شبیه سازی آموزشی شبیه سازی آموزشی عدم اختلاط فراطیفی از طریق شبکه های عصبی کانولوشنال عمیق با متلب

چکیده مقاله (ترجمه ماشینی)

عدم اختلاط فراطیفی (HU) روشی است که برای تخمین فراوانی کسری مربوط به اعضای انتهایی در هر یک از پیکسل‌های مخلوط در تصویر سنجش از دور فراطیفی استفاده می‌شود. در زمان های اخیر، یادگیری عمیق به عنوان یک تکنیک موثر برای طبقه بندی تصاویر فراطیفی شناخته شده است. در این نامه، یک روش HU انتها به انتها بر اساس شبکه عصبی کانولوشنال (CNN) پیشنهاد شده است. روش پیشنهادی از معماری CNN استفاده می‌کند که شامل دو مرحله است: مرحله اول ویژگی‌ها را استخراج می‌کند و مرحله دوم نقشه‌برداری را از ویژگی‌های استخراج‌شده برای به دست آوردن درصد فراوانی انجام می‌دهد. علاوه بر این، یک CNN مبتنی بر پیکسل و CNN مبتنی بر مکعب، که می تواند دقت HU را بهبود بخشد، در این نامه ارائه شده است. مهمتر از آن، ما همچنین از ترک تحصیل برای جلوگیری از تطبیق بیش از حد استفاده می کنیم. ارزیابی عملکرد کامل بر روی دو مجموعه داده ابرطیفی انجام می‌شود: Jasper Ridge و Urban. در مقایسه با روش موجود، نتایج ما دقت قابل توجهی بالاتری را نشان می‌دهد.

اصطلاحات شاخص – شبکه های عصبی کانولوشن (CNN)، مدل انتهایی، عدم اختلاط طیفی، اطلاعات طیفی- فضایی.

 

سنجش از دور HYPERSPECTRAL در بسیاری از کاربردها مورد استفاده قرار گرفته است و چشم انداز روشنی برای استفاده در برنامه های آینده دارد. داده های تصویر فراطیفی (HSI) به عنوان چند باند مشخص می شوند و وضوح بالایی در فضای طیفی دارند. اگرچه داده های فراطیفی دارای وضوح طیفی بالایی هستند، اما قدرت تفکیک مکانی نسبتاً پایینی دارند که در نتیجه پدیده اختلاط در HSI ها اجتناب ناپذیر است. طیف یک پیکسل ترکیبی از طیف های متعدد از اعضای انتهایی مختلف است که مطابق با یک نسبت مشخص است، نه یک پیکسل خالص. بنابراین، unmixing فراطیفی (HU) یک تکنیک مهم برای بهره برداری از داده های فراطیفی است [1]. مدل HU را می توان به دو دسته تقسیم کرد: مدل مخلوط طیفی خطی (LSMM) و مدل مخلوط طیفی غیرخطی (NLSMM) [2]. LSMM فرض می‌کند که طیف پیکسل ترکیبی خطی از اجزای طیفی است، و NLSMM زمانی که نور به دلیل درگیر شدن مواد مختلف دچار پراکندگی چندگانه می‌شود، برقرار است. کشاوا و ماستارد [3] مکانیسم و ​​محدوده کاربرد طیف های مختلط خطی و طیف های مختلط غیرخطی را مطالعه و مورد بحث قرار داده اند. با توجه به اینکه LSMM ساده‌تر است و معنای فیزیکی دارد، الگوریتم‌های خطی اختلاط طیفی (LSU) کانون تحقیقات زیادی بوده‌اند. روش های سنتی غیر اختلاط معمولاً شامل دو روش مهم است: استخراج اعضای انتهایی و تخمین کسر [4]. یک الگوریتم استخراج عضو انتهایی عمدتاً شامل شاخص پیکسل خالص [5]، تجزیه و تحلیل اجزای راس [6] و الگوریتم پایه های متعامد [7] است. در سال های اخیر، Iordache و همکاران. [8] ایده پراکندگی را به الگوریتم های HU معرفی کرد. مزیت این الگوریتم این است که مجبور نیست وجود پیکسل های خالص را فرض کند و از خطاهای احتمالی ناشی از استخراج عضو نهایی جلوگیری کند. با این حال، انتخاب کتابخانه طیفی منجر به بی ثباتی در نتایج می شود. به طور کلی، LSMM فقط برای صحنه هایی قابل استفاده است که ذاتا یا از نظر ماکروسکوپی به صورت خطی مخلوط شده اند و برای برخی صحنه های خاص که توصیف دقیق آنها دشوارتر است، لازم است NLSMM پیچیده تر در نظر گرفته شود. در زمان‌های اخیر، دو تکنیک جدید برای عدم اختلاط طیفی غیرخطی توجه را به خود جلب کرده‌اند. در [9]، مدل دوخطی تعمیم یافته و الگوریتم بیزی سلسله مراتبی برای اختلاط غیرخطی HSIs پیشنهاد شد. در [10]، شبکه عصبی خودکار (AANN) برای فراوانی پیکسل از داده‌های ابرطیفی ارائه شد که بیش از تلاش‌های قبلی در ادبیات متمرکز بر استفاده از شبکه‌های عصبی (NN) برای اهداف غیرخطی غیرخطی گسترش می‌یابد. ساختار NN از دو مرحله تشکیل شده است: در مرحله اول ویژگی های بردار ورودی استخراج می شود و در مرحله دوم نقشه برداری از فضای ویژگی استخراج شده برای بدست آوردن فراوانی انجام می شود. با این حال، این روش اطلاعات مشترک بین اطلاعات فضایی و طیفی را در نظر نمی گیرد و استخراج ویژگی و عدم اختلاط باید به طور جداگانه آموزش داده شود. اخیراً، یادگیری عمیق توجه زیادی را به خود جلب کرده است و در بسیاری از حوزه ها مانند تشخیص اشیا [12]، [13] و طبقه بندی تصویر [14] اعمال شده است. به طور خاص، یک NN کانولوشن (CNN) یکی از محبوب‌ترین شبکه‌ها است که به دلیل توانایی آن در کشف خودکار ویژگی‌های متنی مرتبط است. بنابراین، از CNN برای طبقه‌بندی HSI [15] استفاده شده است که در آن از یک مدل سه بعدی CNN برای استخراج ویژگی‌های طیفی – فضایی و طبقه‌بندی ویژگی‌های استخراج‌شده استفاده شده است. با این حال، چند کار وجود دارد که HU را با استفاده از NN در نظر می گیرند، برای مثال AANN [10]. در این نامه، یک CNN مبتنی بر پیکسل سرتاسر و CNN مبتنی بر مکعب برای HU پیشنهاد شده است. با توجه به عملکرد خوب یادگیری ویژگی CNN ها، یک CNN برای بررسی ویژگی های متنی HSI ها استفاده می شود و سپس با استفاده از معماری پرسپترون چند لایه (MLP) فراوانی یک پیکسل را به دست می آورد.

 

تست ها با MATLAB 2019b انجام شده است و جواب داده اند. توصیه میشود مقاله را در ابتدا خودتان بخوانید تا از مراحل آن مطلع باشد. در فایل ارسالی 4 فولدر میبینید که هر کدام متناظر با یک دیتا بیس (Jasper  | Urben) و یک روش (Pixel-based | Cube-based) می باشد. همچنین یک فایل زیپ با عنوان hyperspectral.zip هم کنار آنها وجود دارد که تولباکس مورد نیاز برای کار با تصاویر چند طیفی است. این تولباکس را از MATLAB 2021 به این کار آورده ایم. حجم آن اندکی بالاست (125مگ) ولی بدون آن انجام کار در ورژن های پایین متلب غیر ممکن است. کافی است در هر فولدر کد main.m را اجرا کنید و نتیجه را ببینید.