Hiperspektral görüntülerde anomali saptama için arka plan çıkarımı
Background extraction for anomaly detection in hyperspectral images
- Tez No: 545380
- Danışmanlar: DOÇ. DR. KORAY KAYABOL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Hiperspektral imgelerde anomali tespiti genel manada, görüntü içerisinde olağan durumlar dışında pek sık rastlanmayan ve spektral imzası da bilinmeyen durumların tespiti olarak tanımlanabilir. Anomali tespiti genellikle olağan durumların tespit edilip bu durumlar dışında kalan kısmın işaretlenmesi şeklinde yapılmaktadır. Anomali durumların tespiti için geliştirilen yöntemler; tüm imgeyi inceleyerek anomali piksel tespiti yapanlar, yerel olarak tespit yapanlar ya da imgeyi alt uzaya indirgeyerek tespit yapanlar gibi farklı sınıflara ayrılabilir. Bu tezde [1]'de hiperspektral görüntülerin sınıflandırılması için önerilen Bayesçi Gauss modeli hiperspektral görüntülerde anomali tespiti için uyarlanmıştır. Hiperspektral imge sınıflandırmada Gauss arkaplan modeli pek tercih edilmemektedir. Bunun nedeni az sayıda eğitim örneği olduğunda kestirilen kovaryans matrislerinin tersinin alınamamasıdır. Bu da sınıflandırma için çok değişkenli Gauss dağılımı kullanılarak olasılıkların hesaplanmasına imkan vermemektedir. Bayeşçi yaklaşım yardımıyla sınıf ortalama vektörleri ve kovaryans matrisleri için tanımlanan önsel dağılımlarla kestirim problemi düzenlileştirilmektedir. Bayesçi Gauss arkaplan modeli (BGAM) arkaplanın öğrenilmesi için yerel bir pencere içerisinde kullanılmaktadır. Pencere içerisindeki örnek sayısı az olduğundan kovaryans matrisinin kestirilmesinde önerilen algoritma problemi düzenlileştirmektedir. BGAM'da ortalama vektörleri ve kovaryans matrisleri için önsel olasılık dağılım fonksiyonları tanımlanarak kovaryans kestirim problemi daha gürbüz hale getirilmektedir. Literatürde sıkça kullanılmakta olan Reed Xiaoli algoritmasının türevleri olan Düzenlileştirilmiş RX, Yerel RX, Global RX, Çekirdek RX, Alt Uzay Tabanlı RX önermiş olduğumuz yöntemle gerçek veri setleri üzerinden kıyaslanmış ve bazı parametreler için seçilen değerlerde önerilen yöntem daha iyi sonuçlar vermiştir.
Özet (Çeviri)
Anomaly detection can be defined as the detection of situations that are outside the usual situations in the image but whose signature is not known and they are not frequently seen. Mostly in the literature, the usual cases are determined and then marking the outside of these cases. Anomaly detection methods can be divided some classes like; examining the whole image globally, examining locally divided image or reduce the image into subspace. In this thesis, Bayesian Gaussian background learning approach for classification in [1] is recommended for the detection of anomaly in hyperspectral images. Gaussian background model is not preferred too much in the hyperspectral image classification. This is because the estimated covariance matrices cannot be reversed when there are few training samples. This situation does not allow the calculation of probabilities by using multivariate Gaussian distribution for classification. With the help of Bayesian approach, estimation problem is regularized by the prior distributions defined for class mean vectors and covariance matrices. The Bayesian Gaussian background model (BGBM) is used in a local window for learning the background. Since the number of samples in the window is small, the algorithm proposed for estimating the covariance matrix is regulating the problem. In Bayesian Gaussian background model, covariance estimation problem is made more robust by defining prior probability distribution functions for mean vectors and covariance matrices. The Reed Xiaoli (RX) algorithm which is frequently used in the literature and the derivatives of RX Regularized RX (RRX), Local RX (LRX), Global RX (GRX), Kernel RX (KRX) Subspace-Based RX (SSBRX) was compared with the real data sets and observed that the suggested method better in some parameters.
Benzer Tezler
- Sparse matrix decomposition and low rank based techniques for anomaly detection in hyperspectral images
Hiperspektral görüntülerde anomali tespiti için seyrek matris ayrıştırma ve düşük sıra tabanlı teknikler
FATMA KÜÇÜK
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH VEHBİ ÇELEBİ
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- Augmented superpixel based anomaly detection in hyperspectral imagery
Hiperspektral görüntülerde genişletilmiş süperpiksel tabanlı anomali tespiti
EZGİ GÖKDEMİR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA
- Anomaly Detection with Sparse Unmixing and Gaussian Mixture Modeling of Hyperspectral Images
Hiperspektral Görüntülerde Seyrek Spektral Ayrıştırma ve Gauss Karışım Modeli ile Anomali Tespiti
ACAR ERDİNÇ
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM AKSOY
- Hiperspektral görüntülerde hedef tespit algoritmalarının karşılaştırılması ve kaynaştırılması
A comparative analysis and fusion of target detection algorithms in hyperspectral images
AHMET KARAKAYA
Yüksek Lisans
Türkçe
2016
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SENİHA ESEN YÜKSEL
- Hiperspektral görüntülerde eser miktarda kimyasal madde tespiti
Detection of trace amount chemical substances in hyperspectral images
ŞAFAK ÖZTÜRK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. SENİHA ESEN YÜKSEL ERDEM