فهرس المقالات Spatial resolution

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Evaluation of super-resolution algorithm for detection and recognition of features from MODIS and OLI images at sub-pixel scale using Hopfield Neural Network
  Mohammad Hosein Mehrzade Abarghooee Ali Sarkargar Ardakani
  Fuzzy classification techniques have been developed recently to estimate the classcomposition of image pixels, but their output provides no indication of how theseclasses are distributed spatially within the instantaneous field of view represented bythe pixel. Super-res أکثر

  Fuzzy classification techniques have been developed recently to estimate the classcomposition of image pixels, but their output provides no indication of how theseclasses are distributed spatially within the instantaneous field of view represented bythe pixel. Super-resolution land-cover mapping is a promising technology forprediction of the spatial distribution of each land-cover class at the sub-pixel scale.This distribution is often determined based on the principle of spatial dependence andfrom land-cover fraction images derived with soft classification technology. As such,while the accuracy of land cover target identification has been improved using fuzzyclassification, it remains for robust techniques that provide better spatial representationof land cover to be developed. An approach was adopted that used the output from afuzzy classification to constrain a Hopfield neural network formulated as an energyminimization tool. The network converges to a minimum of an energy function. Thisenergy minimum represents a “best guess” map of the spatial distribution of classcomponents in each pixel. The technique was applied to remote sensing imagery(MODIS & OLI images), and the resultant maps provided an accurate and improvedrepresentation of the land covers. Low RMSE, high accuracy. By using a Hopfieldneural network, more accurate measures of land cover targets can be obtained, The Hopfield neural network used in this way represents a simple, robust, and efficienttechnique, and results suggest that it is a useful tool for identifying land cover targetsfrom remotely sensed imagery at the sub-pixel scale. The present research purpose wasevaluation of HNN algorithm efficiency for different land covers (Land, Water,Agriculture land and Vegetation) through Area Error Proportion, RMSE andCorrelation coefficient parameters on MODIS & OLI images and related ranking,results of present super resolution algorithm has shown that according to precedence,most improvement in feature’s recognition happened for Water, Land, Agricultureland and ad last Vegetation with RMSEs 0.044, 0.072, 0.1 and 0.108. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - شناسایی اهداف با استفاده از تلفیق تصاویر فراطیفی و تصاویر با قدرت تفکیک مکانی بالا
  سامان جواهری علی اصغر تراهی سیدمحمد توکلی صبور
  شناسایی، ماموریتی برای کسب اطلاعات در مورد فعالیت ها، منابع، توانمدی ها و موقعیت دشمن است. شناسایی اهداف نظامی می تواند اطلاعاتی پیرامون وضعیت فعالیت ها، استقرار نیروها، آرایش نظامی و بسیاری از اطلاعات گوناگون دیگر از یک محدوده نظامی را در اختیار فرماندهان قرار دهد. در أکثر

  شناسایی، ماموریتی برای کسب اطلاعات در مورد فعالیت ها، منابع، توانمدی ها و موقعیت دشمن است. شناسایی اهداف نظامی می تواند اطلاعاتی پیرامون وضعیت فعالیت ها، استقرار نیروها، آرایش نظامی و بسیاری از اطلاعات گوناگون دیگر از یک محدوده نظامی را در اختیار فرماندهان قرار دهد. در سال های اخیر پیشرفت تکنولوژی در زمینه سنجش از دور امکان تهیه تصاویر مختلف با قدرت تفکیک طیفی و مکانی بالا را فراهم نموده است. تلفیق تصاویر فراطیفی و تصاویر با قدرت تفکیک مکانی بالا می تواند کمک موثری به شناسایی، استخراج و تولید نقشه از عناصر سازنده یک محیط را فراهم نماید. هدف از تحقیق حاضر، شناسایی اهداف نظامی با استفاده از تلفیق تصاویر فراطیفی و تصاویر با قدرت تفکیک مکانی بالا می باشد. برای این منظور، پنجره‌ای از تصاویر سنجنده های هایپریون،ALI و OrbView3، انتخاب گردید. در ابتدا نسبت به پیش پردازش داده فراطیفی هایپریون از لحاظ باندهای غیرقابل استفاده، نوارهای بد عمود، تصحیح اتمسفری و تصحیح هندسی اقدام شد. در ادامه تصویر هایپریون در فرایند دو مرحله ای با باندهای پانکروماتیک تصاویر ALI و OrbView3 با استفاده از الگوریتم های Gram schmidt ، Pc Spectral و IHS تلفیق شد. نتایج تلفیق نشان داد، روش Gram schmidt بهترین عملکرد را از نظر طیفی و مکانی داشته است. در ادامه تحقیق از تبدیل MNF به منظور کاهش ابعاد تصویر و کاهش نویزها بهره گرفته شد و از الگوریتم PPI خالص ترین پیکسل ها به منظور استخراج پروفیل طیفی با مقایسه با طیف های مرجع به صورت بصری و دقیق به دست آمد. در ادامه از الگوریتم های BANDMAX ، نقشه بردار زاویه طیفی و دایورجنس اطلاعات طیفی جهت شناسایی اهداف استفاده شد. نتایج ارزیابی شناسایی اهداف نشان داد که روش BANDMAX با دقت کلی 89.77 و ضریب کاپای 0.81 نسبت به دو الگوریتم دیگر عملکرد بهتری داشته است. تفاصيل المقالة