تفاوت تصاویر multispectral ( چند طیفی) و hyperspectral ( فرا طیفی ):
هنگامی که شما این مطلب را می خوانید، چشمانتان انرژی منعکس شده را می بیند.
درحالی که کامپیوتر آن را در سه کانال تفکیک می کند : قرمز، سبز و آبی.
شاید برای شما جالب باشد چرا که ماهی قرمز توانایی تفکیک تابش مادون قرمز که توسط چشم انسان قابل رویت نیست را دارا می باشد.
همچنین زنبور عسل توانایی دیدن نور ماوراء بنفش را دارد.
درحالی که این کار یرای چشم انسان اصلا مقدور نمی باشد.
تصور کنید که چشم انسان توانایی چشم ماهی قرمز برای دیدن مادون قرمز و همچنین توانایی چشم زنبور برای دیدن ماورا بنفش را داشته باشد.
قطعا دید انسان نسبت به جهان تغییر خواهد کرد.
سنسورهای multispectral و hyperspectral برای ما همان کار را انجام می دهند.
طیف الکترومغناطیسی
طیف قابل مشاهده (قرمز، سبز و آبی)، مادون قرمز و ماوراء بنفش مناطق توصیفی در طیف الکترومغناطیسی هستند.
این طبقه بندی صورت گرفته درواقع برای اهداف خودمان ایجاد و به راحتی طبقه بندی شده است.
این طبقه بندی بر اساس فرکانس هر محدوده می باشد.
- نور نور قابل مشاهده برای انسان (۳۸۰ نانومتر تا ۷۰۰ نانومتر)
- ماهی قرمز مادون قرمز (۷۰۰ نانومتر تا ۱ میلیمتر)
- زنبور عسل ماورای بنفش (۱۰ نانومتر تا ۳۸۰ نانومتر)
تصویر multispectral و تصویر hyperspectral قدرت را به عنوان انسان (قرمز، سبز و آبی)، ماهی قرمز (مادون قرمز) و زنبور عسل (ماوراء بنفش) می بینند. در واقع ما می توانیم حتی بیشتر از این یعنی تابش EM های رسیده به سنسور را هم ببینیم .
تفاوت عمده و اصلی multispectral و hyperspectral ها به تعداد باند ها و نحوه کارکرد آنها برمی گردد.
تصاویر multispectral عموما به ۳ تا ۱۰ باند اشاره دارند.
برای واضح تر شدن، هر گروه با استفاده از یک رادیومتر سنجش از راه دور به دست می آیند.
تصاویر hyperspectral از نوارهای بسیار باریک (۱۰-۲۰ نانومتر) تشکیل شده است. یک تصویر Hyperspectral می تواند صدها یا هزاران باند داشته باشد.
نمونه تصویر multispectral
یک نمونه از این کار multispectral یا چند طیفی تصویر Landsat-8 است. Landsat-8 ، ۱۱ عکس با باند های زیر تولید می کند:
[highlight color=”yellow”]پیشنهاد ما:[/highlight]- آئروسل ساحلی در گروه ۱ (۰٫۴۳-۰٫۴۵ um)
- آبی در گروه ۲ (۰٫۴۵-۰٫۵۱ um)
- سبز در گروه ۳ (۰٫۵۳-۰٫۵۹ um)
- قرمز در گروه ۴ (۰٫۶۴-۰٫۶۷ um)
- در نزدیکی NIR مادون قرمز در گروه ۵ (۰٫۸۵-۰٫۸۸ um)
- موج کوتاه مادون قرمز SWIR 1 در گروه ۶ (۱٫۵۷-۱٫۶۵ um)
- SWIR مادون قرمز SWIR 2 در گروه ۷ (۲٫۱۱-۲٫۲۹ um)
- پانکروماتیک در گروه ۸ (۰٫۵۰-۰٫۶۸ um)
- Cirrus در گروه ۹ (۱٫۳۶-۱٫۳۸ um)
- TIRS مادون قرمز حرارتی ۱ در گروه ۱۰ (۱۰٫۶۰-۱۱٫۱۹ um)
- TIRS مادون قرمز ۲ در گروه ۱۱ (۱۱٫۵۰-۱۲٫۵۱ um)
هر باند دارای رزولوشن ۳۰ متری است بجز گروه ۸، ۱۰ و ۱۱٫ درحالی که باند ۸ دارای رزولوشن ۱۵ متری است، باند ۱۰ و ۱۱ دارای اندازه پیکسل ۱۰۰ متری می باشد.
شاید شما هم دراین فکر باشد چرا باند ۰٫۸۸-۱٫۳۶ وجود ندارد.
جذب اتمسفر دلیل اصلی این اتفاق است چرا که هیچ حسگری تجهت تشخیص این طول موج ها وجود ندارد.
نمونه تصویر hyperspectral:
ماهواره TRW Lewis به عنوان نخستین ماهواره hyperspectral یا فرا طیفی در سال ۱۹۹۷ بود.
متاسفانه، ناسا ارتباطش را با این ماهواره از دست داد. اما بعدها ناسا یک ماموریت راه اندازی موفقیت آمیز داشت. طیف سنجی تصویربرداری Hyperion (بخشی از ماهواره EO-1) نمونه ای از حسگر Hyperspectral است.
به عنوان مثال، Hyperion تصاویری با وضوح ۳۰ متری را در ۲۲۰ نوار طیفی (۰٫۴-۲٫۵ um) تولید می کند.
طیف سنجی تصاویر هوایی مرئی / مادون قرمز ناسا به اختثار (AVIRIS) نمونه ای از یک سنسور Hyperspectral است.
به عنوان مثال AVIRIS، ۲۲۴ کانال مجاور را با طول موجهای ۰٫۴-۲٫۵ um ارائه می دهد.
Multispectral در مقابل hyperspectral
Multispectral :متشکل از ۳ تا ۱۰ باند گسترده.
Hyperspectral:متشکل از صدها باند کوچک.
داشتن سطح بالاتری از جزئیات طیفی در تصاویر Hyperspectral ، توانایی بهتر برای دیدن محدوده هایی است که توسط چشم انسان قابل روئت نیست. به عنوان مثال،با استفاده از تصاویر Hyperspectral شناسایی ۳ ماده معدنی به دلیل قدرت تفکیک طیفی بالاتر صورت گرفته است.
اما با استفاده از تصاویر Multispectral نمی توانان این ۳ ماده معدنی را از هم تشخیص داد.
یکی از ضعف های تصاویر Hyperspectral وجود تعداد بالای همین باندهاست.
برای مثال اگر شما ۲۰۰ کانال داشته باشد چگونه می توانید افزونگی بین این باندها را کاهش دهید؟
تصاویر Hyperspectral و multispectral کاربرد بسیاری در دنیای واقعی دارند. به عنوان مثال، تصاویر Hyperspectral برای نشان دادن گونه ها و برای کمک به کاوش های معدنی مورد استفاده قرار می گیرند.
صدها برنامه کاربردی دیگر نیز وجود دارد که Hyperspectral و multispectral ما را قادر به شناختن جهان می کنند. به عنوان مثال، از آن ها در زمینه های کشاورزی، محیط زیست، نفت و گاز، اقیانوس شناسی و مطالعات جوی نیز استفاده می شود.
