دانلود ترجمه مقاله کاربرد بردار چند متغیره در تصویربرداری فراطیفی – مجله الزویر

فهرست مطالب:

چکیده
۱ مقدمه
۲ استراتژی طراحی کتاب رمز
۱ ۲ الگوریتم میانگین C فازی
۲ ۲ طراحی کتاب رمز از طریق خوشه بندی کور (CBC)
۳ ۲ ارزیابی استراتژی طراحی کتاب رمز
۳ شیوه کوانتیزاسیون برداری چند متغیره
۱ ۳ شیوه VQ قراردادی و متداول (CVQ)
۲ ۳ شیوه MVQ
۳ ۳ رگرسیون چندگانه برای بهینه سازی پارامتر
۴ ۳ طرح هایی برای انتخاب خودکار کلمه رمز در MVQ
۴ نتایج آزمایش و تحلیل
۱ ۴ تهیه داده هاو راه اندازی مقدمات آزمایش
۲ ۴ نتایج حاصل از سه مجموعه داده اول
۳ ۴ محک زنی با شیوه های دیگر
۵ نتایج

بخشی از ترجمه:

مقدمه

تصویربرداری فراطیفی (HIS) ، هرچند هزاران باند طیفی محدود و نزدیک را از طیف وسیعی از طیف های الکترومغناطیسی دریافت و ضبط می کند ، اما در زمینه دستیابی به جزئیات جامع در مورد اطلاعات طیفی و فضایی مواد زمینی، قابلیت زیادی دارد. در نتیجه در بسیاری از برنامه های کاربردی سنجش از راه دور مثل کشاورزی، کانی شناسی و نظارت و تجسس نظامی ، کاربرد وسیعی داشته است.
در HIS ، کیفیت تصویر بهبود یافته همیشه برای پردازش بهتر مطلوب می باشد، که این مسئله باعث ایجاد روندی جهت افزایش رزولاسیون یا قدرت وضوح فضایی/ طیفی، دقت رادیومتری و رنج طیفی وسیع و نامحدودمی شود. در نتیجه، حجم داده ها در ابر مکعب یا فوق مکعب ۳ بعدی به طور چشمگیری افزایش و به این دلیل چالشهایی برای انتقال، ذخیره سازی و پردازش داده ها ایجاد می شود. برای کاهش حجم داده ها، کدگذاری و فشرده سازی در این محیط به انتخاب طبیعی تبدیل می شوند.
شیوه های موجود برای فشرده سازی HIS را می توان به دو طبقه اصلی تقسیم نمود، به عبارتی فشرده سازی بدون اتلاف و با اتلاف(اتلافدار). در سطح سنتی، فشرده سازی بدون اتلاف برای حفظ کلیه اطلاعات مندرج در تصویرمطلوب می باشد. اما نسبت های فشرده سازی حاصل شده با تکنیک های بدون اتلاف محدودمی باشند. تکنیک های رمزگذاری بدون اتلاف عبارتنداز: کدگذاری یا رمزگذاریانتروپی و مدلسازی پیشگویانه که شیوه های فشرده سازی بااتلاف یا اتلاف دار نوعی ، تکنیک های مبتنی بر تبدیل و کوانتیزاسیون برداری (VQ) می باشند. در فشرده سازی بدون اتلاف نظیر مدلسازی پیشگویانه، ازهمبستگی فضایی درون باندی و همبستگی طیفی بین باندی برای تعیین مدل آماری جهت تخمین مقادیر تصویر با استفاده از داده های مشاهده شده در سطح جزئی استفاده می شود. سپس برای نمایش ابرمکعب ، مدل و خطای تخمین رمزگذاری می شوند که در اینجا عملکرد بر همبستگی و مدلسازی آماری تکیه می کند.
فشرده سازی بدون اتلاف نسبت فشرده سازی بالاتری درهزینه اتلاف اطلاعات معرفی شده حاصل می کند. علی رغم کیفیت در مرحله بازسازی شده، این تکنیک ها بسیار مشهور می باشند، به ویژه زمانی که با استفاده از تکنیک های اتلاف دار می توان به فشرده سازی مورد نیاز دست یافت. به علاوه اثر اتلاف بر کاربردهای خاص در HIS مثلاً تشخیص هدف و طبقه بندی داده ها، مورد ارزیابی قرار گرفته و نشان می دهد که می توان به نسبت فشرده سازی بالایی با تاثیرکم در عملکرد دست یافت. روشهای مختلفی برای فشرده سازی با اتلاف  HIS پیشنهاد شده است که برخی از آنها تعمیم الگوریتم های ویدیویی یا تصویر دو بعدی موجود نظیر JPEG 2000 می باشند. در[۱۴]، از روش تبدیل   برای فشرده سازی مکعب های فراطیفی استفاده گردید. تبدیل موجک گسسته و تجزیه Tucker در[۸] بکارگرفته شده و تبدیل طیفی متعامل جفتی در [۱۵] توسعه یافت. همچنین از استاندارد  برای فشرده سازی ویدیویی در مکعب های فراطیفی استفاده گردید. الگوی پیچیدگی کم که براساس مرحله پیشگویی و به دنبال آن کوانتیزاسیون، بهینه سازی نرخ بیت- اعوجاج و کدگذاری یا رمزگذاری انتروپی عمل می کند پیشنهاد گردید. این تکنیک سادگی و عملکرد بالای فشرده سازی بر مبنای پیشگویی را اهرم نموده،و به عملیات ها و حافظه بسیار کم نیاز دارد در حالیکه بهینه سازی پیشرفته و نرخ بیت- اعوجام از عملکرد فشرده سازی پیشرفته اطمینان حاصل می کند.

بخشی از مقاله انگلیسی:

Hyperspectral imagery (HSI), through capturing hundreds ofnarrow and contiguous spectral bands from a wide range of theelectromagnetic spectrum, has great capability in deriving comprehensivedetails about the spectral and spatial information ofthe ground material. As a result, it has been widely used in manyremote sensing applications such as agriculture [1], mineralogy [2]and military surveillance [3].In HSI, improved image quality is always desirable for betterprocessing, which in turn results in a trend for an increase inspatial/spectral resolution, radiometric precision and a wider spectralrange. Consequently, the data volume in the 3-D hypercube increasesdramatically, resulting in challenges for data transmission, storage, andprocessing. To reduce the volume of data, effective coding andcompression become a natural choice in this context. Existing approaches for HSI compression can be divided intotwo main categories, i.e. lossless and lossy compression [4].Lossless compression has been traditionally desired to preserveall the information contained in the image. However, the compressionratios which can be achieved with lossless techniques arelimited. Lossless coding techniques include entropy coding andpredictive modelling where typical lossy compressionapproaches are transform based techniques [7,8] and vectorquantization (VQ) [9,10]. In lossless compression such as predictivemodelling, both intra-band spatial correlation and inter-bandspectral correlation are used to determine a statistical model toestimate image values using partially observed data. The modeland the estimation error are then encoded to represent thehypercube, where the performance relies on the correlation andstatistical modelling [11,12].Lossy compression yields higher compression ratio at the costof introduced information loss. Despite the quality in the reconstructedimage, these techniques are very popular, especially whenthe required compression could be achieved by lossy techniques.Moreover, the effect of the losses on specific applications in HSIhave been assessed, such as target detection and data classification,showing that high compression ratio can be achieved withlittle impact in performance [

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه