Optimization and deep learning based multi model abundance estimation and unmixing algorithms for hyperspectral images
Hiperspektral görüntülerde optimizasyon ve derin öğrenme tabanlı çok modelli bolluk tahmini ve ayrıştırma algoritmaları
- Tez No: 655295
- Danışmanlar: PROF. DR. YASEMİN ÇETİN, DOÇ. DR. ALPER KOZ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 116
Özet
Hiperspektral ayrıştırma, görüntünün içindeki malzemeleri tanımlamayı ve bu malzemelere karşılık gelen bolluk değerlerini tahmin etmeyi amaçlamaktadır. Bu tez, malzemelerin spektral imzalarının mevcut olduğu durum için optimizasyona dayalı bir bolluk tahmin yöntemi ve malzemelerin spektral imzalarının olmadığı durumlar için derin öğrenme tabanlı bir hiperspektral ayrıştırma yöntemi önermektedir. İlk çalışmada sunulan bolluk tespit algoritması gerçek verilerin tek bir modelle ifade edilemeyecek kadar karmaşık etkileşimler içerebilmesi varsayımına dayanmaktadır. Bu nedenle, gerçek verilerde bolluk tespiti yapılırken çoklu model kullanılması hedeflenmiştir. Önerilen optimizasyon tabanlı bolluk tespit algoritması, hedef piksele yakın bir hata oranına ulaşılana kadar doğrusal karışım modelini varsayan bir yaklaşımı benimser. Optimizasyon algoritması daha sonra maliyet fonksiyonunu, olası karışım modelleri için yeniden tanımlayarak işleme devam eder. Kullanılan çeşitli optimizasyon algoritmaları ve uzaklık metrikleri arasında, sıralı kuadratik programlama ve spektral açı haritalama kombinasyonu ile önerilen çözüm, diğer arama yöntemleri ve temel algoritmalardan daha başarılı bulunmuştur. Bu tezin ikinci katkısı olarak, hiperspektral görüntülerde komşuluk bilgisinin ayrıştırma problemi için yeterince kullanılmadığı gözlemlenerek hiperspektral ayrıştırma için yeni bir 3 boyutlu evrişimli kodlayıcı tabanlı derin öğrenme yöntemi önerilmiştir. Doğrusal olmayan karıştırmanın daha önce sunulmuş derin öğrenme tabanlı hiperspektral ayrıştırma çalışmalarında yeterince ele alınmadığı göz önüne alındığında, önerilen yöntem doğrusal olmayan karışım modellerini 3D evrişimli kodlayıcı yapısıyla çözmek için tasarlanmıştır. Önerilen yöntem, sentetik ve gerçek veriler üzerinde iyi bilinen saf malzeme çıkarma ve bolluk tahmini algoritmalarından daha iyi performans göstermiştir.
Özet (Çeviri)
Hyperspectral unmixing aims to identify the materials within the pixels of an image and estimate the corresponding abundance values of these materials. This thesis proposes an optimization based abundance estimation method for the case where the spectral signatures of the materials are available, and a deep learning based hyperspectral unmixing method for the case where the spectral signatures of the materials are unavailable. The proposed abundance estimation algorithm assumes that real data can contain complex interactions that cannot be modeled with a single model, and therefore, use multiple mixing models for determining the abundance of real data. The proposed optimization-based coarse-to-fine estimation algorithm first adopts a linear mixing model for the tested pixel until the error between the reconstructed and original pixel is smaller than a threshold. The algorithm then proceeds by integrating the other nonlinear mixing models to the cost function. Among various utilized optimization algorithms and metrics, the proposed solution with the sequential quadratic programming and spectral angle mapper combination is found more successful than other search methods and baseline algorithms. As the second contribution of this thesis, a new 3D convolutional encoder based deep learning method is proposed for hyperspectral unmixing by observing that the local neighborhood information is not sufficiently used for the unmixing problem in hyperspectral images. Given that nonlinear mixing has not been adequately covered in deep learning based hyperspectral unmixing literature, the proposed method is especially designed to solve the nonlinear mixture models with the 3D convolutional encoder structure. The proposed method gives better performance than the well-known pure material extraction and abundance detection algorithms on synthetic and real data.
Benzer Tezler
- Estimating metabolic flux variability with machine learning
Metabolik akış değerlerinin makine öğrenmesi ile tahmini
BARIŞ CAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ ÇAKMAK
- Forecasting of produced output electricity in photovoltaic power plants
Foto-voltaik güç santrallarında elektrik üretim tahmini
TARANEH SAADATI
Doktora
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. BURAK BARUTÇU
- Graf ve karekod yöntemleriyle dönüştürülmüş log kayıtları üzerinde derin öğrenme tabanlı siber saldırı tespiti
Deep learning-based cyber attack dedection on encoded log by graph and qr code methods
YUSUF ALACA
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YÜKSEL ÇELİK
- Derin öğrenme kullanarak optik sinir hipoplazisi hastalığının tespiti
Detection of optic nerve hypoplasia disease using deep learning
CANAN ÇELİK
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiDisiplinlerarası Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM YÜCEDAĞ
- Salp sürü optimizasyon algoritması kullanılarak derin öğrenmeye dayalı saldırı tespit sistemi
Deep learning based intrusion detection system using salp swarm optimization algorithm
PINAR AYYILDIZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. OĞUZHAN KARAHAN