अधिक

हाइपरस्पेक्ट्रल इमेज + फील्ड डेटा

हाइपरस्पेक्ट्रल इमेज + फील्ड डेटा


वहाँ बहुत सारे रिमोट सेंसिंग डेटासेट हैं, लेकिन मुझे फील्ड डेटा के साथ एक भी नहीं मिला है। विशेष रूप से मैं हवाई हाइपरस्पेक्ट्रल छवियों की तलाश कर रहा हूं जिनमें फ़ील्ड डेटा पौधों की प्रजातियों की पहचान करने के साथ-साथ छवि में उनके निर्देशांक भी हैं।

भले ही डेटासेट एक संगठन से हो और छवि दूसरे संगठन से हो, वह भी काम करता है।


लिंक http://dataservices.gfz-potsdam.de/portal/ आपको शोध संस्थानों से उपलब्ध कुछ डेटासेट का अवलोकन देता है। केवल हाइपरस्पेक्ट्रल उड़ान अभियानों से डेटा देखने के लिए डेटासेंटर-फ़िल्टर "एनमैप" (जो एक जर्मन उपग्रह मिशन है) का उपयोग करें। प्रदान करने वाली संस्था के आधार पर आपको कुछ डेटा प्राप्त करने के लिए पंजीकरण करने की आवश्यकता हो सकती है।

आपको संबंधित रेखापुंज डेटा के लिए शायद फ़ील्ड डेटा नहीं मिलेगा, लेकिन आपको किसी सरकारी संस्थान से GoogleEarth, OpenStreetMap या सर्वेक्षण डेटा जैसे सहायक डेटा के साथ इसे स्वयं बनाने का प्रयास करना चाहिए।


दिन की छवि

मिस्र के काहिरा में चेप्स पिरामिड की प्लीएड्स नियो उपग्रह छवि (30 सेमी) गीज़ा पिरामिड का सबसे पुराना पिरामिड है और दुनिया के सात अजूबों में से एक है। प्लीएड्स नियो उपग्रह ग्राहकों को छह बैंड के साथ 30 सेमी पंचक्रोमैटिक और 1.2 मीटर मल्टी-स्पेक्ट्रल उपग्रह इमेजरी प्रदान करेगा और विभिन्न मानचित्रण अनुप्रयोगों के लिए मोनो, स्टीरियो और त्रि-स्टीरियो छवियों की पेशकश करेगा। अतिरिक्त प्लीएड्स नियो उपग्रह इमेजरी गैलरी देखें।

तेल और गैस

चार दशकों से अधिक के अनुभव के साथ, हम जोखिम का आकलन करने और खर्चों को कम करने में आपकी मदद करने के लिए तेल उद्योग की अपनी अनूठी समझ का उपयोग करते हैं। पुराने और वर्तमान मल्टीस्पेक्ट्रल उपग्रह छवि डेटा, वर्णक्रमीय विश्लेषण और उप-पिक्सेल वर्गीकरण का उपयोग करके, पुराने कुओं के स्थानों को पुनर्प्राप्त किया जा सकता है और भूभौतिकीय और भूवैज्ञानिक व्याख्या में सुधार के लिए समायोजित किया जा सकता है। "इससे पहले" उसी क्षेत्र में अतिरिक्त कुओं की खुदाई की जाती है। इससे सफलता का अनुपात काफी बढ़ जाता है, खासकर जब कुछ पुराने कुओं के स्थानों में 1 किमी से अधिक की समस्याएँ होती हैं। विशेष सेवाओं में पुराने कुओं की वसूली और समन्वय समायोजन, साथ ही भारी जंगल और रेगिस्तानी इलाकों में भूकंपीय सर्वेक्षण शामिल हैं।

खुदाई

मल्टीस्पेक्ट्रल इमेजिंग (वीएनआईआर), वर्ल्डव्यू -3 शॉर्ट वेव इंफ्रारेड (एसडब्ल्यूआईआर) और विषयगत खनिज मानचित्रण शोधकर्ताओं को मिट्टी, चट्टान और वनस्पति के परावर्तन डेटा और अवशोषण गुणों को एकत्र करने की अनुमति देता है। तरंग दैर्ध्य और वर्णक्रमीय परावर्तन डेटा का लाभ उठाकर, मानव आंखों के लिए अदृश्य वर्णक्रमीय हस्ताक्षर, सतह पर स्थित खनिज निशान के लिए स्थापित किए जा सकते हैं। हमारी उपग्रह इमेजिंग तकनीक पृथ्वी की सतहों की संरचना के बारे में बेजोड़ अंतर्दृष्टि प्रदान कर सकती है, जो भूवैज्ञानिकों, वैज्ञानिकों और शोधकर्ताओं की बहुत सहायता करती है। इस डेटा का उपयोग प्रशिक्षित फोटो भूवैज्ञानिकों द्वारा सतह लिथोलॉजी की व्याख्या करने, मिट्टी, ऑक्साइड, मिट्टी के प्रकारों की पहचान करने और उच्च और मध्यम रिज़ॉल्यूशन उपग्रह इमेजरी से खनिजों के संभावित स्थानों की पहचान करने के लिए किया जा सकता है।

भौगोलिक सूचना प्रणाली

सैटेलाइट इमेजिंग कॉर्पोरेशन (इस प्रकार से) ने जीआईएस मैपिंग के लिए उपग्रह, हवाई और यूएवी रिमोट सेंसिंग डेटा के उपयोग को शामिल करते हुए प्रत्येक परियोजना के नियोजन चरण में क्यूए और क्यूसी को शामिल करने के लिए व्यापक नीति और प्रक्रियाएं विकसित की हैं। नई इमेजरी प्राप्त करने के लिए हमारे उन्नत उपग्रह सेंसर की विस्तृत श्रृंखला का उपयोग करना, या ग्राहक द्वारा प्रदान की गई यूएवी इमेजरी का उपयोग करना, हम आपको सटीक कृषि मानचित्रण, भूमि-कवर वर्गीकरण जैसे आपके 2D या 3D GIS मानचित्र अनुप्रयोगों का समर्थन करने के लिए अद्वितीय गुणवत्ता और भू-स्थानिक सटीकता प्रदान कर सकते हैं। विस्तृत वीएनआईआर, एसडब्ल्यूआईआर उपग्रह इमेजरी, हाइपरस्पेक्ट्रल विश्लेषण और गहन शिक्षण तकनीकों जैसे (अर्ध) स्वचालित वस्तु-आधारित छवि विश्लेषण (ओबीआईए) और कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) एल्गोरिदम के विकास/उपयोग से परिवर्तन का पता लगाना।

ऊर्जा और बुनियादी ढांचा

खनन और ऊर्जा परियोजनाओं को बढ़ाने के लिए हमारे द्वारा तैयार किए गए समाधानों का उपयोग करके व्यावसायिक जोखिमों को कम करें, पाइपलाइन योजना में तेजी लाएं, सतह की संरचना के बारे में जानें और पर्यावरणीय प्रभाव की भविष्यवाणी करें।

इंजीनियरिंग और निर्माण

निर्माण स्थल के चयन और मूल्यांकन से लेकर मौजूदा संरचनाओं के मूल्यांकन तक, हमारे पास आपकी परियोजना के हर चरण को सुविधाजनक बनाने में मदद करने के लिए समाधान तैयार किए गए हैं।

रक्षा और खुफिया

रक्षा एजेंसियों, सैन्य ठेकेदारों और कानून प्रवर्तन को लगातार नई चुनौतियों का सामना करना पड़ रहा है। सामरिक और सामरिक संचालन की योजना बनाते समय, लड़ाकू अभियानों को अंजाम देने और सिमुलेशन विकसित करने में हम एक बेजोड़ लाभ प्रदान करते हैं।

संरक्षण और अनुसंधान

पुरातात्विक स्थलों की पहचान करें, जलवायु परिवर्तन के प्रभावों की कल्पना करें, और कृत्रिम तंत्रिका नेटवर्क (एएनएन) प्रसंस्करण सहित हमारी उन्नत रिमोट सेंसिंग तकनीक के साथ वन्यजीव संरक्षण प्रयासों की निगरानी करें।

भू-स्थानिक प्रौद्योगिकी

हमारे भौगोलिक सूचना प्रणाली (जीआईएस) प्रौद्योगिकी समाधानों का लाभ उठाएं ताकि डेटा को नेत्रहीन संक्षिप्त, आसानी से उपभोज्य तरीके से मैप किया जा सके।

आपदा प्रतिक्रिया

जब समयबद्धता मायने रखती है, तो आपदा प्रतिक्रिया प्रयासों और बीमा कार्यों के लिए महत्वपूर्ण अंतर्दृष्टि प्रदान करने के लिए - प्राकृतिक या मानव निर्मित आपदा से पहले और बाद में एकत्रित हमारे उपग्रह छवि डेटा पर भरोसा करें।

प्राकृतिक संसाधन

संसार सदैव गतिमान है। पर्यावरण पर नजर रखने, समुद्र तट प्रबंधन प्रयासों को बढ़ाने, वनों का आकलन करने और कृषि संसाधनों के विकास को सुविधाजनक बनाने के लिए हमारे सिद्ध तरीकों का उपयोग करें। कृत्रिम तंत्रिका नेटवर्क प्रसंस्करण सहित हमारी लागत प्रभावी उपग्रह और यूएवी रिमोट सेंसिंग सेवाओं का उपयोग, मानक रिमोट सेंसिंग एल्गोरिदम का उपयोग करने की तुलना में कम लागत पर प्राप्त परिणामों की गुणवत्ता में सुधार कर सकता है।

मीडिया और मनोरंजन

अपने अगले समाचार प्रसारण, विज्ञान कार्यक्रम, या हॉलीवुड ब्लॉकबस्टर के दर्शकों को लुभाने के लिए आवश्यक आश्चर्यजनक दृश्य दृष्टिकोण प्राप्त करें।


पारिस्थितिकी, जैव विविधता और संरक्षण का रिमोट सेंसिंग: रिमोट सेंसिंग विशेषज्ञों के परिप्रेक्ष्य से एक समीक्षा

रिमोट सेंसिंग, गैर-संपर्क रिकॉर्डिंग के माध्यम से जानकारी प्राप्त करने का विज्ञान, पारिस्थितिकी, जैव विविधता और संरक्षण (ईबीसी) के क्षेत्र में बह गया है। कई गुणवत्ता समीक्षा पत्रों ने इस क्षेत्र में योगदान दिया है। हालांकि, ये पेपर अक्सर एक पारिस्थितिकीविद् या जैव विविधता विशेषज्ञ के दृष्टिकोण से मुद्दों पर चर्चा करते हैं। यह समीक्षा रिमोट सेंसिंग विशेषज्ञों के दृष्टिकोण से ईबीसी के अंतरिक्ष जनित रिमोट सेंसिंग पर केंद्रित है, अर्थात, यह उपकरणों और तकनीकों सहित अत्याधुनिक रिमोट सेंसिंग तकनीक के संदर्भ में आयोजित की जाती है। यहां, चर्चा किए जाने वाले उपकरणों में उच्च स्थानिक संकल्प, हाइपरस्पेक्ट्रल, थर्मल इंफ्रारेड, लघु-उपग्रह नक्षत्र, और LIDAR सेंसर शामिल हैं और तकनीकें छवि वर्गीकरण, वनस्पति सूचकांक (VI), उलटा एल्गोरिथ्म, डेटा फ्यूजन और एकीकरण का उल्लेख करती हैं। रिमोट सेंसिंग (आरएस) और भौगोलिक सूचना प्रणाली (जीआईएस)।

कीवर्ड: ईबीसी (पारिस्थितिकी, जैव विविधता और संरक्षण) रिमोट सेंसिंग (आरएस) और भौगोलिक सूचना प्रणाली (जीआईएस) रिमोट सेंसिंग स्मॉल-सैटेलाइट तारामंडल थर्मल इंफ्रारेड का LIDAR डेटा फ्यूजन इमेज वर्गीकरण एकीकरण।


पर्यावरणीय जांच के लिए उच्च स्थानिक संकल्प हाइपरस्पेक्ट्रल डेटा एकत्र करने, संसाधित करने और विश्लेषण करने में विचार

यह पत्र संग्रह, वायुमंडलीय और ज्यामितीय सुधार, और हाइपरस्पेक्ट्रल इमेजरी के प्रसंस्करण के लिए उपलब्ध विधियों का संक्षेप में वर्णन करता है। डेटा कैप्चर की चर्चा फ़ील्ड डेटा संग्रह के साथ छवि अधिग्रहण को एकीकृत करने के लॉजिस्टिक्स पर केंद्रित है। क्षेत्र से संदर्भ स्पेक्ट्रा के साथ इमेजरी का उपयोग करने के लिए वायुमंडलीय सुधार की आवश्यकता होती है और प्रयोगशाला सेंसर वायुमंडलीय सुधार के लिए विभिन्न तरीकों का वर्णन किया जाता है। अन्य भौगोलिक जानकारी के साथ छवि डेटा और व्युत्पन्न उत्पादों के एकीकरण के लिए ज्यामितीय सुधार आवश्यक है। सिंगल और मल्टीपल फीचर आइडेंटिफिकेशन के तरीकों का विवरण प्रदान किया गया है। बहु-विशेषता पहचान के लिए हाइपरस्पेक्ट्रल इमेजरी विधियों द्वारा प्रदान की गई सतह सामग्री के वर्णक्रमीय विवरण के विश्लेषण पर ये सभी ध्यान केंद्रित करते हैं, उप-पिक्सेल घटकों की पहचान करने के लिए इमेजरी की उच्च वर्णक्रमीय आयामीता का लाभ उठाते हैं। पर्यावरणीय विशेषताओं की व्याख्या में वर्णक्रमीय विश्लेषण के साथ संयुक्त स्थानिक विश्लेषण की भूमिका की पहचान की गई है।

यह सदस्यता सामग्री का पूर्वावलोकन है, आपकी संस्था के माध्यम से पहुंच।


हाइपरस्पेक्ट्रल इमेज + फील्ड डेटा - भौगोलिक सूचना प्रणाली

बॉबी शाकौल्स प्रोफेसर

____________________________________________________________________________________

जीवन संबन्धित जानकारी

डॉ. कियान (जेनी) डू ने बीजिंग इंस्टीट्यूट ऑफ टेक्नोलॉजी से बी.एस. और एम.एस. डिग्री प्राप्त की, और इलेक्ट्रिकल इंजीनियरिंग में क्रमशः 1998 और 2000 में मैरीलैंड बाल्टीमोर काउंटी विश्वविद्यालय से एम.एस. और पीएचडी की डिग्री प्राप्त की। वह 2000-2004 तक टेक्सास ए एंड एम यूनिवर्सिटी-किंग्सविले में इलेक्ट्रिकल इंजीनियरिंग और कंप्यूटर विज्ञान विभाग में सहायक प्रोफेसर थीं। वह 2004 के पतन में मिसिसिपी स्टेट यूनिवर्सिटी (MSU) में इलेक्ट्रिकल और कंप्यूटर इंजीनियरिंग विभाग में शामिल हुईं, जहाँ वह वर्तमान में बॉबी शैकौल्स प्रोफेसर हैं।

डॉ. डू का शोध क्षेत्र डिजिटल इमेज प्रोसेसिंग है और हाइपरस्पेक्ट्रल इमेज शोषण पर विशेषज्ञता के साथ रिमोट सेंसिंग समस्याओं के लिए इसका अनुप्रयोग है। उन्होंने जो शोध किया है, वह रिमोट सेंसिंग इमेज प्रोसेसिंग और विश्लेषण में लगभग सभी विषयों को शामिल करता है, जैसे लक्ष्य का पता लगाना, विसंगति का पता लगाना, परिवर्तन का पता लगाना, पर्यवेक्षित / अनुपयोगी / अर्ध-पर्यवेक्षित वर्गीकरण, वर्णक्रमीय अनमिक्सिंग, एंडमेम्बर निष्कर्षण, आयामी कमी, बैंड चयन मल्टीसोर्स डेटा/फीचर/डिसीजन फ्यूजन, रियल-टाइम प्रोसेसिंग, पैरेलल कंप्यूटिंग, डेटा कम्प्रेशन, रजिस्ट्रेशन और मोज़ाइकिंग, शार्पनिंग, विज़ुअलाइज़ेशन आदि। उनकी शोध रुचियों में इमेज सुपर-रिज़ॉल्यूशन और न्यूरल नेटवर्क भी शामिल हैं।

डॉ. डू एसपीआईई और आईईईई के फेलो हैं।

उन्होंने कई पत्रिकाओं के लिए एसोसिएट एडिटर के रूप में काम किया है:

- आईईईई जे-स्टार्स (2011�)

- आईईईई सिग्नल प्रोसेसिंग पत्र (2012�)

- एप्लाइड रिमोट सेंसिंग का जर्नल (2014�)

वह कई विशेष मुद्दों के लिए अतिथि संपादक के रूप में भी काम करती हैं:

- दूर से संवेदी डेटा का वर्णक्रमीय मिश्रण (जिओसाइंस और सुदूर संवेदनशीलता पर आईईई लेनदेन, वॉल्यूम। 49, नहीं। 11, 2011)

डॉ. डू हाइपरस्पेक्ट्रल इमेज और सिग्नल प्रोसेसिंग पर चौथी आईईईई जीआरएसएस कार्यशाला के लिए सामान्य अध्यक्ष हैं: शंघाई, चीन में रिमोट सेंसिंग (व्हिसपर्स) में विकास, 2012 में, सुकुबा में रिमोट सेंसिंग (पीआरआरएस) में पैटर्न पहचान पर 7 वीं आईएपीआर कार्यशाला। साइंस सिटी, जापान, 2012 में, और स्टॉकहोम, स्वीडन में 2014 में 8वीं IAPR PRRS कार्यशाला। वह 2019 में शंघाई, चीन में मल्टीटेम्पोरल रिमोट सेंसिंग इमेज के विश्लेषण पर 10वीं अंतर्राष्ट्रीय कार्यशाला के लिए सामान्य सह-अध्यक्ष हैं। वह 2019 में इस्तांबुल, तुर्की में एग्रो-जियोइनफॉरमैटिक्स पर 8वें अंतर्राष्ट्रीय सम्मेलन के लिए तकनीकी सह-अध्यक्ष भी हैं।

- फॉल 2021: ECE3443 सिग्नल और सिस्टम

पाठ: कामेन और हेक, सिग्नल और सिस्टम के मूल सिद्धांत, तीसरा संस्करण, पियर्सन, 2007 (आईएसबीएन: 978-0131687370)

- मैं हमेशा शोध के लिए अत्यधिक प्रेरित छात्रों की तलाश में रहता हूं। कृपया अधिक जानकारी के लिए मुझसे संपर्क करें।

सामान्य तौर पर, मैं किसी छात्र को तब तक भर्ती करने पर विचार नहीं करूंगा जब तक कि मैं अपनी कक्षा (कक्षाओं) में उसका प्रदर्शन नहीं देख लेता।


हाइपरस्पेक्ट्रल इमेज डेटा के इंटरएक्टिव विज़ुअलाइज़ेशन और विश्लेषण के लिए एक उपन्यास ढांचा

मल्टीस्पेक्ट्रल और हाइपरस्पेक्ट्रल छवियां अनुप्रयोग के विभिन्न क्षेत्रों जैसे रिमोट सेंसिंग, खगोल विज्ञान और सूक्ष्म स्पेक्ट्रोस्कोपी में अच्छी तरह से स्थापित हैं। हाल के वर्षों में, नए सेंसर डिजाइन, अधिक शक्तिशाली प्रोसेसर, और उच्च क्षमता भंडारण की उपलब्धता ने इस इमेजिंग पद्धति को चिकित्सा निदान, कृषि और सांस्कृतिक विरासत जैसे अनुप्रयोगों की एक विस्तृत श्रृंखला के लिए खोल दिया है। इसके लिए नए उपकरणों की आवश्यकता होती है जो छवि डेटा के सामान्य विश्लेषण की अनुमति देते हैं और उन उपयोगकर्ताओं के लिए सहज होते हैं जो हाइपरस्पेक्ट्रल इमेजिंग के लिए नए हैं। हम एक नया ढांचा पेश करते हैं जो शक्तिशाली एल्गोरिदम के साथ नई इंटरैक्टिव विज़ुअलाइज़ेशन तकनीकों को बंडल करता है और एक कुशल और सहज ग्राफिकल यूजर इंटरफेस के माध्यम से सुलभ है। हम पारंपरिक विज़ुअलाइज़ेशन तकनीकों के एक मजबूत लिंक के साथ समानांतर निर्देशांक के माध्यम से एक छवि के वर्णक्रमीय वितरण की कल्पना करते हैं, हाइपरस्पेक्ट्रल छवि विश्लेषण में नए प्रतिमानों को सक्षम करते हैं जो इंटरैक्टिव कच्चे डेटा अन्वेषण पर ध्यान केंद्रित करते हैं। हम दृश्य निरीक्षण में सहायता के लिए पर्यवेक्षित विभाजन, वैश्विक क्लस्टरिंग, और गैर-रेखीय झूठे-रंग कोडिंग के लिए उपन्यास विधियों को जोड़ते हैं। हमारे द्वारा गढ़ा गया ढांचा खुला स्रोत और अत्यधिक मॉड्यूलर है, जो स्थापित तरीकों पर आधारित है और एप्लिकेशन-विशिष्ट आवश्यकताओं के लिए आसानी से एक्स्टेंसिबल है। यह एक सामान्य, सुसंगत सॉफ़्टवेयर ढांचे की आवश्यकता को पूरा करता है जो कच्चे छवि डेटा और एल्गोरिथम परिणामों के लिए एक सहज, आधुनिक इंटरफ़ेस के साथ विश्लेषण एल्गोरिदम को कसकर एकीकृत करता है। Gerbil 45 देशों से उत्पन्न कई हजार डाउनलोड के साथ अकादमिक और उद्योग में समान रूप से दुनिया भर में उपयोग पाता है।

1। परिचय

मल्टीस्पेक्ट्रल इमेजिंग समृद्ध परावर्तन जानकारी को कैप्चर करने की अनुमति देता है जो पारंपरिक आरजीबी कैमरों के साथ उपलब्ध नहीं है। इसने दशकों से रिमोट सेंसिंग के क्षेत्र में महत्वपूर्ण भूमिका निभाई है, जब से विमान और उपग्रह हाइपरस्पेक्ट्रल सेंसर सिस्टम से लैस हो गए हैं। ऐसा ही एक उल्लेखनीय उदाहरण है एयरबोर्न विजिबल/इन्फ्रारेड इमेजिंग स्पेक्ट्रोमीटर (AVIRIS) [1]। हाइपरस्पेक्ट्रल सेंसर कम व्यापक रूप से "जमीन पर" उपयोग किए जाते हैं, हालांकि वे खगोल विज्ञान, सांस्कृतिक विरासत, कृषि और चिकित्सा इमेजिंग जैसे क्षेत्रों में अधिक लोकप्रिय हो रहे हैं।

एक मल्टीस्पेक्ट्रल छवि में, प्रत्येक पिक्सेल तीव्रता मूल्यों का एक वेक्टर होता है, जहां प्रत्येक मान तरंग दैर्ध्य की एक छोटी सी सीमा पर दृश्य चमक से मेल खाता है। परिणामी वैक्टर आमतौर पर 31 और 200 के बीच की लंबाई के होते हैं। डेटा की उच्च-आयामी प्रकृति और इसके मजबूत इंटरबैंड सहसंबंध कंप्यूटर विज़न एल्गोरिदम के लिए चुनौतियां पेश करते हैं। डेटा में निहित जानकारी को उजागर करने और उसका दोहन करने के लिए अनुकूलन की आवश्यकता होती है। इसी तरह की समस्या तब उत्पन्न होती है जब कोई ऐसे उच्च-आयामी डेटा को मैन्युअल रूप से संसाधित करने का प्रयास करता है। अंतर्ज्ञान की कमी है जो एक प्रस्तुति की मांग करती है जो डेटा अन्वेषण के दौरान उपयोगकर्ता का मार्गदर्शन करती है। प्रभावी रूप से, किसी को दो घटकों की आवश्यकता होती है: सूचना के विभिन्न पहलुओं का एक साथ विज़ुअलाइज़ेशन और मजबूत उपयोगकर्ता सहभागिता।

जैसे-जैसे मल्टीस्पेक्ट्रल सेंसर की लोकप्रियता बढ़ रही है, वैसे-वैसे कंप्यूटर एडेड, इंटरेक्टिव विश्लेषण की आवश्यकता है। उदाहरण के लिए, निरीक्षण के लिए ग्राफिकल इंटरफेस प्रदान करने के लिए पहले लोकप्रिय विश्लेषण ढांचे में से एक स्पेक्ट्रल इमेज प्रोसेसिंग सिस्टम था जिसे 1992 [2] में पेश किया गया था। हालांकि, लगभग सभी उपलब्ध मल्टीस्पेक्ट्रल विश्लेषण सॉफ्टवेयर विशिष्ट अनुप्रयोगों के अनुरूप हैं। जैसा कि अपेक्षित था, अधिकांश उपलब्ध सॉफ़्टवेयर रिमोट सेंसिंग पर केंद्रित है और इस डोमेन के लिए विशिष्ट वर्कफ़्लो को बढ़ावा देने के लिए डिज़ाइन किया गया है।

हाल के वर्षों में, सस्ते, उपयोग में आसान मल्टीस्पेक्ट्रल कैमरों की उपलब्धता ने इस तौर-तरीके को नए अनुप्रयोगों के लिए खोल दिया है। इलेक्ट्रॉनिक रूप से ट्यून करने योग्य फिल्टर [3] या इमेजिंग स्पेक्ट्रोमीटर [4] पर आधारित विभिन्न उपकरण कई विक्रेताओं से व्यावसायिक रूप से उपलब्ध हैं। उभरते अनुप्रयोगों को लक्षित करने वाले सेंसर का एक उदाहरण म्यूसिस [5] है, जो वर्तमान में कई संग्रहालयों और पुस्तकालयों में उपयोग में है। हालांकि, इन सेंसरों के उपयोगकर्ताओं के पास एक सॉफ्टवेयर समाधान नहीं है जो उन्हें एक इंटरैक्टिव और सहज ज्ञान युक्त तरीके से डेटा का पता लगाने में सक्षम बनाता है।

इस सीमा को दूर करने के लिए हमने गेरबिल सॉफ्टवेयर प्लेटफॉर्म विकसित किया है जिसमें वर्णक्रमीय छवियों की एक नई प्रस्तुति के साथ-साथ उनके निरीक्षण के लिए एक नया वर्कफ़्लो प्रदान करने के लिए स्थापित इंटरैक्टिव विज़ुअलाइज़ेशन अवधारणाएं शामिल हैं। चित्र 1 में मल्टीस्पेक्ट्रल छवि का निरीक्षण करने के लिए उपयोग में आने वाले गेरबिल के स्क्रीनशॉट को दर्शाया गया है। गेरबिल को ओपन-सोर्स सॉफ्टवेयर प्रोजेक्ट द्वारा सिग्नल प्रोसेसिंग रिसर्च कम्युनिटी जैसे ओपनसीवी [8] या वीका [9] में मुफ्त सॉफ्टवेयर फ्रेमवर्क की परंपरा में विकसित किया गया है। इस पत्र में हम गेरबिल के लिए एक वैज्ञानिक संदर्भ प्रदान करते हैं और इसमें शामिल मुख्य पद्धतियों का वर्णन करते हैं। हम गेरबिल में एल्गोरिदम की व्यवहार्यता और प्रदर्शन की एक विस्तृत प्रस्तुति भी प्रदान करते हैं और दिखाते हैं कि स्थापित अभ्यास की तुलना में हमारा उपन्यास दृष्टिकोण एक महत्वपूर्ण सुधार कैसे है।

पेपर बंडल और निम्नलिखित योगदानों पर फैलता है: (i) कुशल समानांतर निर्देशांक के आधार पर वर्णक्रमीय वितरण का इंटरएक्टिव विज़ुअलाइज़ेशन [6] (ii) हाइपरस्पेक्ट्रल डेटा का पर्यवेक्षित विभाजन [10] (iii) सुपरपिक्सेल समर्थन के साथ तेज़ वैश्विक क्लस्टरिंग [11] ( iv) फास्ट नॉनलाइनियर फॉल्स-कलर विज़ुअलाइज़ेशन [12]

इन विधियों को हाइपरस्पेक्ट्रल डेटा और इंटरैक्टिव समय की कमी के लिए स्थापित एल्गोरिदम को अनुकूलित करके प्राप्त किया गया था। वे हमें हाइपरस्पेक्ट्रल छवि विश्लेषण में नए प्रतिमानों को पेश करने की अनुमति देते हैं जो एक व्यापक ओपन-सोर्स सॉफ़्टवेयर ढांचे में उपरोक्त तकनीकों के कड़े समावेश पर निर्मित, इंटरैक्टिव कच्चे डेटा अन्वेषण पर ध्यान केंद्रित करते हैं। सॉफ्टवेयर एक मुफ्त सॉफ्टवेयर लाइसेंस के तहत http://gerbilvis.org/ पर सार्वजनिक रूप से उपलब्ध है।

2. पिछला कार्य

बहुस्पेक्ट्रल विश्लेषण के लिए पहले व्यापक रूप से मान्यता प्राप्त सॉफ्टवेयर पैकेजों में से एक, LARSYS, 1960 के दशक में उपलब्ध हुआ। यह एक टेक्स्ट टर्मिनल के माध्यम से संचालित किया गया था। ग्राफिकल, इंटरएक्टिव मल्टीस्पेक्ट्रल, या हाइपरस्पेक्ट्रल डेटा विश्लेषण के लिए कई रूपरेखाएँ जो आज भी व्यापक प्रभाव में हैं, 1990 के दशक की शुरुआत की हैं। पहले के ढांचे एक विशिष्ट अनुप्रयोग पर ध्यान केंद्रित करते थे, सबसे प्रमुख रूप से रिमोट सेंसिंग के क्षेत्र में। बोर्डमैन एट अल। [१३] रिमोट सेंसिंग हाइपरस्पेक्ट्रल डेटा के लिए स्थापित सॉफ्टवेयर सिस्टम के इतिहास का एक सिंहावलोकन प्रदान किया। Biehl [१४] ने २००७ में वेब पर एक अद्यतन सूची बनाई। इस खंड में हम अधिक व्यापक रूप से लागू सॉफ़्टवेयर की समीक्षा करने से पहले डोमेन-विशिष्ट सॉफ़्टवेयर पैकेजों का एक संक्षिप्त अवलोकन देते हैं। हम छवियों के इंटरैक्टिव निरीक्षण पर ध्यान केंद्रित करते हैं।

२.१. सुदूर संवेदन

स्पेक्ट्रल इमेज प्रोसेसिंग सिस्टम (एसआईपीएस) क्रूस एट अल द्वारा प्रस्तुत किया गया था। [२] १९९३ में। इसने स्पेक्ट्रल एंगल मैपर (एसएएम) पेश किया, जो एक स्पेक्ट्रम-तुलना उपकरण है जो अभी भी वर्णक्रमीय मिलान के क्षेत्र में लोकप्रिय है [१५]। डेटा को या तो एकल बैंड के रूप में या तीन उपयोगकर्ता-चयन योग्य बैंड के झूठे रंग के संयोजन में प्रस्तुत किया गया था। उपयोगकर्ता चयनित पिक्सेल के स्पेक्ट्रम को भी देख सकता है। एक चयनित स्लाइस (एक ऊर्ध्वाधर या क्षैतिज रेखा स्कैन या छवि में एक मनमाना पथ) के लिए रंग-कोडित स्टैक्ड स्पेक्ट्रा प्रदान किए गए थे। विज़ुअलाइज़ेशन रूपों का यह सेट अभी भी हाइपरस्पेक्ट्रल कैप्चर या विश्लेषण के लिए लोकप्रिय सॉफ़्टवेयर के लिए विशिष्ट है।

Biehl और Landgrebe [16] द्वारा मल्टीस्पेक फ्रीवेयर पैकेज डेटा I/O के लिए शक्तिशाली GDAL लाइब्रेरी [17] का उपयोग करके विभिन्न स्रोतों से मल्टीस्पेक्ट्रल छवियों का विश्लेषण कर सकता है। इस सॉफ्टवेयर का फोकस वर्गीकरण है। लक्षित दर्शक सामान्य पृथ्वी विज्ञान समुदाय है। पहले से बताए गए सभी सामान्य विज़ुअलाइज़ेशन प्रदान करने के अलावा, यह बाइप्लॉट उत्पन्न कर सकता है जो चयनित क्षेत्रों को बैंड की एक जोड़ी और एक सांख्यिकी छवि प्रदर्शन से संबंधित करता है, जो इन बैंडों के बीच संबंध को दर्शाता है।

एक व्यापक रूप से इस्तेमाल किया जाने वाला व्यावसायिक सॉफ्टवेयर ENVI [18] है, जिसे शुरू में बोर्डमैन एट अल द्वारा विकसित किया गया था। [१३]। ENVI में हाइपरस्पेक्ट्रल विश्लेषण में कई नवाचार पेश किए गए, उदाहरण के लिए, पिक्सेल शुद्धता सूचकांक (PPI) [19]। PPI एक छवि में सबसे अधिक वर्णक्रमीय शुद्ध पिक्सेल ढूंढता है। ये पिक्सल आम तौर पर एंडमेम्बर्स (एक छवि के घटक स्पेक्ट्रा) के अनुरूप होते हैं। विज़ुअलाइज़ेशन में एक उल्लेखनीय नवाचार है

-आयामी विज़ुअलाइज़र, जो इनपुट के रूप में PPI का उपयोग करता है। यह एक इंटरेक्टिव डेटा विज़ुअलाइज़ेशन विधि है जो स्कैटरप्लॉट के इन-डायमेंशन के रीयल-टाइम रोटेशन की अनुमति देता है। 2डी में -डिमेंशनल स्कैटरप्लॉट्स की प्रस्तुति कुछ हद तक अनपेक्षित हो सकती है। फिर भी चित्रित बिंदु बादलों के आधार पर अंतिम सदस्यों की पहचान के लिए उपकरण विशेषज्ञों के लिए मूल्यवान है।

हाइपरस्पेक्ट्रल रिमोट सेंसिंग डेटा विश्लेषण के लिए दो अन्य उल्लेखनीय सॉफ्टवेयर हाइपरक्यूब [23] और ऑप्टिक्स [24] हैं। हाइपरक्यूब को यूएस आर्मी कॉर्प्स ऑफ इंजीनियर्स द्वारा जारी किया गया है और इसमें फ़िल्टर करने, ताना (दो छवियों को पंजीकृत करने), कैलिब्रेट और अनडिस्टॉर्ट, फोटोमेट्रिकली प्रोजेक्ट और अंकगणितीय रूप से डेटा में हेरफेर करने के कार्य शामिल हैं। ऑप्टिक्स में जीआईएस एनोटेशन, फॉल्स कलरिंग और हिस्टोग्राम जैसे कई सामान्य टूल भी शामिल हैं। इसके अतिरिक्त, तृतीय पक्ष सॉफ़्टवेयर में और क्षमताओं को जोड़ते हुए बाहरी मॉड्यूल के माध्यम से कार्यक्षमता प्रदान कर सकते हैं। उदाहरण के लिए, स्पेक्ट्रल प्रोसेसिंग एक्सटेंशन [25] में हाइपरस्पेक्ट्रल डेटा विश्लेषण के लिए विशिष्ट उपकरण शामिल हैं।

रिमोट सेंसिंग के संदर्भ में, आयामीता में कमी को नियोजित करके एक मल्टीस्पेक्ट्रल छवि की कल्पना करने पर कई कार्य मौजूद हैं। लक्ष्य लंबाई के वर्णक्रमीय वैक्टर से आयामीता को कम करके छवि को झूठे रंग आरजीबी में प्रस्तुत करना है

मूल्य। परिणामी पिक्सेल रंगों के आधार पर, उपयोगकर्ता को अपनी विशिष्ट रुचियों के अनुसार छवि के क्षेत्रों में भेदभाव करने में सक्षम होना चाहिए। इसे प्राप्त करने के तरीकों में प्रमुख घटक विश्लेषण (पीसीए), स्वतंत्र घटक विश्लेषण (आईसीए), और गैर-रेखीय विधियों के वेरिएंट शामिल हैं। कुछ प्रकारों में वर्गीकरण परिणाम भी शामिल होते हैं। कुई एट अल द्वारा हालिया दृष्टिकोण। [२६] इस तरह के विज़ुअलाइज़ेशन के इंटरैक्टिव अनुकूलन पर केंद्रित है। हालाँकि, यह अभी भी छवि के सामान्य पिक्सेल मानचित्र प्रतिनिधित्व का उपयोग करता है।

२.२. खगोल

हाइपरस्पेक्ट्रल इमेजिंग के लंबे इतिहास वाला क्षेत्र खगोल विज्ञान है। इस क्षेत्र में सबसे उल्लेखनीय सॉफ्टवेयर ढांचा ds9 [27] है, जो स्मिथसोनियन एस्ट्रोफिजिकल ऑब्जर्वेटरी से उपलब्ध है। यह सॉफ्टवेयर खगोलीय इमेजरी के स्थानिक प्रतिनिधित्व में बहुत शक्तिशाली है। हालाँकि, यह डेटा क्यूब का एक सीमित 3D विज़ुअलाइज़ेशन प्रदान करता है जो गैर-खगोलीय डेटा के लिए शायद ही कभी व्यवहार्य होता है।

हाल ही में, ली एट अल। [२८] मल्टीबैंड डेटा को कैसे प्रस्तुत किया जाए, इस सवाल का स्पष्ट रूप से सामना किया। वे 3D में इमेज बैंड या तो इमेज-स्टैक के रूप में या वॉल्यूम-रेंडर मॉडल के रूप में बनाते हैं, उदाहरण के लिए, घोड़े की नाल। उनका वॉल्यूम रेंडरिंग उनकी तीव्रता या उपयोगकर्ता-समायोजित मास्क के आधार पर व्यक्तिगत डेटा बिंदुओं पर पारदर्शिता लागू करके अव्यवस्था की स्पष्ट समस्या को संभालता है। हालांकि, आम तौर पर कोई यह नहीं मान सकता है कि बड़े छवि क्षेत्रों को अभी भी अबाधित रूप से अधिक प्रासंगिक डेटा प्रदर्शित करने के लिए फीका किया जा सकता है।

२.३. अन्य अनुप्रयोग डोमेन

कलाकृति के साथ-साथ ऐतिहासिक दस्तावेजों के संरक्षण और विश्लेषण में मल्टीस्पेक्ट्रल इमेजिंग तेजी से लोकप्रिय हो गई है। कोलांटोनी एट अल। [२९] मानव रंग धारणा के परिप्रेक्ष्य से चित्रों की बहुस्पेक्ट्रल छवियों का विश्लेषण किया। छवि डेटा से, CIE में एक प्रतिनिधित्व

रंग स्थान [३०] की गणना नियंत्रित आभासी रोशनी के तहत की जाती है। फिर ट्राइक्रोमैटिक डेटा के विज़ुअलाइज़ेशन के लिए कई टूल लागू किए जा सकते हैं। विश्लेषण में मूल स्पेक्ट्रा पर विचार नहीं किया जाता है।

2010 में, किम एट अल। [३१] ऐतिहासिक दस्तावेजों के इंटरैक्टिव विज़ुअलाइज़ेशन के लिए एक समाधान प्रस्तुत किया। उन्होंने एक अच्छी तरह से डिज़ाइन किया गया स्व-निहित विश्लेषण उपकरण प्रदान किया और डेटा को कैसे प्रस्तुत किया जाता है, इसमें नवाचारों को शामिल किया। कुछ दस्तावेज़ विश्लेषण के लिए विशिष्ट हैं, उदाहरण के लिए, उम्र बढ़ने से संबंधित कलाकृतियों से निपटना, जबकि अन्य अधिक सामान्य हैं। वर्णक्रमीय लेंस सुविधा, उदाहरण के लिए, एक ही डिस्प्ले में दो स्पेक्ट्रल बैंड से डेटा प्रस्तुत करती है। समानता मानचित्रों की गणना . के आधार पर की जा सकती है

किसी चयनित क्षेत्र के माध्य वर्णक्रमीय मान और सभी छवि पिक्सेल के बीच मानदंड। हालांकि, एसएएम [15] जैसे समानता के उपाय स्पेक्ट्रा तुलना के लिए बेहतर अनुकूल होंगे। दो स्पेक्ट्रा की तुलना करने के लिए एक 3डी हिस्टोग्राम प्लॉट का उपयोग किया जाता है।

नेशनल आईसीटी ऑस्ट्रेलिया (एनआईसीटीए) स्केवेन सॉफ्टवेयर निःशुल्क प्रदान करता है जिसमें एनआईसीटीए [7, 32] में विकसित परावर्तन वसूली और सामग्री वर्गीकरण पाइपलाइन की सुविधा है। इसके विज़ुअलाइज़ेशन में झूठे रंग और गेरबिल में पेश किए गए समानांतर निर्देशांक विज़ुअलाइज़ेशन का अनुकूलन शामिल है (देखें खंड 3.2)।

लैबित्ज़के एट अल। [३३] मल्टीस्पेक्ट्रल डेटासेट के रैखिक वर्णक्रमीय मिश्रण के लिए एक इंटरैक्टिव ढांचा पेश किया। स्पेक्ट्रल अनमिक्सिंग रिमोट सेंसिंग में विशेष रूप से लोकप्रिय है, जहां स्थानिक संकल्प अक्सर कम होता है। एंडमेम्बर्स खोजने और स्पेक्ट्रल अनमिक्सिंग [34] करने के लिए कई एल्गोरिदम मौजूद हैं। लैबित्ज़के एट अल। एक वृद्धिशील विधि पेश की जो अर्ध-स्वचालित रूप से एंडमेम्बर्स को ढूंढ सकती है। फिर, उनके पूरक विज़ुअलाइज़ेशन द्वारा दृश्य प्रतिक्रिया प्रदान की जाती है जो कि विशेषता सेट की गुणवत्ता को दर्शाती है। अनमिक्सिंग को बेहतर बनाने के लिए इस सेट को अंतःक्रियात्मक रूप से संशोधित किया जा सकता है। लेखकों ने स्पष्ट रूप से गेरबिल [33] से अपने दृष्टिकोण को अलग किया। स्पेक्ट्रल अनमिक्सिंग उनके इंटरेक्टिव विज़ुअलाइज़ेशन दृष्टिकोण का अभिन्न अंग है, जबकि हमारे तरीकों में हम कच्चे डेटा की कल्पना करते हैं। लैबित्ज़के एट अल द्वारा प्रस्तावित एल्गोरिदम और वर्कफ़्लो। हमारे दृष्टिकोण के विरोध में नहीं हैं, बल्कि इसके बजाय वे अच्छी तरह से Gerbil की विज़ुअलाइज़ेशन क्षमताओं के पूरक हैं।

3. दृश्य निरीक्षण

सामान्य तौर पर, मौजूदा दृष्टिकोण डेटा प्रतिनिधित्व और उपयोगकर्ता इंटरैक्शन का एक ही मूल सेट साझा करते हैं, जबकि अलग-अलग एक्सटेंशन आमतौर पर एक विशिष्ट एप्लिकेशन परिदृश्य का पालन करते हैं। हालांकि, मल्टीस्पेक्ट्रल इमेजिंग के अनुप्रयोगों की व्यापक श्रेणी के लिए एक इंटरैक्टिव विज़ुअलाइज़ेशन फ्रेमवर्क की आवश्यकता होती है जो कि व्यापक श्रेणी के अनुप्रयोगों के लिए पर्याप्त रूप से सामान्य है और मौजूदा बुनियादी अभ्यावेदन की तुलना में अधिक बहुमुखी है। हमारे ढांचे में, गेरबिल, हम एक नई अवधारणा का पालन करते हैं जो एक मल्टीस्पेक्ट्रल छवि की खोज में पूरी तरह से नए वर्कफ़्लो को सक्षम बनाता है। यह प्रस्तुति और अन्वेषण के इर्द-गिर्द घूमता है जो छवि डेटा को उपयोगकर्ता के लिए अधिक स्पष्ट बनाता है, प्रभावी रूप से डेटा की अधिक प्रत्यक्ष व्याख्या की अनुमति देता है। उपयोगकर्ता भरोसा नहीं करता है, लेकिन केवल स्वचालित प्रसंस्करण द्वारा निर्देशित होता है।

३.१. मुख्य अवधारणा

चित्र 2 उन प्रमुख विशेषताओं का अवलोकन देता है जो गेरबिल का गठन करती हैं। विभिन्न प्रकार के अनुप्रयोगों में उपयोग के लिए उपयुक्त एक ढांचा बनाने के लिए, हम डेटा विज़ुअलाइज़ेशन और कंप्यूटर विज़न समुदायों से अवधारणाओं को जोड़ते हुए, कई अच्छी तरह से समझे जाने वाले हाइपरस्पेक्ट्रल विश्लेषण टूल को गेरबिल में शामिल करते हैं। हमारे दृष्टिकोण का मूल्य इन सुविधाओं को एक फैशन में नियोजित करने में निहित है जो एक मल्टीस्पेक्ट्रल छवि की जांच करते समय उपयोगकर्ता अनुभव को समृद्ध करता है। ऐसा ही एक उदाहरण समानांतर निर्देशांक का समावेश है, जो उच्च-आयामी डेटा प्रदर्शित करने की एक तकनीक है। समानांतर निर्देशांक का उपयोग वर्णक्रमीय वितरण की कल्पना में किया जाता है। विज़ुअलाइज़ेशन अत्यधिक गतिशील है और छवि के टोपोलॉजिकल अभ्यावेदन (जैसे, एकल छवि बैंड का ग्रेस्केल चित्रण) के साथ इंटरैक्ट करता है। एक अन्य योगदान कारक पर जोर है वर्णक्रमीय ढाल वर्णनकर्ता [३५]। इसका वितरण वर्णक्रमीय वितरण के आगे प्रदर्शित होता है। स्पेक्ट्रल ग्रेडिएंट एक मल्टीस्पेक्ट्रल डिस्क्रिप्टर है जो डेटा पहलुओं पर ध्यान केंद्रित करता है, जो सीधे सामग्री और परावर्तन गुणों से संबंधित होते हैं।

चित्र 1 में ग्राफिकल यूजर इंटरफेस के तीन मुख्य घटकों को दर्शाया गया है: मूल स्पेक्ट्रा (चित्रा 1 (ए)) और स्पेक्ट्रल ग्रेडिएंट स्पेक्ट्रा (चित्रा 1 (बी)) का दृश्य समानांतर निर्देशांक और स्थानिक छवि दृश्य (चित्रा 1 (चित्रा 1) दोनों के माध्यम से। सी))। इन तत्वों के बीच परस्पर क्रिया, जैसा कि खंड 3.3 में विस्तार से बताया गया है, उन उपकरणों द्वारा संवर्धित है जो उपयोगकर्ता को और मार्गदर्शन देते हैं। ऐसा ही एक उदाहरण पीसीए या गैर-रेखीय विधियों के माध्यम से आयामीता में कमी है, जैसा कि खंड 5 में चर्चा की गई है। एक अन्य उपकरण डेटा का फीचर-स्पेस क्लस्टरिंग है, जिसका वर्णन खंड 4.2 में किया गया है। हमारे वर्कफ़्लो में विशेष रूप से महत्वपूर्ण पर्यवेक्षण विभाजन है, जहां उपयोगकर्ता अपनी जांच के लक्ष्य या पूर्व ज्ञान के आधार पर इनपुट प्रदान करता है। खंड ४.१ में, हम वर्णन करते हैं कि हम इस कार्य के लिए ग्राफ-आधारित विभाजन एल्गोरिथ्म को कैसे नियोजित करते हैं।

३.२. वर्णक्रमीय वितरण दृश्य

एक मल्टीस्पेक्ट्रल छवि को उसकी संपूर्णता में चित्रित करने के मौजूदा दृष्टिकोण छवि के स्थानिक लेआउट द्वारा सीमित हैं। छवि डेटा को घन के रूप में देखा जाता है, जिसमें

वर्णक्रमीय बैंड के अनुरूप -अक्ष, जो एक दूसरे के ऊपर खड़ी होती हैं। आधुनिक वॉल्यूम रेंडरिंग तकनीकों का उपयोग इस प्रतिनिधित्व को कुछ परिदृश्यों में उपयोगी बना सकता है [28]। हालांकि ज्यादातर मामलों में, जहां पिक्सल्स में रुचि नहीं होती है, एक बहुत ही अव्यवस्थित दृश्य प्राप्त होता है जो एक साधारण 3D व्यवस्था की कमियों को प्रकट करता है। अन्य तरीके, जैसे स्कैटर प्लॉट या झूठे रंग, आयामीता में कमी पर निर्भर करते हैं। जबकि कम किए गए डेटा का विज़ुअलाइज़ेशन कई अनुप्रयोगों में सहायक होता है, सूक्ष्म विवरणों को संरक्षित करना कठिन होता है। इसके विपरीत, मूल डेटा का एक अच्छा विज़ुअलाइज़ेशन पर्यवेक्षक को यह मूल्यांकन करने में मदद करता है कि एक विशिष्ट अनुप्रयोग के लिए आयामी कमी विधि कितनी अच्छी तरह फिट बैठती है।

इस मुद्दे को संबोधित करने का एक तरीका छवि में टोपोलॉजिकल संबंधों से कुछ समय के लिए स्थगित करना है, और इसके बजाय वर्णक्रमीय वितरण के समझने योग्य प्रतिनिधित्व पर ध्यान केंद्रित करना है। इसे कुशलतापूर्वक करने के लिए, हम समानांतर निर्देशांक [36] विधि का उपयोग करते हैं जैसा कि नीचे बताया गया है। यह उच्च-आयामी ज्यामिति की कल्पना करने और बहुभिन्नरूपी डेटा का विश्लेषण करने के लिए एक अच्छी तरह से स्थापित तकनीक है। इसका व्यापक रूप से उपयोग किया गया है, उदाहरण के लिए, वित्तीय अनुप्रयोगों और भौगोलिक सूचना प्रणालियों में। पारंपरिक वर्णक्रमीय विज़ुअलाइज़ेशन को समानांतर निर्देशांक विज़ुअलाइज़ेशन के एक विशिष्ट तात्कालिकता के रूप में देखा जा सकता है। अधिक सामान्य अवधारणा पर निर्माण करके, हम उच्च-आयामी डेटा प्रस्तुति के लिए विज़ुअलाइज़ेशन समुदाय से उपकरण शामिल कर सकते हैं।

समानांतर निर्देशांक अवधारणा के अनुसार, एक-आयामी फीचर स्पेस (स्पेक्ट्रल बैंड के परिणामस्वरूप) को दो-आयामी दृश्य पर निम्नानुसार पेश किया जाता है। समानांतर ऊर्ध्वाधर रेखाएं अक्षों को दर्शाती हैं, अर्थात वर्णक्रमीय बैंड।

वें अक्ष बैंड पर एक स्पेक्ट्रम के मूल्य से मेल खाती है। एक पिक्सेल के वर्णक्रमीय वेक्टर को प्रदर्शित करने के लिए, एक पॉलीलाइन खींची जाती है, जिसके शीर्ष संबंधित ऊर्ध्वाधर अक्षों पर स्थित होते हैं। परिणामी प्रदर्शन एक भूखंड के लेआउट का अनुसरण करता है जहां

-अक्ष तरंग दैर्ध्य को दर्शाता है और -अक्ष तीव्रता को दर्शाता है।

3.2.1. अनुकूलित समानांतर निर्देशांक

प्रत्येक एकल मल्टीस्पेक्ट्रल वेक्टर के लिए एक पॉलीलाइन खींचने में कई कमियां हैं: इसमें समय लगता है और डिस्प्ले आसानी से अव्यवस्थित हो सकता है, जिस स्थिति में एकल पॉलीलाइन बाकी डेटा से अच्छी तरह से अलग नहीं हो सकती है। अव्यवस्था और गति दोनों चिंताओं का समाधान कम पॉलीलाइन बनाना है, जहां एक पॉलीलाइन पिक्सेल के एक सेट का प्रतिनिधित्व कर सकती है। इस अंतर के साथ, अधिक पिक्सेल का प्रतिनिधित्व करने वाली पॉलीलाइन अधिक मजबूत दिखाई देती हैं।

हम फीचर स्पेस में हिस्टोग्राम पेश करके इस प्रतिनिधित्व को महसूस करते हैं

प्रत्येक आयाम में समान रूप से वितरित डिब्बे। उपयोगकर्ता 2 और कैप्चर किए गए डेटा की गतिशील रेंज के बीच समायोज्य है (आमतौर पर

) उदाहरण के लिए, 31-बैंड मल्टीस्पेक्ट्रल छवि के लिए हिस्टोग्रामogram

डिब्बे इस आकार के घने हिस्टोग्राम का निर्माण संभव नहीं है, हालांकि एक साधारण हैशिंग एल्गोरिथम का उपयोग करके एक विरल हिस्टोग्राम बनाया जा सकता है। यहां मुख्य विचार यह है कि कब्जे वाले डिब्बे की मात्रा इनपुट छवि के स्थानिक संकल्प से बंधी है। उदाहरण के लिए, का एक स्थानिक संकल्प

केवल संभव विशिष्ट मान छोड़ता है, प्रभावी रूप से एक विरल हिस्टोग्राम में भरे हुए डिब्बे की मात्रा, या आवश्यक हैश कुंजियों की मात्रा के लिए एक ऊपरी सीमा देता है।

प्रत्येक आबादी वाले बिन के लिए, समानांतर निर्देशांक विज़ुअलाइज़ेशन में एक पॉलीलाइन तैयार की जाती है। पॉलीलाइन की ताकत को एक अस्पष्टता निर्दिष्ट करके हेरफेर किया जाता है

. बिन द्वारा दर्शाए गए पिक्सेल की संख्या के बीच संबंध द्वारा निर्धारित किया जाता है,

, और संसाधित पिक्सेल की कुल संख्या,

उपयोगकर्ता-समायोज्य कारक कहां है और

एक लघुगणकीय कार्य है। लघुगणक कम पिक्सेल वाले डिब्बे पर जोर देता है। विचार यह है कि एक पिक्सेल भी बोधगम्य होना चाहिए। लघुगणक यह भी सुनिश्चित करता है कि अल्फा मानों की परिणामी गतिशील श्रेणी को 8-बिट अल्फा चैनल के साथ उचित रूप से अच्छी तरह से प्रदर्शित किया जा सकता है। आजकल, गेरबिल फ्लोटिंग-पॉइंट फ्रेमबफ़र पर ड्राइंग करके इस सीमा को पार कर जाता है और उपयोगकर्ता रैखिक होना चुन सकता है।

3.2.2 आरेखण शोधन

The newer design of Gerbil includes several measures to further enhance the visual quality and accuracy of the spectral distribution display. By dividing the feature space into a fixed number of equally spaced bins, the histogram applies a nonadaptive quantization of a spectral vector x. A possible strategy to reduce the introduced quantization error is to employ a binning that is adapted to the observed data. A straight-forward method is to perform a separate histogram equalization in each dimension , which enforces a uniform PDF of the mapped vector values

[37]. While it works well for big clusters of similar pixels, spectra that are sparsely represented in the image will suffer from such an operation. It may increase the average accuracy at a great expense in the precision of single pixel representations, which is not desirable.

We employ an alternative strategy by adjusting how a bin is drawn. Our method achieves an improved general accuracy without a significant expense in the accuracy for any single pixel. When drawing a bin, we draw the mean vector of its contents instead of its midrange values. This can be computed on the fly while adding new vectors, with a final normalization based on the already stored number of entries. Figure 3 shows an example of the visual quality gain. A broad description of the spectral distribution is already possible with a low .

Another hindrance in visual quality is the mutual obstruction of pixel representations. In many use-cases, pixels are color coded (see Section 3.3). This involves effectively drawing several distributions on top of each other. In highly populated intensity ranges this can lead to extensive occlusions. There exists work on clutter reduction in parallel coordinate plots that tackles this problem [38]. The key idea is to only render a randomly sampled subset of the data points. Instead, we significantly reduce clutter by drawing data in a randomly shuffled order, without dismissing any information.

3.2.3. Evaluation

The error introduced by the histogram-based quantization can be measured by the average root mean squared error (RMSE) as well as the maximum absolute deviation (MAD), between original vectors

and their quantized counterparts

. This gives us the measure

where is the sample maximum.

The number of bins per dimension is a crucial parameter. It lets the user choose between drawing speed, viewing quality, and accuracy. Even a considerably low should provide acceptable accuracy, and the speed-up by lowering should be effective. We evaluate RMSE and MAD for both the previously published [6] and the newly proposed drawing methods on several datasets from different application domains. Table 1 provides statistics on the datasets. The CAVE dataset consists of objects in a laboratory settings, while Foster captured natural (outdoor) scenes. Indian Pines and D.C. Mall are widely used remote sensing images.

We use a desktop machine equipped with a quad-core Intel Core i7 CPU running at 2.80 GHz and a GeForce GTX 550 Ti consumer graphics card for testing the computational performance. We measure the time needed for drawing operations via GL _ TIMESTAMP and draw in WUXGA resolution.

In Figure 4 we plot running times against accuracy for varying . Bin Center describes the originally published drawing method, while अर्थ denotes our refined drawing method. We can observe that the average RMSE becomes negligible with higher for both methods. However, our method achieves low RMSE values for considerably lower settings of . Due to outliers present in some of the histogram bins, the MAD for the refined method is somewhat higher than the original MAD.

The time needed to build the histogram is denoted as binning and is not determined by . The time needed for preparing the geometry and loading it on the GPU (लोड हो रहा है) slowly grows with . In contrast, plays an important role for the time needed for the drawing operation (Drawing) For higher values, the time needed for drawing grows to multiples of the time needed for preparation. Hence the histogramming plays an important role in achieving interactivity.

In Table 2 the running times and accuracy measures for the refined drawing method are listed on all datasets except Indian Pines, where, due to the very low resolution of the image, running times are negligible. The times shown for preparation are the combined histogram building and geometry loading times. As in Figure 4, it is observed that a low can already achieve a small quantization error. Setting

is a reasonable compromise between speed and accuracy on the tested datasets. It provides an effective speed-up in comparison to a high histogram resolution without a perceivable loss in drawing accuracy.

It can be seen in Table 2 that on our test machine, even with a moderate setting, drawing the spectra from a large image may still take several seconds. Typically it is impractical to work on a high-resolution image without a region of interest. Yet, we alleviate longer drawing times by incrementally drawing the data (disabled in the benchmarking) in order to provide direct visual feedback in the form of a rough approximation of the full data (as pixels are drawn in a random order).

३.३. Interactive Inspection

An important aspect of today’s visualization approaches for multivariate data is interactive manipulation of the presentation. A single view most often cannot provide the full understanding that may be gained by a series of user-controlled depictions. User input is vital to parallel coordinates in particular. We provide several mechanisms for both transient (cursor highlights) and persistent (color labels) interactive viewing.

In the parallel coordinate plots, the user can dynamically highlight specific data points, that is, spectral vectors that represent pixels. These are displayed in yellow and with full opacity as an overlay over nonhighlighted spectra. We realize this in OpenGL with layered frame buffers. Updates to the highlight only need to redraw highlighted spectra. While the highlight constantly follows the keyboard and/or mouse input the corresponding pixels are instantly highlighted in the spatial view. While scrolling through the spectra, the topological view always reveals which pixels contribute to the highlighted spectra.

Two modes of operation exist for highlighting in the spectral distribution: single-band limited and multiband limited. The single-band limited highlight is formed by all spectral vectors falling into bins that share a specific intensity range in one band (see Figure 5(a)). The coarseness of this selection is therefore directly related to the binning parameter. The user selects the band and intensity range via mouse click or cursor keys. The multiband limited highlight provides a higher level of control in exchange for more detailed user input. Here, in each band, separate lower and upper intensity bounds can be set (see Figure 5(b)).

Another method of highlighting exists in the topological view. Here, the user can direct a cursor over individual pixels in the spatial view. In the corresponding viewports, the spectrum, and spectral gradient data of the pixel under the cursor are presented as a yellow overlay.

While highlights give instant feedback, they constantly change as the user investigates the data. It is often desired to keep a selection of pixels distinguished from the rest of the data, for example, for comparison purposes. We call this pixel set a label each pixel can be part of at most one label. A label can be seen as a permanent highlight. For each label, a distinct sparse histogram is created as described in Section 3.2.1. It is then drawn in the label color. When a histogram bin is part of the current transient highlight, the color is significantly shifted towards yellow.

When the user has selected pixels within the transient highlight, they may add this set of pixels to a label or delete their label association. By doing so, they can iteratively refine the labeling of the data to concentrate on specific details. Another way to alter the labeling is to use a “label” brush in the topological view or to use automated segmentation methods as discussed in Section 4. Labelings can also be stored for later use.

Labels are important because they serve as a memory in the connection between different representations of the multispectral image such as between a single band and the spectral distribution. A selection, or temporary highlight in one representation, is instantly propagated to the others. By labeling this highlight, it becomes permanent. The user can then continue his investigation within another representation, for example, the spectral gradient view, that may reveal new insights within this labeling. For example, a user may start by hand-labeling parts of a scene in the topological view. Then, they may restrict the spectral distribution view to this label. The parallel coordinates visualization could reveal a certain variance within the labeled pixels. By using selection tools inside this viewport, the user could separate parts of the pixels and assign them to a second label. The topological view instantly reveals which parts of the object contribute to which portion of the distinguished spectra. Next, the user may initialize a multiband limited highlight based on this second label. This reveals other regions in the scene that share spectral characteristics with the labeled pixels.

As a result, we facilitate a workflow of inspecting an image that is not possible with a traditional hyperspectral analysis framework. It is based on concurrent, concerted work with both topological and spectral views and allows a smooth and instantaneous switch in attention between them. Such a step-by-step exploration enables the user to quickly discover and grasp underlying information. In the visualization domain this procedure is considered a valuable tool for understanding complex data [39]. A narrated video demonstration of this workflow can be accessed at http://video.gerbilvis.org/.

4. Segmentation and Labeling

An interactive interface to the multispectral data is no replacement for automatic processing. In fact, the two approaches together form a powerful combination. Within our framework, it is easy to interpret and assess the results of algorithms used in automated analysis. These results can be a good starting point for further interactive analysis. Gerbil is equipped with two powerful methods that segment the data either according to spectral characteristics on a global level or based on topological relation and local similarity. In the latter case we bring supervised segmentation to the multispectral domain especially for the purpose of interactive inspection.

४.१. User-Guided Segmentation

Supervised segmentation incorporates user-provided prior knowledge. A user specifies a set of background and foreground pixels. All other pixels are then determined as belonging to either the background or the foreground. We make this concept a powerful tool within our interactive workflow.

The early version of Gerbil [6] included a rudimentary version of supervised segmentation. We have now adapted an existing algorithm family specifically to the multispectral domain [10].

4.1.1. Graph-Based Supervised Segmentation

In recent years, graph-based algorithms have dominated supervised segmentation on both grayscale and RGB images. In 2011, Couprie et al. introduced a framework for supervised segmentation that incorporates several key methods based on graph theory [40]. उनका power watersheds integrate graph cuts, random walker, and watersheds algorithms in a single mathematical framework.

For this algorithm family, the input consists of two sets of pixels, the foreground seeds

, as well as the pixel values , which are strictly used in a differential manner. The topological relation of pixels is reflected in a graph structure. Each pixel corresponds to a vertex

. A neighboring pixel with corresponding is connected to via an edge

of an edge is a function of the similarity between and . We compute an -element vector


Hyperspectral Image + Field Data - Geographic Information Systems

Imaging spectroscopy has been used in the laboratory by physicists and chemists for over 100 years for identification of materials and their composition. Spectroscopy can be used to detect individual absorption features due to specific chemical bonds in a solid, liquid, or gas. Recently, with advancing technology, imaging spectroscopy has begun to focus on the Earth. The concept of hyperspectral remote sensing began in the mid-80's and to this point has been used most widely by geologists for the mapping of minerals. Actual detection of materials is dependent on the spectral coverage, spectral resolution, and signal-to-noise of the spectrometer, the abundance of the material and the strength of absorption features for that material in the wavelength region measured.

Hyperspectral remote sensing combines imaging and spectroscopy in a single system which often includes large data sets and require new processing methods. Hyperspectral data sets are generally composed of about 100 to 200 spectral bands of relatively narrow bandwidths (5-10 nm), whereas, multispectral data sets are usually composed of about 5 to 10 bands of relatively large bandwidths (70-400 nm).

Hyperspectral imagery is typically collected (and represented) as a data cube with spatial information collected in the X-Y plane, and spectral information represented in the Z-direction.


Use of Airborne Hyperspectral Imagery to Map Soil Properties in Tilled Agricultural Fields

) were analyzed for carbon content, particle size distribution, and 15 agronomically important elements (Mehlich-III extraction). When partial least squares (PLS) regression of imagery-derived reflectance spectra was used to predict analyte concentrations, 13 of the 19 analytes were predicted with

, including carbon (0.65), aluminum (0.76), iron (0.75), and silt content (0.79). Comparison of 15 spectral math preprocessing treatments showed that a simple first derivative worked well for nearly all analytes. The resulting PLS factors were exported as a vector of coefficients and used to calculate predicted maps of soil properties for each field. Image smoothing with a

low-pass filter prior to spectral data extraction improved prediction accuracy. The resulting raster maps showed variation associated with topographic factors, indicating the effect of soil redistribution and moisture regime on in-field spatial variability. High-resolution maps of soil analyte concentrations can be used to improve precision environmental management of farmlands.

1। परिचय

Spatial assessment of soil properties is important for understanding the dynamics of agricultural ecosystems. Site specific data can provide information that is critical to maintaining healthy soils and adequate nutrient supply for crop production, preventing losses of nutrients and sediments to the environment, and evaluating the transfer of elements such as carbon between land and atmosphere. Research has demonstrated that soil properties such as carbon content are correlated with field topography, soil texture, electrical conductivity, and soil reflectance [1–4]. A study by Venteris et al. [5] documented accumulation of carbon in low areas of fields following soil translocation from higher areas, with resulting carbon loss and soil degradation in elevated areas, and Thompson et al. [6] used soil-landscape modeling techniques to evaluate topographic distribution of soil texture and carbon content. These geographic approaches accounted for 28% to 68% of variation in measured carbon and demonstrated the complexity of environmental and management practices that affect soil characteristics. Recent research into soil health and sustainable cropping systems has demonstrated the potential of improved systems management based on knowledge of distributed soil properties [7]. Contemporary farm management relies on moderate resolution soil maps derived from photo and topographic interpretation. Accurate mapping of soil properties is made difficult due to high spatial variability observed within agricultural fields, errors in spatial assessment of soil properties can result from inadequate or biased sampling of the landscape, and the high cost associated with collecting and analyzing soil samples often limits the amount information available to farmers and land managers. However, advances in remote sensing technology are now providing tools to support geospatial mapping of soil properties, with applications in agricultural and environmental management.

Diffuse reflectance spectroscopy offers a rapid and nondestructive means for measurement of soil properties based on the reflectance spectra of illuminated soil [8–10]. A growing body of literature supports the use of spectral reflectance to determine soil properties, mostly using laboratory instrumentation to measure soil reflectance in the visible (400–700 nm) near infrared (700–2500 nm) and mid-infrared (2500–25,000 nm) wavelengths. Partial least squares (PLS) regression has emerged as a successful chemometric method for extracting predictive information from spectral reflectance datasets [10–12]. The PLS method, characterizes high leverage orthogonal factors within observed spectral variance and matches them to similar factors that describe observed variance within measurements of a corresponding dependant variable. It has been successfully used to predict the results of soil laboratory analysis for carbon content [13, 14], particle size distribution [13, 15, 16] and elemental nutrient content [14, 17, 18], with results sometimes approaching the analytical accuracy of laboratory tests [12, 19]. A review of 44 studies [20] documented associated with prediction of soil carbon that ranged from 0.45 to 0.98, with a median of 0.86. Prediction accuracy depends on the signal : noise associated with the spectral data, and, like most analytical calibrations, is also highly influenced by the distribution of values in the measured dataset. The PLS-derived predictive equations, like most analytical calibrations, are most effective when the unknowns fall with the range of observations used to create the predictive equation, and the best success is obtained when an adequate number of locally obtained samples are included in the calibration data set [12, 21].

Advances in sensor technology have enabled satellite and airborne collection of hyperspectral imagery, allowing the acquisition of spectrally detailed geospatial reflectance data at field and landscape scales. By combining PLS regression of soil properties with reflectance data derived from airborne imagery, high-resolution maps of soil properties can be developed, thus overcoming the inaccuracies associated with geospatial interpolation of soil test data. Reports in the literature, for example, [16, 19, 22], indicate great potential for remote sensing approaches to map surface soil properties. However, additional research is needed to optimize data analysis procedures and improve prediction ability [19]. Separation of signal from noise is an important part of spectral data processing. Geometric and atmospheric adjustments are first required to derive a geospatially representative map of soil reflectance spectra. The imagery can then be smoothed spatially by averaging adjacent pixels, for example using a low-pass filter. This can reduce the noise that results from random signal variability within the detector array while increasing the signal associated with number of observations. It is also common to smooth the spectra in various ways, often by averaging adjacent wavebands or by calculation of first and second derivatives. Numerous math pretreatments have been evaluated for application of PLS to spectral reflectance data obtained from agricultural soils [8, 14, 23, 24].

In this paper, we have three objectives: (1) to evaluate 30 combinations of spectral math pretreatments and imagery smoothing techniques to identify most effective methods of preparing remote sensing data for partial least squares (PLS) analysis of soil properties (2) to develop and validate PLS predictions of soil concentrations for 19 laboratory analytes based on data extracted from airborne hyperspectral imagery and (3) to export resulting PLS vectors to geospatial imagery processing software and calculate high-resolution raster maps of predicted soil characteristics. Six recently tilled agricultural fields were intensively sampled to provide the calibration data set.

2. Materials and Methods

2.1. Field Sampling

On 10 April, 2007, we collected 315 soil samples from six fields (Figure 1) located on working grain farms on the Eastern Shore of the Chesapeake Bay (Delmarva Peninsula, near Easton, MD). Each of the fields (Temple 1S, 7.3 ha Temple 1N, 7.1 ha Temple 2, 8.9 ha Temple 3, 18.1 ha Mason, 14.6 ha Schrader 9.8 ha) was chosen to provide uniform, smooth, bare-soil conditions, had been recently tilled (moldboard plow, field cultivator, and disk), and had little to no vegetation or plant residue. Soil conditions were moderately dry at the time of sampling, with six days of warm spring weather since the previous substantial rainfall (25 mm on 04 April, 2007). All fields were relatively flat (0% to 5% slope). Soil types included moderately well-drained silt loams (Pineyneck PiA, Mattapex-Butlertown MtA), poorly drained silt loams (Othello Ot), and well-drained sandy loams (Indleside IgB). Although the majority of Eastern Shore farms are managed using no-till practices, the tilled fields were otherwise typical of regional cash grain crop management strategies.


(a)
(बी)
(c)
(d)

Hyperspectral Image + Field Data - Geographic Information Systems

You have requested a machine translation of selected content from our databases. This functionality is provided solely for your convenience and is in no way intended to replace human translation. Neither SPIE nor the owners and publishers of the content make, and they explicitly disclaim, any express or implied representations or warranties of any kind, including, without limitation, representations and warranties as to the functionality of the translation feature or the accuracy or completeness of the translations.

Translations are not retained in our system. Your use of this feature and the translations is subject to all use restrictions contained in the Terms and Conditions of Use of the SPIE website.

Three-dimensional densely connected convolutional network for hyperspectral remote sensing image classification

Chunju Zhang, 1 Guandong Li, 1 Shihong Du, 2 Wuzhou Tan, 3 Fei Gao 1

1 Hefei Univ. of Technology (China)
2 Institute of Remote Sensing and Geographical Information Systems, Peking Univ. (China)
3 Anhui Bureau of Surveying and Mapping (China)

SUBSCRIBE TO DIGITAL LIBRARY

50 downloads per 1-year subscription

25 downloads per 1 - year subscription

Includes PDF, HTML & Video, when available

Hyperspectral remote sensing images (HSIs) are rich in spatial and spectral information, thus they help to enhance the ability to distinguish geographic objects. In recent years, great progress have been made in image classification using deep learning (such as 2D-CNN and 3D-CNN). Compared with traditional machine learning methods, deep learning methods can automatically extract the abstract features from low to high levels and convert the images into more easily recognizable features. Most HSI classification tasks focus on spectral information but often ignore the rich spatial structures in HSIs, leading to a low classification accuracy. Moreover, most supervised learning methods use shallow structures in HSI classifications and hence exhibit weak performance in finding sparse geographic objects. We proposed to use the three-dimensional (3-D) structure to extract spectral–spatial information to build a deep neural network for HSI classifications. Based on DenseNet, the 3D densely connected convolutional network was improved to learn spectral-spatial features of HSIs. The densely connected structure can enhance feature transmission, support feature reuse, improve information flow in the network, and make deeper networks easier to train. The 3D-DenseNet has a deeper structure than 3D-CNN, thus it can learn more robust spectral–spatial features from HSIs. In fact, the deeper network structure has a regularized effect, which can effectively reduce overfitting on small sample datasets. The network uses HSIs instead of feature engineering as input data and is trained in an end-to-end manner. The experimental results of this model on the Indian Pines datasets and the Pavia University datasets show that deeper neural networks further improve the classification of complex objects, especially in the areas where geographic objects are sparse. It effectively improves the classification accuracy of HSIs.

© 2019 Society of Photo-Optical Instrumentation Engineers (SPIE) 1931-3195/2019/$25.00 © 2019 SPIE

Chunju Zhang , Guandong Li , Shihong Du , Wuzhou Tan , and Fei Gao "Three-dimensional densely connected convolutional network for hyperspectral remote sensing image classification," Journal of Applied Remote Sensing 13(1), 016519 (23 February 2019). https://doi.org/10.1117/1.JRS.13.016519

Received: 12 July 2018 Accepted: 22 December 2018 Published: 23 February 2019