Hiperspektral Ayrıştırma
Spectral Unmixing of Hyperspectral Imagery · Ayrıca şöyle bilinir: Spectral Mixture Analysis, Linear Spectral Unmixing, Blind Source Separation (Hyperspectral), Hiperspektral Ayrıştırma
Hiperspektral ayrıştırma, her bir hiperspektral görüntü pikselini, saf malzeme spektrumlarından (uç-bileşenler) ve bunların karşılık gelen kesirli bolluklarından oluşan bir koleksiyona ayıran bir sinyal işleme tekniğidir. Sensör çözünürlüğünün genellikle birden fazla arazi örtüsü türünün tek bir pikseli işgal etmesine neden olması nedeniyle, ayrıştırma geleneksel sınıflandırmanın yapamadığı piksel altı bileşim bilgilerini kurtarır. Keshava ve Mustard (2002), önceki jeolojik ve uzaktan algılama çalışmalarını titiz bir doğrusal karışım modeli altında birleştiren temel sinyal işleme çerçevesini sağlamıştır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sensörler, mineraller, bitki örtüsü türleri veya kentsel yüzeyler gibi ilgilenilen malzemeler arasındaki heterojenlik ölçeğinden daha kaba bir mekansal çözünürlükte sahneleri yakaladığında hiperspektral ayrıştırmayı kullanın. Doğrusal karışım modeli, ışığın malzemelerle tek seferlik etkileşimde bulunduğu durumlarda uygundur (yakın karışımlar doğrusal olmayan uzantılar gerektirir). Alternatifler arasında mekansal çözünürlük yeterli olduğunda piksel tabanlı sert sınıflandırıcılar veya çoklu saçılma hakim olduğunda doğrusal olmayan ayrıştırma yöntemleri bulunur. Yöntem, uç-bileşen sayısının belirtilmesini veya tahmin edilmesini gerektirir ve sahnede en azından yarı-saf piksel spektrumlarının bulunmasını gerektirir.
Güçlü yönler & sınırlılıklar
- Sert sınıflandırıcıların sağlayamadığı piksel altı malzeme oranlarını kurtarır.
- Yorumlanabilir çıktılar: uç-bileşen spektrumları fiziksel olarak anlamlıdır ve spektral kütüphanelerle eşleştirilebilir.
- İlk boyut azaltma işleminden sonra büyük görüntü küplerine verimli bir şekilde ölçeklenir.
- Katı bir Bayes veya kısıtlı en küçük kareler çerçevesi altında formüle edildiğinde titiz bir olasılıksal yorum sağlar.
- Doğrusal karışım modeli, yakın karışım veya önemli çoklu saçılma içeren sahnelerde başarısız olur.
- Sahnedeki her uç-bileşen için saf piksel bulunmadığında performans düşer.
- Uç-bileşen sayısı p önceden belirlenmeli veya tahmin edilmelidir, bu da yanlış belirtilmeye karşı hassasiyet yaratır.
- Uç-bileşenlerin sahne boyunca spektral değişkenliği (aydınlatma, görüş açısı veya fenoloji nedeniyle) sabit uç-bileşen varsayımını ihlal eder ve bolluk hatalarını şişirir.
SSS
Sert sınıflandırma ile spektral ayrıştırma arasındaki fark nedir?
Sert sınıflandırma, pikselin spektral olarak saf olduğunu varsayarak her pikseli tam olarak bir sınıfa atar. Spektral ayrıştırma bunun yerine her piksel içindeki sürekli bir malzeme karışımını tahmin ederek kesirli bolluk haritaları verir. Ayrıştırma, sensör pikselleri malzemelerin mekansal ölçeğinden daha büyük olduğunda uygundur, oysa sert sınıflandırma pikseller çoğunlukla saf olduğunda yeterlidir.
Doğrusal karışım modeli her zaman geçerli midir?
Hayır. Doğrusal model, sensör ve yüzey malzemeleri arasındaki tek seferlik ışık etkileşimini varsayar - çoğu düz, heterojen kanopi veya mineral yüzeyler için makul bir yaklaşımdır. Fotonlar sensöre ulaşmadan önce birden fazla malzeme arasında saçıldığında (yakın karışım veya piksel içi karışım, yoğun bitki örtüsü), iki doğrusal olmayan veya radyatif transfer tabanlı yaklaşımlar gibi doğrusal olmayan karışım modelleri daha uygundur.
Kaç tane uç-bileşen belirleyeceğim?
Yaygın stratejiler arasında Neyman-Pearson tespit teorisine dayanan Sanal Boyutluluk (VD) tahmincisi, minimum tanım uzunluğu gibi bilgi teorik kriterleri ve PCA özdeğerlerinin yamaç çizimi incelemesi yer alır. Analistler ayrıca çalışma sahası hakkındaki önceki bilgileri de incelemelidir, çünkü istatistiksel tahminciler gürültü seviyesine ve saha karmaşıklığına duyarlı olabilir.
Kaynaklar
- Keshava, N., & Mustard, J. F. (2002). Spectral unmixing. IEEE Signal Processing Magazine, 19(1), 44–57. DOI: 10.1109/79.974727 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Spectral Unmixing of Hyperspectral Imagery. ScholarGate. https://scholargate.app/tr/remote-sensing/hyperspectral-unmixing
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Negatif Olmayan Matris Ayrıştırması (NMF)Makine öğrenmesi↔ karşılaştır
- Piksel Tabanlı Görüntü SınıflandırmasıUzaktan algılama↔ karşılaştır