%0 Journal Article %A Amiri, Fahime %A Kahaei, Mohammad Hossein %T Enhancing Supervised Hyperspectral Unmixing using Spatial Correlation under Nonlinear Mixing Model %J Journal of Iranian Association of Electrical and Electronics Engineers %V 17 %N 1 %U http://jiaeee.com/article-1-663-fa.html %R %D 2020 %K Hyperspectral Unmixing, Bayesian Model, PPNMM, Markov Random Field, Spatial Correlation, Markov Chain Monte-Carlo., %X چکیده: در این مقاله، راه حلی برای جداسازی تصویر ابرطیفی به روش بیزین با بهره­گیری از اطلاعات مکانی ارائه می­شود. روش پیشنهادی بر اساس مدل ترکیب چندجمله‌ای پساغیرخطی می­‌باشد که در این مدل مقدار بازتاب هر پیکسل تصویر، ترکیبی از توابع غیرخطی مشخصه­‌های طیفی مواد خالص است که با نویز گاوسی ترکیب شده است. برای بهبود کیفیت جداسازی، به طور متناوب تصویر به کلاس­های مختلف تقسیم می­شود که دارای بازتاب طیفی مشابه هستند و بدین ترتیب فراوانی مواد در پیکسل­های یک کلاس مشابه یکدیگر است. سپس بردار فراوانی هر کلاس تخمین زده می­شود. بدین ترتیب با بکارگیری توام تمام پیکسل­های هر کلاس، دقت جداسازی افزایش خواهد یافت. برای طبقه­بندی تصویر، همبستگی مکانی پیکسل­های هر کلاس با استفاده از میدان تصادفی مارکف مدل می­شود. ساختار بیزین پیشنهادی بردار فراوانی و کلاس پیکسل تصویر رابه طور همزمان تخمین می­‌زند. به دلیل پیچیدگی تابع درست­نمایی، برای تخمین پارامترها، از نمونه‌بردار مونت-کارلو زنجیره مارکف استفاده شده است. نتایج نشان دهنده این موضوع است که روش پیشنهادی در مقایسه با الگوریتم­های رایج مدل­های غیرخطی دارای دقت بهتری بوده و همچنین نسبت به الگوریتم خطی حتی با استفاده از اطلاعات مکانی دارای حداقل 20% بهبود دقت تخمین و بازسازی تصویر می­باشد. %> http://jiaeee.com/article-1-663-fa.pdf %P 35-44 %& 35 %! %9 Research %L A-10-1249-1 %+ School of Electrical Engineering %G eng %@ 2676-5810 %[ 2020