آموزش الگوریتم نقشه بردار زاویه طیفی در انوی
در ادامه ی مباحث پیشرفته ی نرم افزار envi در این قسمت نحوه ی کار با الگریتم sam بررسی شد. از این الگریتم می توان به دو صورت بارزسازی و طبقه بندی استفاده کرد. در این آموزش نحوه ی کار با طیف ها برای استفاده در این الگریتم توضیح داده شد.
قیمت: 25000/
25000
تومان
تخفیف روزانه: %0
بعد از پرداخت مشاهده آنلاین فعال خواهد شد
با استفاده از سکه های حساب خود می توانید این آموزش را رایگان دریافت کنید
تعداد سکه های مورد نیاز: 50 سکهتعداد سکه های شما: سکه
برای مشاهده این بخش باید وارد حساب کاربری خود شوید
در صورتی که حساب کاربری ندارید می توانید یک حساب کاربری رایگان بسازید
ورود به حساب کاربری ساخت حساب کاربری:نظرات ارسال شده
الگوریتم SAM چیست
نقشه بردار زاویه طیفی (SAM) یک روش خودکار برای مقایسه مستقیم طیف های تصویر با طیف های شناخته شده (معمولاً در آزمایشگاه یا در میدان با طیف سنج تعیین می شود) یا یک عضو نهایی است. این روش هر دو طیف (مطالعه و شناخته شده) را به عنوان بردار در نظر می گیرد و زاویه طیفی بین آنها را محاسبه می کند. این روش به نور حساس نیست زیرا الگوریتم SAM فقط از جهت برداری استفاده می کند و از طول بردار استفاده نمی کند. نتیجه طبقه بندی SAM تصویری است که بهترین تطابق را در هر پیکسل نشان می دهد. این روش معمولاً به عنوان اولین پردازش ها برای تعیین کانی شناسی استفاده می شود و در مناطق همگن به خوبی کار می کند. USGS یک کتابخانه طیفی بزرگ دارد که عمدتاً از انواع مواد معدنی و خاک تشکیل شده است که می توان طیف های تصویر را مستقیماً با هم مقایسه کرد. این الگوریتم یکی از چندین روش موجود برای طبقه بندی می باشد. البته این الگوریتم کاربرد بارزسازی نیز دارد.
در فضای طیفی چند بعدی، بردار پیکسل x دارای (طول) و هم زاویه است که با توجه به محورهایی که سیستم مختصات را مشخص میکند اندازهگیری میشوn. در تکنیک Spectral Angle Mapper (SAM) برای شناسایی طیف پیکسل فقط از اطلاعات زاویه ای استفاده می شود. SAM بر این ایده استوار است که یک طیف بازتابی مشاهده شده را می توان به عنوان یک بردار در یک فضای چند بعدی در نظر گرفت، جایی که تعداد ابعاد برابر با تعداد باندهای طیفی است.
ایراد الگوریتم SAM
اگر اندازه برداری در ارائه اطلاعات متمایز مهم باشد، تکنیک SAM شکست می خورد، که در بعضی از موارد اتفاق می افتد. با این حال، اگر طیفهای پیکسلی از کلاسهای مختلف به خوبی در فضای ویژگی توزیع شده باشند، احتمال زیادی وجود دارد که اطلاعات زاویهای به تنهایی تفکیک خوبی را فراهم کند. این تکنیک در مواجهه با نویز پوسته پوسته شدن (scaling noise) به خوبی عمل می کند.