Hiperspektral görüntülerin eğiticisiz bölütlenmesi
Unsupervised segmentation of hyperspectral images
- Tez No: 243594
- Danışmanlar: PROF. DR. SARP ERTÜRK, PROF. DR. TÜLAY YILDIRIM
- Tez Türü: Doktora
- Konular: Bilim ve Teknoloji, Elektrik ve Elektronik Mühendisliği, Mühendislik Bilimleri, Science and Technology, Electrical and Electronics Engineering, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2009
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 127
Özet
Hiperspektral görüntüleme uzaktan algılama alanında doğuş sürecinde olan ve yüzlerce spektral bandı kullanma avantajına sahip yeni bir teknolojidir. Hiperspektral görüntüleme sistemleri elektromanyetik spektrumda görünür bölgeden kızılötesi spektral bant aralığına kadar olan bölgede dar ve bitişik spektral bantları algılamaktadır. Hiperspektral görüntüleme ve bir önceki teknoloji olan multispektral görüntüleme arasında kullandıkları bant sayısı ve bant süreklilik karakteristikleri açısından farklar bulunmaktadır. Genel olarak multispektral görüntüler 4'ten 7'ye kadar spektral bant içermekte ve her bir bant yaklaşık olarak 300 ile 400 nm bant genişliğine sahip olmaktadır. Diğer taraftan hiperspektral veriler ise yüzlerce spektral bant içermekte (örn. genel hiperspektral görüntü algılayıcıları 128'den 224'e kadar bant içermektedir) ve yaklaşık olarak bant genişlikleri 10 ile 20 nm arasında değişmektedir.Bilimsel disiplinler arasındaki hızlı yakınsama ile birlikte hiperspektral görüntüleme sivil ve askeri alanda, örneğin uzaktan algılama, yer bilimleri, tıp, kimya, çevresel gözleme, tarım, ormancılık, savunma ve güvenlik, hedef belirleme, şehir planlama ve yönetimi gibi alanlarda birçok uygulama alanı bulmuştur.Eğiticisiz bölütleme hiperspektral görüntülerin daha iyi anlaşılması için kullanılan bir yaklaşımdır. Ayrıca hiperspektral görüntülerin bölütlenmesi/kümelenmesi hiperspektral sahnenin kesin referans bilgisinin elde edilmesinin zor ve maliyetli olduğu durumlarda yüksek boyutlu verinin daha kolay analiz edilmesine olanak sağlar. Tez çalışmasında hiperspektral görüntülerin eğiticisiz olarak bölütlenmesinin yanısıra hiperspektral görüntülerde gürültü giderimi, boyut indirgeme, kümeleme sonuçlarının zenginleştirilmesi ve görüntüdeki doğru sayıdaki kümenin tespiti konuları da ele alınmıştır.Hiperspektral görüntülerde birçok bant atmosferik etkiler nedeniyle ve az da olsa algılayıcı aygıta bağlı olarak gürültü içermektedir. Tezde gürültü giderimi amacıyla dalgacık dönüşümü ve temel bileşen analizi beraberce kullanılarak hiperspektral görüntünün gerek spektral gerekse uzamsal bilgisinden yararlanılması hedeflenmiştir. Daha sonra hiperspektral görüntülerin bölütlenmesi öncesinde önerilen gürültü gideriminin bölütleme başarımına olan olumlu etkileri nesnel olarak gösterilmiştir.Hiperspektral verilerin yüksek boyutlu yapısı nedeniyle bant seçimi ve özellik çıkarımı yöntemleri hiperspektral görüntü işlemede oldukça önemli yeri olan ön-işleme aşamalarıdır. Boyut indirgeme ile fazlalık bilgilerin atılması ve işlem zamanının hızlandırılması amaçlanmaktadır. Tez çalışmasında boyut indirgeme aşaması ve bu konudaki kapsamlı literatür araştırması detaylı olarak verilmiştir. Ayrıca hiperspektral verilerde doğrusal yöntemlerin yanı sıra doğrusal olmayan boyut indirgeme yöntemlerinden de yararlanılmış ve ardından bölütleme başarımı üzerindeki etkileri incelenmiştir. Doğrusal olmayan boyut indirgeme yöntemlerinin işlemsel yükünün üstesinden gelebilmek için vektör nicemleme ile sahnenin spektral dağılımını en iyi şekilde temsil eden prototipler elde edilmiş ve boyut indirgeme aşaması bu prototipler üzerinde uygulanmıştır. Sahnedeki tüm piksellerin boyut indirgemesi ise radyal taban fonksiyonlu (RTF) yapay sinir ağları ve geliştirilmiş olan `K-noktalı ortalama aradeğerleme' yöntemleri ile gerçekleştirilmiştir.Hiperspektral görüntülerin bölütlenmesinde katı (hard, crisp) kümele yöntemlerinin yanı sıra bulanık kümeleme algoritmalarından da yararlanılmıştır. Bu amaçla bulanık c-ortalamalar ve bu algoritmanın daha gelişmiş versiyonu olan bulanık Gustafson-Kessel algoritmaları kullanılmıştır. Bölütlemenin son-işleme aşamasında uzamsal bilgileri de kullanabilen yeni bir yaklaşım olan `çekirdek içi faz korelasyonu' önerilmiştir. Kısaca bu yaklaşımda komşu piksellerin bulanık üyelik dereceleri arasındaki spektral ve uzamsal ilişkiler birlikte hesaba katılmaktadır. Buna ek olarak bulanık üyelik kübünün iki ve üç boyutlu Gauss süzgeçlenmesi ile bölütleme doğruluğunun arttırılabileceği gösterilmiştir.Bölütleme/kümeleme analizinde karşılaşılan en büyük problemlerden biri de hiperspektral görüntüdeki doğru sayıdaki küme sayısının bulunmasıdır. Tez çalışmasında bir-sınıf destek vektör makineleri (BS-DVM) yöntemine dayanan ve destek vektör spektral ayrıştırıcılık gücü (DV-SAG) adı verilen yeni bir kümeleme geçerliliği yaklaşımı sunulmuştur. Önerilen kümeleme geçerliliği yaklaşımı spektral ayrıştırıcılık gücü (SAG) ölçütüne dayanmakta ve BS-DVM yönteminin kalıtımsal küme çevresinin belirlenmesi özelliğini kullanmaktadır. Ayrıca, eksiltmeli kümeleme ve faz korelasyonu birlikte kullanılarak hiperspektral görüntülerin bölütlenmesi de önerilmiştir.Sonuç olarak tez çalışmasında, hiperspektral görüntülerin bölütlenmesinde değişik aşamalarda karşılaşılan çeşitli problemlerin giderilmesi için yeni çözümler ve yeni yaklaşımların sunulması amaçlanmıştır. Umarım ki bu tez çalışması uzaktan algılama, işaret ve görüntü işleme, örüntü tanıma ve makine öğrenmesi alanlarında çalışan araştırıcılar için yararlı bir kaynak olur.
Özet (Çeviri)
Hyperspectral imaging is an emerging technology in remote sensing, which has the advantage of using hundreds of spectral bands. The differences between hyperspectral and multispectral imaging are the total number of bands and their continuity characteristics. Generally, multispectral data contain 4 to 7 spectral bands, and the bandwidth of each band is typically between 300 to 400 nm. On the other hand hyperspectral data contain hundreds of spectral bands (e.g., common hyperspectral image sensors have 128 to 224 bands) with approximately a bandwidth of 10 to 20 nm each. Hyperspectral imaging systems receive contiguous, narrow spectral bands from the visible to the infrared spectral band intervals in the electromagnetic spectrum.With the rapid convergence in scientific disciplines, hyperspectral imaging has found many applications in civil and military fields, such as remote sensing, geology, medicine, chemistry, environmental monitoring, agriculture, forestry, defense and security, target detection, urban planning and management.Unsupervised segmentation is an approach for better understanding hyperspectral images. Hyperspectral image segmentation/clustering enables easier analysis of the high dimensional data when it is difficult and costly to acquire groundtruth information of the hyperspectral scene. In this thesis numerous problems are handled for efficient segmentation of a hyperspectral scene such as noise removal, dimension reduction, enhancement of clustering results with postprocessing techniques and cluster validation for finding optimal number of clusters for segmentation.In hyperspectral images many spectral bands contain noise because of atmospheric effects or depending on sensor device. The proposed denoising approach exploits both spectral and spatial information of the hyperspectral images by using wavelet transform and principal component analysis. Then, effects of multiscale windowed denoising of spectral signatures is presented before segmentation of hyperspectral images.Because of high dimensionality of the hyperspectral data, band selection and feature extraction are important in hyperspectral image processing as a preprocessing stage. Dimension reduction is applied to remove redundant information and accelerate processing time. In this thesis, more information about dimension reduction stage and comprehensive literature survey on this subject are given. Besides linear techniques, nonlinear dimension reduction methods are also utilized for hyperspectral data and their effects on segmentation performance are investigated. To overcome computational load of nonlinear dimension reduction techniques, prototypes which represent the spectral distribution of the scene have been obtained with vector quantization and dimension reduction stage has been applied on these prototypes. Dimension reduction of all pixels in the scene has been accomplished using radial basis function (RBF) neural networks and the developed `K-point mean interpolation? method.In addition to hard clustering methods fuzzy clustering algorithms are also utilized for the segmentation of hyperspectral images. For this purpose fuzzy c-means and an extended version of this algorithm, namely the fuzzy Gustafson-Kessel algorithms are used. A novel approach to include spatial information in the postprocessing of segmentation stage is achieved by making use of both spectral and spatial relations of fuzzy membership functions among neighbor pixels. The method is called `within kernel phase correlation?. Furthermore, it is shown that by two- and three-dimensional Gaussian filtering of the fuzzy membership cube the segmentation accuracy can be increased.Finding an optimal number of clusters in a hyperspectral image is one of the important problems in cluster/segmentation analysis. In this thesis, a novel cluster validity approach referred to as support vector power of spectral discrimination (SV-PWSD) that uses one-class support vector machines (OC-SVM) has been developed. The proposed cluster validity measure is based on the power of spectral discrimination (PWSD) measure and utilizes the inherited cluster contour definition feature of OC-SVM. Also it is proposed to segment hyperspectral images with subtractive clustering accompanied by phase correlation.Consequently in this thesis, it is intended to introduce new solutions and novel approaches for various problems from diffrent stages of the segmentation of hyperspectral images. Hopefully, this thesis will be a useful source for researchers who work on remote sensing, signal and image processing, pattern recognition and machine learning areas.
Benzer Tezler
- Hiperspektral görüntülerde spektral ve uzamsal enformasyonun ortaklaşa kullanımı ile sınıflandırılması ve bölütlenmesi
Classification and segmentation of hyperspectral images with joint usage of spectral and spatial information
UĞUR ERGÜL
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN BİLGİN
- Hiperspektral görüntü sınıflandırmada faz korelasyonu ve 1-bit temelli yaklaşımlar
Hyperspectral image classification approaches using phase correlation and 1-bit transform
DAVUT ÇEŞMECİ
Yüksek Lisans
Türkçe
2009
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET KEMAL GÜLLÜ
- Hiperspektral görüntülerde boyut indirgeme
Dimension reduction in hyperspectral images
BURAK AKGÜL
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH BAL
- Hiperspektral görüntülerde yarı güdümlü öğrenme teknikleri
Semi supervised learning techniques on hyperspectral images
MUHAMMET SAİD AYDEMİR
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- Fukunaga-Koontz dönüşümü tabanlı algoritmaların geliştirilmesi ve hedef tespiti-sınıflandırma uygulamaları
Development of Fukunaga-Koontz transform based algorithms and target detection-classification applications
HAMİDULLAH BİNOL
Doktora
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HERMAN SEDEF