استفاده از متغيرهاي جذبي طيفي به‌منظور برآورد سريع نوفه در تصاوير ابرطيفي

Fast Noise Estimation in Hyperspectral Images Using Spectral Absorption Parameters

برآورد نوفه موجود در تصاوير ابرطيفي يكي از راه‌هاي افزايش كيفيت اطلاعات استخراج شده و كاهش عدم قطعيت در نتايج است. تا‌كنون ساده ترين روش به‌كار گرفته شده در برآورد نوفه در اين تصاوير، استفاده از روش اختلاف شيفت بوده است، اما اين روش داراي دو نقطه ضعف است؛ اولاً مبتني بر اين فرض است كه پيكسل‌هاي همسايه داراي اطلاعات سيگنال يكساني هستند كه الزاما در داده هاي ابرطيفي صدق نمي كند، ثانياً براي محاسبه صحيح نوفه نيازمند استفاده از مناطق همگن است كه غالبا اين مناطق به‌صورت نظارت شده، تعيين مي‌شوند. در اين پژوهش روشي جديد براي برآورد نوفه (NETAL) معرفي شده است. در اين روش، با استفاده از فضاي منحني بازتابندگي طيفي مواد و باندهاي جذبي و محل قرارگيري و ژرفاي اين باندها در طيف هر پيكسل، تصوير ماهواره اي به پهنه‌هاي همگني تقسيم‌بندي شد. سپس در هر پهنه نوفه با استفاده از روش رگرسيون بين هر دو باند مجاور، محاسبه شده و در نهايت نوفه كل، از جمع نوفه در هريك از نواحي به‌دست آمد. براي ارزيابي نتايج از داده هاي شبيه‌سازي شده و داده هاي ابرطيفي واقعي استفاده شد. نتايج به‎دست آمده نشان داد كه برآورد نوفه توسط الگوريتم NETAL سريع‌تر و دقت برآورد آن برابر با الگوريتم رگرسيون چندگانه و در بعضي حالت‌ها بهتر از آن است.

Estimation of noise present in Hyperspectral images is a way to enhance the quality of the extracted information and to reduce the uncertainties in the results. The simplest method widely used in noise estimation is Shift Difference. This method has two weaknesses; first, it is based upon the assumption that the adjacent pixels have the same signal information which is not necessarily valid in hyperspectral data sets; second, in order to calculate the correct values of noise it needs homogeneous regions that is usually being determined by supervision. In this study, a new method in noise estimation (NETAL) is introduced. In this method the satellite images are divided into homogeneous regions using spectral absorption parameters such as location of absorption lines, width and depth of these absorption features for every individual pixels. Then in each region the noise was calculated using regression between adjacent bands and finally the total noise was estimated through accumulation of the calculated noises in each region. The NETAL algorithm was evaluated by using simulated and real hyperspectral data sets. The results show that the noise estimation by NETAL method is faster than Multiple Regression method while the accuracy will remain the same as and even better than the Multiple Regression method.