, Costa Rica: Implications for species identification using HYDICE imagery. Remote Sensing of Environment, 105, 129−141
  9. Drumetz, L., Chanussot, J., Jutten, C., 2016. Variability of the Endmembers in Spectral Unmixing: Recent Advances. 8th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 1-5
  10. Somers, B., Asner, G.P., Tits, L., Coppin, P., 2011. Endmember Variability in Spectral Mixture Analysis: A review. Remote Sensing of Environment, Remote Sensing of Environment, 115, 1603–1616
  11. Zare, A., Ho, K.C., 2014. Endmember Variability in Hyperspectral Analysis: Addressing Spectral Variability During Spectral Unmixing. IEEE Signal Processing Magazine, 31(1), 95-104
  12. Theiler, J., Ziemann, A., Matteoli, S., Diani, M., 2019. Spectral Variability of Remotely Sensed Target Materials: Causes, Models, and Strategies for Mitigation and Robus