Characterizing and Mitigating Sensor Generated Spatial Correlations in Airborne Hyperspectral Imaging Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In hyperspectral imaging (HSI), the spatial contribution to each pixel is non-uniform and extends past the traditionally square spatial boundaries designated by the pixel resolution, resulting in sensor-generated blurring effects. The spatial contribution to each pixel can be characterized by the net point spread function, which is overlooked in many airborne HSI applications. The objective of this study was to characterize and mitigate sensor blurring effects in airborne HSI data with simple tools, emphasizing the importance of point spread functions. Two algorithms were developed to (1) quantify spatial correlations and (2) use a theoretically derived point spread function to perform deconvolution. Both algorithms were used to characterize and mitigate sensor blurring effects on a simulated scene with known spectral and spatial variability. The first algorithm showed that sensor blurring modified the spatial correlation structure in the simulated scene, removing 54.0%–75.4% of the known spatial variability. Sensor blurring effects were also shown to remove 31.1%–38.9% of the known spectral variability. The second algorithm mitigated sensor-generated spatial correlations. After deconvolution, the spatial variability of the image was within 23.3% of the known value. Similarly, the deconvolved image was within 6.8% of the known spectral variability. When tested on real-world HSI data, the algorithms sharpened the imagery while characterizing the spatial correlation structure of the dataset, showing the implications of sensor blurring. This study substantiates the importance of point spread functions in the assessment and application of airborne HSI data, providing simple tools that are approachable for all end-users.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle