دانلود رایگان ترجمه مقاله بازیابی اطلاعات طیفی از صحنه های طبیعی با دوربین دیجیتال RGB – وایلی ۲۰۰۷

دانلود رایگان مقاله انگلیسی بازیابی داده های طیفی از صحنه های طبیعی با یک دوربین دیجیتال RGB و فیلترهای رنگی به همراه ترجمه فارسی

 

عنوان فارسی مقاله بازیابی داده های طیفی از صحنه های طبیعی با یک دوربین دیجیتال RGB و فیلترهای رنگی
عنوان انگلیسی مقاله Recovering Spectral Data from Natural Scenes with an RGB Digital Camera and Colored Filters
رشته های مرتبط مهندسی کامپیوتر، فیزیک، اپتیک و لیزر، مهندسی نرم افزار
کلمات کلیدی بازتاب، سیستم تصویر برداری چند طیفی، منبع نور، صحنه های طبیعی
فرمت مقالات رایگان

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 
نشریه وایلی – Wiley
مجله تحقیق و کاربردهای رنگ – COLOR research and application
سال انتشار ۲۰۰۷
کد محصول F758

مقاله انگلیسی رایگان (PDF)

دانلود رایگان مقاله انگلیسی

ترجمه فارسی رایگان (PDF)

دانلود رایگان ترجمه مقاله

خرید ترجمه با فرمت ورد

خرید ترجمه مقاله با فرمت ورد
جستجوی ترجمه مقالات جستجوی ترجمه مقالات

  

فهرست مقاله:

چکیده
مقدمه
نگاشت مستقیم پاسخ های دور بین و طیف ها
بازیابی طیف های طبیعی
روش ها
داده های ابر طیفی
حساسیت های طیفی دوربین و فیلتر های رنگی
محاسبات
نتایج و تفاسیر
بازیابی بازتاب طیفی
بازیابی بازتاب طیفی
عملکرد با Macbeth ColorChecker
نتیجه گیری

 

بخشی از ترجمه فارسی مقاله:

مقدمه
هدف تصویر برداری چند طیفی، بازیابی تابش یا طیف های تابشی و انعکاسی در هر پیکسل در یک صفحه مورد نظر است(۱-۴). معمولا، یک سیستم چند طیفی متشکل از دوربین های دیجیتال متصل به طیف وسیعی از فیلتر های پهن و باریک باند است. در صورتی که تعداد فیلتر ها به اندازه کافی بزرگ باشند و پهنای باند آن ها به اندازه کافی کوچک باشد.، همانند سیستم تصویر برداری ابر طیفی، داد های طیفی را می توان به طور دقیق بازیابی کرد(۵-۹). با این حال با چند فیلتر پهن باند، بازیابی طیفی منجر به ایجاد یک مسئله ناخوص تعریف می شود.
بسیاری از روش های تصویر برداری چند طیفی از یکنواختی و صافی طیف های سیگنال با منابع نور و بازتاب های طیفی استفاده می کنند که با مدل های بعد پایین بر اساس تحلیل مولفه های طیفی (PCA) و یا تحلیل مولفه های مستقل(ICA)(16-20) نشان داده می شوند. از این روی با توجه به یک مدل خطی(۱۰-۲۱)،در صورتی که تعداد ضرایب ICA یا PCA یک مجموعه خاصی از طیف ها برابر با تعداد پاسخ های دوربین باشد( در ساده ترین مورد تریکوماتیک، سه مورد)، آنگاه طیف ها را می توان با یک تبدیل معکوس مجموعه ای از پاسخ های طیفی بدست اورد و تبدیل پیشرو از مجموعه داده های معرف براورد شد. در صورتی که تعداد ضرایب بیش از تعداد مقادیر پاسخ باشد،آنگاه ضریب PCA بایستی با تصویر برداری از صحنه تحت منابع نور مختلف و یا با معرفی فیلتر های رنگی برای اصلاح طیف های سنسور افزایش یابد(۱۸-۲۲-۲۳).
به جای اجرای PCA یا ICA اولیه، مجموعه ای از طیف های سیگنال را می توان به طور مستقیم از مجموعه ای از پاسخ های دوربین براورد کرد. این پاسخ ها را می توان از خود دوربین بدست اورد و برای اهداف فعلی مقاله ، می توان آن ها را از یک مجموعه حساسیت های طیفی محاسبه کرد( بخش حساسیت های طیفی دوربین و فیلتر های رنگی). برای یک دوربین دیجیتال RGBسنتی ، مجموعه ای از پاسخ های دوربین شامل ماتریس سه مقدار برای هر پیکسل در همه پیکسل ها در صحنه است. در صورتی که فیلتر های رنگی معرفی شوند، آنگاه مجموعه ای از پاسخ های دوربین شامل چندین ماتریس ( بخش محاسبات) در نظر گرفته می شود. روش نگاشت مستقیم به طور دقیق در بخش بعدی توصیف می شوند.

نتیجه گیری :
صحنه های طبیعی با تغییرات پیچیده در ساختار مکانی و روشنایی کنترل نشده منجر به ایجاد مشکلات خاصی برای طیف های بازتاب و انعکاس می کنند. با این حال این مطالعه نشان داده است که یک ترکیب از روش نگاشت مستقیم و دوربین دیجیتال RGB سنتی با تعداد محدودی از فیلتر های رنگی می توانند براورد های دقیق و قابل قبول را در مورد طیف های نوری در صحنه های طبیعی ارایه کنند
از ترکیبات متفاوت فیلتر های رنگی، بهترین عملکرد با سه فیلتر بدست امد. از حیث سه شاخص، سیگنال بازیابی شده دارای ضریب خوبی برازش بهتری از ۹۹ درصد بود که یک خطای میانگین مربعات کم تر از ۵ درصد و تفاضل رنگی CIELAB کم تر از ۰٫۲۷ بود.
استفاده از یک دوربین دیجیتال RGB سنتی در ترکیب با تعداد محدودی از فیلتر های رنگی، منجر به یک رویکرد اقتصادی تر و مقتصد از نظر زمانی برای پوشش چند طیفی صحنه های مصنوعی و طبیعی نسبت به روش های سنتی می شود و روش نگاشت مستقیم، یک عملکرد قابل قبول را بدون تیاز به بهینه سازی پیچیده و پر هزنیه برای کاهش خطا در اختیار می گذارد. این رویکرد امکان نمونه برداری از طیف وسیعی از طیف ها را در ساخت ماتریس بازیابی با مجموعه های بازتاب محدود تر نظیر نمودار مک بث می دهد. در عین حال گروه بندی داده ها نیز می تواند مفید باشد. اگرچه بازیای خوب با مجموعه های اموزشی تمایز نیافته از صحنه های طبیعی و شهری وجود دارد، بازیابی برای صحنه های روستایی با صحنه فقط روستایی به عنوان مجموعه اموزشی و برای صحنه های شهری تنها با صحنه های شهری به عنوان مجموعه اموزشی، بهتر بود.این مطالعه بیشتر یک تحقیق وحاسباتی بوده و پاسخ ها برای یک دوربین دیجیتال RGB خاص و مجموعه ای از فیلتر های رنگی محاسبه شد با این حال کاربرد آن به سایر دوربین ها و فیلتر ها پس از عملیات پیش پردازش نظیر حذف نویز و تصحیح ناهمگنی و ویژگی غیر خطی پاسخ، ساده است.

بخشی از مقاله انگلیسی:

INTRODUCTION

The goal of multispectral imaging is to recover radiance or reflectance spectra at each pixel in a scene of interest.1–۴ Typically, a multispectral system consists of a digital camera coupled to a range of spectrally broad-band or narrow-band filters. If the number of filters is sufficiently large and their bandwidths are sufficiently small, as with a hyperspectral imaging system,2,5,6 spectral data can be recovered exactly.5–۹ But with just a few broad-band filters, spectral recovery presents an ill-posed problem. Many multispectral-imaging methods exploit the underlying smoothness of signal spectra,10 with illuminants11–۱۳ and spectral reflectances14,15 represented by low-dimensional models based on principal component analysis (PCA) or independent component analysis (ICA).16–۲۰ Thus, given a linear model,10,21 if the number of PCA or ICA coefficients of a particular set of spectra is the same as the number of camera responses (three in the simplest trichromatic case), then the spectra can be derived by an inverse transformation of the set of camera responses, with the forward transformation being estimated from a representative (‘‘training’’) data set. If the number of coefficients is more than the number of response values, then the latter may need to be increased by imaging the scene under different illuminants or by introducing colored fil- ters one at a time in front of the camera to modify the sensor spectra.18,22,23 Rather than an initial PCA or ICA being performed, however, the set of signal spectra may instead be estimated directly from the set of camera responses. These responses may be obtained from the camera itself or, for the present purposes, calculated from a set of known camera spectral sensitivities (Camera Spectral Sensitivities and Colored Filters section). For a conventional RGB digital camera, the set of camera responses comprises a matrix of three values for each pixel over all the pixels in the scene. If colored filters are introduced, then the set of camera responses comprises several of these matrices (Computations section). The ‘‘direct-mapping’’ method24 is described in more detail in the next section.

CONCLUSIONS

Natural scenes with complex variations in spatial structure and uncontrolled illumination present particular problems for recovering radiance and reflectance spectra. The present work has shown, however, that a combination of the direct-mapping method and a conventional RGB digital camera with a limited number of colored filters can provide acceptably accurate estimates, complementing related work on recovering illuminant spectra in natural scenes.3,34,37,38 Of the different combinations of colored filters, best performance was obtained with three filters. In terms of the three measures, the recovered signal had a goodnessof-fit coefficient better than 99.0%, a root-mean-square error less than 5.0%, and a CIELAB color difference less than 0.27. Using a conventional RGB digital camera in combination with a limited number of colored filters offers a less time-consuming and more economical approach to the multispectral capture of natural and artificial scenes than traditional methods, and the direct-mapping method provides acceptable performance without requiring more computationally expensive optimization procedures for error minimization. This approach allows a larger range of spectra to be sampled in the construction of the recovery matrix than with more constrained reflectance sets such as the Macbeth ColorChecker chart. Yet some data grouping is useful. Although good recovery is possible with undifferentiated training sets from urban and rural scenes, recovery was better for rural scenes with just rural scenes as the training set, and for urban scenes with just urban scenes as the training set. This work was computational and responses were calculated for a particular RGB digital camera and set of colored filters, but its practical application to other cameras and filters, after basic preprocessing operations such as noise removal and correction of inhomogeneities and response nonlinearities,39 should be straightforward.