پایان نامه با واژه های کلیدی پوشش گیاهی، هنجارسازی، پردازش تصویر

از حذف این خطاها، تصاویر برای انجام پردازش‌های اصلی آماده می‌شوند.
2- مرحله پردازش، که اصلیترین مرحله است، در دو نوع داده پایه (تصویر پایه) و طیف پایه انجام می‌شود و یکی از مهمترین اهداف آن طبقه بندی است.
3- مرحله بعد از پردازش، مطالعه و بررسی کار انجام شده در مرحله قبل است تا معلوم شود چقدر با واقعیت زمینی سازگار است؛ در واقع نوعی ارزیابی صحت می‌باشد.
4-2-1-پیش پردازش داده‌های بازتابی استر
معمولا شامل دو کار اصلی است: تصحیح جوی و تصحیح هندسی.
در این پژوهش فقط تصحیح جوی بر روی تصویر منطقه مورد نظر انجام شد.
4-2-1-1-تصحیح جوی
برهمکنش امواج الکترومغناطیس با جو زمین سبب افزایش یا کاهش بازتاب های واقعی سطح زمین می‌شود. وجود مشکلاتی از قبیل پخش، پراکنش جوی، اثرات توپوگرافی و بازتاب پیکسل‌های مجاور سبب شده که ارزش عددی هر پیکسل در تصاویر ماهواره‌ای، مجموعه ای از تابش های جوی، بازتاب پیکسل معین و بازتاب پیکسل‌های مجاور باشد. روش‌های مختلفی برای حذف این اثرات وجود دارد؛ در این تحقیق از روش تصحیح جوی میانگین بازتاب نسبی درونی (بازتاب نسبی متوسط داخلی) استفاده شده‌است. این نوع تصحیح جوی، روش کالیبرهای است که برای بهنجارسازی تصاویر نسبت به طیف میانگین صحنه بکار می‌رود و موثرترین تکنیک برای بهنجارسازی داده‌های طیفی تصویر در مناطق خشک و نیمه خشک است که پوشش گیاهی بسیار کم می‌باشد و یا اصلا وجود ندارد؛ همچنین برای داده‌های ابرطیفی وقتی که اطلاعات زمینی وجود نداشته یا کم باشد استفاده می‌شود. اساس این کالیبراسیون محاسبه طیف میانگین برای صحنه مورد نظر و استفاده از آن به عنوان طیف مرجع است. طیف بازتابی میانگین صحنه مورد مطالعه، محاسبه شده و سپس به طیف هر پیکسل تقسیم می‌شود. بدین ترتیب تصویر مورد نظر نسبت به بازتاب نسبی نرمال می‌شود.
به منظور درستی آزمایی این روش، منحنی طیفی پوشش گیاهی از منطقه، قبل و بعد از تصحیح جوی استخراج و سپس با منحنی طیفی یک نوع گیاه سبزینه دار متعلق به کتابخانه طیفی مقایسه شد (شکل 4-1). این بررسی نشان داد که طیف پوشش گیاهی بعد از اجرای نرمالسازی بازتاب نسبی، بیشترین شباهت را به طیف پوشش گیاهی کتابخانه طیفی دارد. بنابراین درستی و صحت این روش تایید می‌شود.
شکل 4-1- الف) طیف پوشش گیاهی قبل از تصحیح جوی IARR، ب) طیف پوشش گیاهی بعد از تصحیح جوی IARR، ج) طیف پوشش گیاهی زیتون روسی، برگرفته از کتابخانه طیفی.
4-2-2-پردازش اصلی دادههای بازتابی استر
همانطور که گفته شد، پردازش داده‌های ماهواره‌ای در دو نوع طیف پایه و تصویر پایه است. هدف از پردازش تصویر پایه شناخت اولیه از تنوع رخنمون‌های سنگی موجود در منطقه است. این نوع پردازش‌ها، پیکسل‌ها را بر اساس درجه روشنایی یا سپیدایی ردهبندی می‌کنند. از جمله روش‌های تصویر پایه تحلیل مولفه اصلی (PCA)، کسر کمترین نوفه (MNF)، نسبتگیری باندی (BR) و گرفتن ترکیب رنگی است. در پردازش‌های طیف پایه، اساس کار معرفی یک طیف به عنوان طیف مرجع است. طیف مرجع می‌تواند طیف تصویر، طیف کتابخانه و یا طیف نمونه‌های صحرائی باشد. انطباق سیمای طیفی (SFF)، نقشه بردار زاویه طیفی (SAM)، عدم اختلاط طیفی خطی (LSU) و پالایش تطبیقی تنظیم شده آمیخته (MTMF) از جمله روش‌های پردازش طیف پایه می‌باشند.
4-2-2-1-الگوریتم تصویرپایه تحلیل مولفه‌های اصلی (PCA)
هدف این الگوریتم استخراج اطلاعات مناسب از باندهای مختلف است و داده‌های حشو را از بین اطلاعات موجود در میان باندهای مختلف حذف می‌کند.
تبدیل یا تحلیل مولفه‌های اصلی به منظور تولید باندهای خروجی غیروابسته به کار می‌رود تا مولفه‌های نویز را تفکیک کرده و ابعاد مجموعه داده‌ها را کاهش دهد، زیرا باندهای داده‌های چند طیفی اغلب به شدت همبسته اند. این کار با یافتن یک مجموعه جدید از محورهای عمود برهم انجام می‌شود که مبداءشان در میانگین است و به گونه‌ای دوران کرده‌اند که واریانس داده‌ها به حداکثر رسیده است. باندهای PC ترکیبات خطی از باندهای طیفی اصلی بوده و غیر همبسته می‌باشند.
ضریب همبستگی بین 9 باند استر (SWIR + VNIR) به طور کل بزرگتر از 9/0 است. با اجرای این الگوریتم به روی 9 باند استر داده‌ها غیر همبسته شده و ابعاد مطالعه کاهش می یابد. هر مولفه PCA شامل یک سهم نسبی از اطلاعات هر باند است. اولین مولفه حاوی بیشترین درصد از واریانس داده‌هاست. دومین مولفه حاوی دومین واریانس بزرگ است و به همین ترتیب آخرین باندهای PC نویزدار ظاهر می‌شوند، زیرا آنها دارای واریانس بسیار کمی هستند که بیشتر آن به دلیل نویز در داده‌های طیفی اصلی است. باندهای مولفه‌های اصلی نسبت به تصاویر ترکیب رنگی طیفی، تصاویر ترکیب رنگی رنگارنگ بیشتری تولید می‌کند، زیرا داده‌ها غیر همبسته اند.
4-2-2-2-اجرای پردازش تحلیل مولفه‌های اصلی به روی داده خام
این الگوریتم نیاز به تصحیح جوی نداشته، بنابراین بر روی داده‌های بازتابی خام اجرا می‌شود. به منظور بارزسازی پدیده ای خاص، بایستی رفتار طیفی پدیده مورد نظر را در باندهای مختلف دانست و سپس با توجه به آن، مولفه‌هایی را انتخاب و بارگذاری کرد که دارای بیشترین اختلاف در باندهای مورد نظر هستند. در این پردازش از مولفه‌های مختلف ترکیب رنگی گرفته شد که در نهایت ترکیب رنگی PC1، PC2 و PC3 به صورت RGB به عنوان بهترین ترکیب رنگی که واحدهای منطقه را بارز می‌کند، شناخته شد. همانطور که در شکل (4-2) ملاحظه می‌کنید 5 واحد اصلی مشخص شده که با توجه به مشاهدات میدانی رنگ زرد مربوط به مخلوط انیدریت و سنگ نمک، رنگ قرمز مربوط به مخلوط هالیت و آهک، رنگ آبی و بنفش مربوط به ماسه‌سنگ‌های کربناتی و سیلت‌سنگ‌های سبز توف زاد و رنگ فیروزهای مربوط به گلسنگ‌های آهکی گنبد می‌باشد.
شکل 4-2- تصویر ترکیب رنگی از مولفه‌های 1، 2 و 3 به صورت RGB.
4-2-2-3-الگوریتم طیف پایه انطباق سیمای طیفی (SFF)
انطباق سیمای طیفی یک روش بر مبنای سیمای جذبی، به منظور انطباق طیف تصویر با عضوهای انتهایی مرجع با استفاده از تکنیک کمترین مربعات است (کلارک و همکاران، 1990، 1991، 1992؛ کلارک و سویز، 1995). به بیان سادهتر، این روش از راه ارزیابی سیماهای جذبی شاخص، طیف‌های مجهول را با طیف مرجع مقایسه و شباهت میان آنها را بررسی می‌کند. در انطباق سیمای طیفی عضوهای انتهایی مرجع از تصویر یا از یک کتابخانه طیفی انتخاب می‌شوند که هر دو طیف مرجع و ناشناخته پیوستار حذف شده دارند. هر طیف عضو انتهایی مرجع به منظور انطباق با طیف تصویر، بعد از حذف پیوستار از هر دو مجموعه داده، باید مقیاس بندی شود. تصویر مقیاس یک میزان از عمق سیمای جذبی است که مرتبط با فراوانی ماده می‌باشد. طیف تصویر و طیف مرجع در هر طول موج در مفهوم کمترین مربعات با یکدیگر مقایسه شده و خطای مربع میانگین ریشه برای هر طیف مرجع مشخص می‌شود. یک تصویر مقیاس و RMS و یا تصویر ترکیب شده این دو (Fit: Scale/RMS) به عنوان خروجی برای هر طیف مرجع خواهد بود. در تصویر Fit مقادیر بالاتر، انطباق بیشتری با طیف مرجع خواهند داشت.
در تصویر مقیاس پیکسل‌های روشن تر نشانه انطباق بهتر با ماده مرجع است (برای نواحی با خطای RMS پایین). در تصویر خطای مربع میانگین ریشه، پیکسل‌های تیره نشان دهنده خطای کم است. وقتی نتایج این دو تصویر با یکدیگر ترکیب شوند، می‌توانند به منظور تعیین نواحی که بهترین انطباق را با طیف مرجع دارند، مورد استفاده قرار گیرند؛ بدین منظور از نمودار پراکندگی دو بعدی که مقیاس را در برابر مربع میانگین ریشه قرار می‌دهد استفاده می‌شود. در این صورت بایستی دور ناحیه ای از این نمودار که مقادیر RMS پایین و Scale بالا دارد یک ROI کشیده تا پیکسل‌هایی که بیشترین انطباق را با طیف مرجع دارند، بارز شوند.
4-2-2-4-اجرای پردازش انطباق سیمای طیفی بر روی داده‌های بازتابی
در این پژوهش به منظور اجرای پردازش طیف پایه انطباق سیمای طیفی، از طیف‌های استخراج شده از تصویر به روش PPI و Z-Profile و همچنین از طیف نمونه‌های صحرایی به عنوان عضو انتهایی مرجع استفاده شد.
4-2-2-4-1- اجرای الگوریتم SFF با استفاده از طیف نمونه سنگ‌های گنبد
در این پردازش از هر 5 گروه سنگی (که در فصل 3 مشخص و به آنها پرداخته شد)، یک طیف از سطح هوازده نمونه خالص آن گروه که بیشترین فراوانی و گستردگی را در محدوده گنبدنمکی داشتند، انتخاب و به عنوان طیف مرجع به الگوریتم معرفی شد. این نمونه سنگ‌ها شامل نمونه S65 نماینده طیف انیدریتها، S41 نماینده طیف آهک‌ها، S7 نماینده طیف ماسه‌سنگ‌ها، 17S به عنوان طیف یک سنگ آذرآواری و S3 نماینده آندزیتها و دیابازهای گنبد می‌باشند. در شکل (4-3) منحنی طیفی این نمونه‌ها آورده شده‌است. در این خروجی تنها موقعیت کلاس انیدریت تا حدودی با واقعیت میدانی مطابقت دارد. از آنجائیکه منحنی طیفی نمونه S7 و S3 بسیار شبیه هم است، بنابراین نرم افزار در بسیاری نقاط قادر به تفکیک ماسه‌سنگ‌ها از آندزیتها و دیابازهای منطقه نشده و در نتیجه بیشتر مساحت گنبد را با رنگ قرمز و به عنوان آندزیت بارز کرده که با واقعیت میدانی سازگار نیست. واحدهای آهکی گنبد با رنگ زرد و تنها در قالب چند پیکسل بارز شده‌اند که دیده نمی شود. اما سنگ‌های آذرآواری همانطور که در بازدیدهای میدانی دارای رخنمون قابل مشاهدهای نبودند، در تصویر این خروجی نیز در حد چند پیکسل ظاهر شده‌اند (شکل 4-4).

این نوشته در No category ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.

دیدگاهتان را بنویسید