غیر کالیبره

۲۴۲-۲۲۵

در ضمن باند های جذبی آب در محدوده طیفی ۱۴۱۷-۱۳۵۶ نانومتر،۱۹۳۲-۱۸۲۰ نانومتر و بعد از ۲۳۹۵ نانومتر قرار دارند که شامل باندهای ۱۲۲-۱۲۱،۱۲۷-۱۲۶ و ۱۷۸-۱۶۷ و ۲۲۴ می باشد. باندهای جذبی اطلاعات بسیار کمی دارند و یا اصلا هیچ گونه اطلاعاتی از سطح زمین ندارند که این باندها حذف گردیدند.تعداد ۱۵۴ باند مورد استفاده در این تحقیق در جدول زیر نشان داده شده است.
جدول شماره (۴-۵) باند های قابل قبول جهت ورود به پردازش

باندهای قابل قبول

محدوده طیفی

۵۷-۸

محدوده VNIR

۷۹

محدوده SWIR

۱۱۹-۸۳

۱۶۴-۱۳۳

۱۸۴-۱۸۳

۲۲۰-۱۸۸

۴-۷-۲ تبدیل کسر کمترین نویز (MNF)
در استفاده از داده های فراطیفی لازم است که نویز و ابعاد داده را کاهش داد. تبدیلMNF به عنوان یک تبدیل کاهش دهنده نویزمطرح است. این تبدیل یک تبدیل خطی است که برای مشخص کردن بعد و حجم اصلی تصویر، جدا کردن نویز از دیگراطلاعات وکاهش میزان پردازش در مراحل بعد استفاده می شود.در این تبدیل ابتدا تصویر به دو بخش نویز و غیر نویز تبدیل می شود و سپس بخش غیر نویز به عنوان جز اصلی شناخته می شود و نویز حذف می گردد. (رنگزن و همکاران ، ۱۳۹۰) نتایج اعمال تبدیل MNFتعدادی از تصاویر بدست آمده با این روش در شکل (۴-۶) آورده شده است.

باند ۱۰ تبدیل MNF باند ۱ تبدیل MNF
شکل (۴-۶) نتایج اعمال تبدیلات MNF ، تعدادی از تصاویر به دست آمده از داده های هایپریون
۴-۷-۳ اجرای اندیس خلوص پیکسل (PPI)
الگوریتم PPI برای پیدا کردن پیکسل هایی که خلوص بیشتری دارند (پیکسل های انتهایی) در تصاویر فراطیفی به کار می رود . بدین منظور تعداد ۱۰ عدد از باند های اول خروجی تبدیل MNF را که بدون نویز می باشد را به عنوان ورودی به الگوریتم PPI می دهیم و خروجی این الگوریتم تصویری می باشد که پیکسل های خالص را مشخص می نماید . تصویر حاصل ازاعمال الگوریتم PPI در شکل (۴-۷) آمده است.
شکل (۴-۷) تصویر حاصل از اعمال الگوریتم PPI
۴-۷-۴ استخراج طیف مرجع (endmember)
بسیاری از الگوریتم های طبقه بندی در تصاویر فراطیفی برای شروع پردازش نیاز به وارد کردن مشخصه های طیفی عضوها (به هر کلاس یا عارضه ای که در تصویر فراطیفی طبقه بندی یا اشکار سازی شود عضو گویند) دارند.
۴-۷-۴-۱ استخراج اعضای انتهایی از طریق شناسایی پیکسل های خالص
به علت عدم دسترسی به کتابخانه طیفی آزمایشگاهی و یا اندازه گیری میدانی داده با دستگاه طیف نگار، اعضای خالص از مناطقی که نوع محصول آن شناسایی شده بود استخراج شد. با ۳ مرحله برداشت و پیمایش میدانی و ثبت مختصات مزارع برنج با بهره گرفتن از دستگاه GPS با دقت بالا و استفاده از نقاط نمونه برداری شده ای که با پیکسل های خالص استخراج شده از الگوریتم PPI منطبق شده بودند توانستیم طیف مرجع میانگین برنج را از خود تصویر استخراج نماییم واین طیف مرجع به عنوان ورودی جهت الگوریتم های طبقه بندی استفاده گردید.
در شناسایی و تفکیک برنج از سایر پدیده ها به علت اینکه در تاریخ برداشت تصویر هم برنج رسیده و هم برنج در اوج سبزینگی در شالیزارها وجود داشت طیفهای مرجع هر دو قسم این محصولات شناسایی و جهت تفکیک آن در تصویر به الگوریتم های مربوطه داده شد.