Geri Dön

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

  1. Tez No: 740628
  2. Yazar: FATMA KÜÇÜK
  3. Danışmanlar: PROF. DR. FATİH VEHBİ ÇELEBİ, DOÇ. DR. BEHÇET UĞUR TÖREYİN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 70

Özet

Hiperspektral görüntüleme, yer yüzeyindeki malzemeleri ayırt etmek için popüler bir uzaktan algılama teknolojisidir. Çok sayıda dar, bitişik ve sürekli spektral bant tarafından saptanan yansıyan ve yayılan radyasyon görüntüleme spektrometreleri ile toplanır. Daha sonra bu teknoloji tarafından analiz edilir ve değerlendirilirler. Hiperspektral görüntü işleme teknikleri, tarımsal bitkileri tespit etmek ve sınıflandırmak, gıdaların tazeliğini belirlemek, tıpta hastalıklı alanları tespit etmek gibi farklı amaçlarla birçok uygulama alanında kullanılmaktadır. Bu çalışmada, hiperspektral veriler için seyrek ve düşük dereceli bir matris ayrışmasına dayalı anomali saptama yöntemi önerilmiştir. Yüksek boyutlu veriler, sırasıyla arka planı ve anomalileri temsil eden düşük dereceli ve seyrek matrislere ayrıştırılır. Bu ayrıştırma problemi sözlük öğrenme bakış açısıyla tanımlanır. Bu nedenle, bu matrisleri elde etmenin yolu önceki çalışmalardan farklıdır. Verilerin doğru bir bölümünü bulmayı ve anomali piksellerini arka plandan ayırmayı amaçlamaktadır. Ayrıştırma işleminden sonra, verilerin seyrek matris kısmına anomali yerleri bulmak için Mahalanobis uzaklığı uygulanır. Deneysel sonuçlar, önerilen yöntemin anomali saptama performansının, en gelişmiş yöntemlerin performansını aştığını göstermektedir.

Özet (Çeviri)

Hyperspectral imagery is a popular remote sensing technology to distinguish materials on the ground surface. The reflected and emitted radiation detected by a high number of narrow, contiguous, and continuous spectral bands are collected by imaging spectrometers. They are, then, analyzed, and evaluated by this technology. Hyperspectral image processing techniques have been applied in many application fields with different aims, such as in military for target detection, in agriculture to classify crops, in nourishment to determination of freshness of food, in medicine detecting diseased areas. In this study, a sparse and low-rank matrix decomposition-based anomaly detection method for hyperspectral data is proposed. High dimensional data is decomposed into low-rank and sparse matrices representing background and anomalies, respectively. The problem of the decomposition process is defined from the dictionary learning point of view. Therefore, the way of obtaining these matrices differs from previous studies. It aims to find a correct partition of the data and separate anomaly pixels from the background. After decomposition, Mahalanobis Distance is applied to the sparse part of the data in order to get anomaly locations. Experimental results suggest that anomaly detection performance of the proposed method surpasses those of the state-of-the-art methods.

Benzer Tezler

  1. Yere nüfuz eden radarlarda öğrenme tabanlı yeni kargaşa giderme yöntemleri

    New learning-based clutter removal methods in ground penetrating radar

    EYYUP TEMLİOĞLU

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  2. Deep unfolding for clutter removal in ground penetrating radar

    Yere nüfuz eden radarda kargaşa gidermek için derin katman açma

    SAMET ÖZGÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  3. Dictionary learning and low-rank sparse matrix decomposition for sparsity-driven SAR image reconstruction

    Seyreklik güdümlü SAR geriçatımı için sözlük öğrenimi ve düşük sıralı seyrek matris ayrışımı

    ABDURRAHİM SOĞANLI

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Elektrik ve Elektronik MühendisliğiSabancı Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜJDAT ÇETİN

  4. Novel algorithms and models for scaling parallel sparse tensor and matrix factorizations

    Paralel seyrek tensör ve matris ayrışımı için yeni yöntem ve modeller

    NABIL F. T. ABUBAKER

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. CEVDET AYKANAT

  5. Deep image prior based high resolution isar imaging for missing data case

    Eksik veri için derin görüntü önceli tabanlı yüksek çözünürlüklü tyar görüntüleme

    NECMETTİN BAYAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER