Seyrek hiperspektral karışım giderimi için çizge düzenli bolluk tahmini ve sözlük budama yaklaşımı
Graph regularized based abundance estimation and dictionary pruning approach for sparse hyperspectral unmixing
- Tez No: 695021
- Danışmanlar: DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 135
Özet
Yarı-kör hiperspektral karışım giderimi bu doktora tezinin ana konusunu oluşturmaktadır. Karışım giderimi alanına yeni bir bakış açısı kazandıran, seyrek karışım giderimi olarak da adlandırılan yarı-kör hiperspektral karışım giderimi, son on yılda elde edilen tatmin edici sonuçlarla oldukça popüler bir yöntem haline gelmiştir. Seyrek karışım gideriminde, malzemelere ait spektral imzalardan oluşan bir sözlük önsel bir bilgi olarak seyrek bağlanım tekniklerine verilerek sahnedeki bilinmeyen bolluk değerlerinin kestirilmesi hedeflenmektedir. Bu tez kapsamında, bolluk değerlerinin kestirimini iyileştirmek için hiperspektral görüntülerin kendilerine has yapısını dikkate alan bir çizge Laplacian düzenleyicili karışım giderimi yöntemi sunulmuştur. Benzeşim matrisleri, uzamsal-bağlamsal yakınlığa ve spektral benzerliğe sahip piksellerin yüksek istatistiksel bağımlılık göstereceği gerçeğinden yararlanmak amacıyla noktasal karşılıklı bilgi kullanılarak elde edilmiştir. Ayrıca, önerilen karışım giderimi formülasyonuna çifte yeniden ağırlıklandırılmış seyrek düzenleyici eklenerek kestirilecek bolluk vektörlerinin seyrekleşmesi amaçlanmıştır. Bir spektral malzeme kütüphanesi yüzlerce spektral imzadan oluşabilmektedir. Kütüphanelerin yüksek boyutluluğu, seyrek karışım giderimi algoritmalarının performansını güçlü bir şekilde sınırlamaktadır. Seyrek karışım giderimi yöntemlerinin bolluk değerlerini daha doğru bir şekilde kestirmek ve ihtiyaç duydukları hesaplama sürelerini kısaltmak için bu tez kapsamında ayrıca bir sözlük budama yaklaşımı önerilmiştir. Önerilen budama yöntemi, sözlük üyelerinin niceliksel olarak değerlendirilmesine dayanmaktadır. Her bir sözlük elemanının göreceli önemini nicel olarak belirleyebilmek için ihmal edilebilir bir hesaplama maliyetine sahip olan toplam fayda metriği kullanılmıştır. Önerilen yöntemlerin etkinliği, farklı veri kümeleri üzerinde literatürde kendini kanıtlamış yöntemlerle kapsamlı karşılaştırmaları yapılarak gösterilmiştir.
Özet (Çeviri)
The main focus of this dissertation is semi-blind hyperspectral unmixing. Semi-blind hyperspectral unmixing, also called sparse unmixing, has opened a new direction to the field of spectral unmixing and has become a very popular technique with promising results over the last decade. In sparse unmixing, the spectral library is given beforehand as prior information to estimate unknown abundances in the scene by sparse regression techniques. In this dissertation, a graph Laplacian regularized unmixing method is proposed that can manipulate the latent structure of hyperspectral images to improve the estimation of abundances. Affinity matrices are constructed by using pointwise mutual information to exploit the fact that pixels with spatial-contextual proximity and spectral similarity exhibit high statistical dependencies. Furthermore, a double reweighted sparse regularizer is used to impose sparsity on the estimated abundances. A spectral library of materials can be huge in size (e.g. can contain hundreds of material signatures) and this limits the performance of sparse unmixing methods. To boost the performance of sparse unmixing methods, making them more accurate and time-efficient, a dictionary pruning framework is also proposed within the scope of this dissertation. The proposed pruning approach is based on quantitative assessment of the dictionary elements. The total utility metric, which has a negligible computational cost, is used to figure out the relative influence of each dictionary member. The effectiveness of the proposed methods is demonstrated by providing extensive comparisons with well-known approaches in the literature using different types of data sets.
Benzer Tezler
- 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
- Hyperspectral image compression using sparse representations and wavelet transform based spectral decorrelation
Seyrek gösterimler ve dalgacık dönüşümüne dayalı izgel ilintisizleştirme kullanarak hiperspektral görüntü sıkıştırma
HAYDER JAWDHARI
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- Hiperspektral görüntü sınıflandırma uygulamalarında makine ve derin öğrenme kullanımı
The use of machine and deep learning on hyperspectral image classification applications
EREN CAN SEYREK
Yüksek Lisans
Türkçe
2020
Jeodezi ve FotogrametriAfyon Kocatepe ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT UYSAL
- Hybrid hyperspectral image compression method by using online dictionary learning based on sparse coding
Seyrek kodlama ve çevrimiçi sözlük öğrenme kullanılarak hibrit hiperspektral görüntü sıkıştırması
İREM ÜLKÜ
Doktora
İngilizce
2017
Elektrik ve Elektronik MühendisliğiÇankaya ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HALİL TANYER EYYUBOĞLU
- Hiperspektral görüntülerin bölütleme ve seyrek gösterim temelli sıkıştırılması
Segmentation and sparse representation based compression of hyperspectral images
ADEM ERTEM
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KEMAL GÜLLÜ