Hiperspektral görüntülerde son elemanların ve katışım oranlarının hesaplanması
Finding endmembers and proportion values in hyperspectral image
- Tez No: 413556
- Danışmanlar: YRD. DOÇ. DR. SENİHA ESEN YÜKSEL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2015
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 119
Özet
Hiperspektral görüntüdeki son elemanların ve katışım oranlarının hesaplanması zor bir işlemdir. Son eleman bulma algoritmaları, görüntüdeki son eleman sayısını olması gerekenden az ya da fazla bulabilirler. Ayrıca görüntüdeki son eleman sayısı daha önceden bilinse bile, son eleman bulma algoritmalarının bulduğu sonuçlar hatalı olabilmektedir. Algoritmalar aynı sınıfı temsil eden birden fazla son eleman bulmaktadır ve dolayısıyla bazı sınıfları temsil eden son elemanlar bulunamamaktadır. Bu sorun hiperspektral görüntü katışımlarına ayrılırken hataya sebep olmaktadır. Bu çalışmada SHARE-2012 AVON bölgesinde katışımlarına ayrıştırma deneyi verisi kullanılmıştır. Görüntü sekiz parça kumaş ve kumaşları çevreleyen çimen ve asfalt içerecek şekilde SHARE-2012 AVON verisinden kesilmiştir. PPI, VCA, N-FINDR, ICE ve SPICE gibi en bilinen son eleman bulma algoritmaları kesilen görüntü üzerinde test edilmiştir. Test edilen tüm algoritmalar, aynı sınıfa ait birden fazla son eleman bulmuşlar ve bazı sınıfları temsil edecek son elemanları bulamamışlardır. Bu yüzden N-FINDR algoritması baz alınarak tepe noktası gözeten N-FINDR adında bir son eleman bulma algoritması geliştirilmiştir. Geliştirilen algoritma, görüntüdeki her bir saf maddeyi temsil edecek bir son eleman bulmak için, ilk olarak aynı sınıfa ait son elemanları gruplamakta ardından da her bir son eleman grubunu temsil edecek bir son elemanı seçmektedir. Temel son eleman bulma algoritmaları ve geli¸stirilen algoritmanın sonuçları sunulmuştur.
Özet (Çeviri)
Finding the endmembers and proportion values in hyperspectral image is a challenging task. Endmember extraction algorithms may over or underestimate the number of endmembers in a given scene. Even if the number of endmembers in the scene given to the algorithms, they may not find endmembers representing each pure spectra uniquely. This problem hinders the performance of unmixing, resulting in incorrect endmember proportion value estimates. In this work, SHARE-2012 AVON data pertaining to the unmixing experiment is considered. The data was cropped which includes only the eight pieces of clothes and portion of surrounding asphalt and grass. This data was used to evaluate the performance of linear mixture model based endmember extraction algorithms, namely PPI, VCA, N-FINDR, ICE and SPICE. As a result, none of these algorithms found endmember spectra correctly. All these algorithms generated multiple endmembers corresponding to the same class or they completely missed some of the endmembers. For this reason, peak aware N-FINDR algorithm was devised to group the endmembers of the same class so as not to over-under estimate the true endmembers. Comparison of fundamental endmember extraction algorithms and peak aware N-FINDR algorithm are demonstrated.
Benzer Tezler
- Hyperspectral imagery super-resolution
Hiperspektral görüntülerde süperçözünürlük
HASAN IRMAK
Doktora
İngilizce
2017
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE AKAR
YRD. DOÇ. DR. SENİHA ESEN YÜKSEL
- Hiperspektral ve LİDAR verilerinin öznitelik ve karar seviyelerinde tümleştirilmesi ve derin evrişimli sinir ağlarıyla sınıflandırılması
Fusion of Hyperspectral and LIDAR datasets with feature and decision based methods and classification with deep convolutional neural networks
MESUT SALMAN
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. SENİHA ESEN YÜKSEL
- Hiperspektral görüntüler için uzamsal yaklaşımlar
Spatial approaches for hyperspectral images
ALP ERTÜRK
Doktora
Türkçe
2013
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KEMAL GÜLLÜ
- Hiperspektral görüntülerde derin öğrenme ile hedef tespiti
Target detection on hyperspectral images using deep learning
BATUHAN MERT SEVEROĞLU
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
- 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