Geri Dön

Sparse coding via high dimensional model representation for hyperspectral images

Hiperspektral görüntüler için yüksek boyutlu model gösterilim aracılığıyla seyrek kodlama

  1. Tez No: 863480
  2. Yazar: KAMILA MUMINOVA
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SÜHA TUNA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Bilişim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
  13. Sayfa Sayısı: 79

Özet

Hiperspektral görüntüleme (HSG), elektromanyetik spektrumu kapsayan çok sayıda spektral bant boyunca bilgi toplamak suretiyle karmaşık, yüksek boyutlu verilerin edinilmesinini sağlayan önemli bir görüntüleme teknolojisidir. Bu zengin izgesel bilgi, HSG'ye belirli bir bölge içinde benzer yüzey malzemelerini hassas bir şekilde ayırt etme yetisi kazandırır. Ancak HSG'yi bu kadar güçlü kılan izgesel özellikler, izgesel bantlar arasındaki ilişkileri beraberinde getirirken, bu ilişkiler gereksiz tekrarları ve hesaplama verimliliğini zayıflatan bir dezavantaja yol açabilir. Bu gereksiz tekrarların giderilmesi, sınıflandırma doğruluğunu artırmak ve etkili veri sıkıştırmak için hayati bir öneme sahiptir. Tezde zorlukların üstesinden gelebilmek için seyrek gösterilim ve tensör ayrıştırım teorilerini bir araya getiren yenilikçi bir yaklaşım sunulmakatdır. Seyrek temsil, izgesel sinyalleri öğrenilmiş bir sözlükten seyrek bir lineer kombinasyon olarak çözebilme olanağını sağlar. Yaklaşımımızın kritik bir bileşeni, etkin bir sözlük oluşturmak için etkili bir tensör ayrışma tekniği olan Yüksek Boyutlu Model Temsili (HDMR) kullanmaktır. Sözlüğün kalitesini artırma görevini üstlenen HDMR, sıkıştırma yeteneklerini de artırır. Yaklaşımımız, seyrek kodlama için temel sinyallerin (atomlar) kompakt ve temsilci bir sözlüğünü öğrenme amacını taşır. Bu, izgesel bantlar arasındaki gereksizlik ve korelasyonun sistemli bir şekilde azaltılması sonucunda hesaplama verimliliğinin ve sınıflandırma performansının genel olarak artmasını sağlar. Ayrıca, yaklaşımımız HSG verilerinde bulunan uzamsal bilgiden tam anlamıyla yararlanır. Optimizasyon sürecinin amaç fonksiyonuna etkin hesaplama yöntemleri ve modelleri entegre edererek sınıflandırma doğruluğunu daha da artırır. Bu çaba içinde kullanılan temel teknik Seyrek Kodlamadır. Bu teknik eşzamanlı olarak iki algoritma kullanır: Ortogonal Eşleme Kovalamaca (OMP) ve K-Tekil Değer Ayrışma (K-SVD) dır. Hiperspektral görüntüleme alanında seyrek gösterilim ve tensör ayrıştırım tekniklerini birleştirerek, veri gereksizliği ve korelasyonu ile ilişkili temel zorlukları ele alınır. Veri işleme, sınıflandırma ve gürültü giderme konularında elde edilen önemli iyileştirmeler, bu araştırmanın alan için önemli bir katkı olduğunu göstermektedir. Sınıflandırma doğruluğunu, hesaplama verimliliğini ve gürültü azaltma yeteneğini artırabilme becerisi, özellikle gürültünün veri analizi kalitesini olumsuz etkileyebileceği pratik uygulamalarda değerlidir. Ayrıca, yaklaşımımız gürültünün varlığında gürbüzlük gösterir ve büyük hiperspektral veri kümelerini etkin bir şekilde işleyebilir. Sonuç olarak, bu tekniklerin birleştirilmesiyle, hiperspektral verilerin nasıl işlendiğini ve uzaktan algılama, çevresel izleme ve tıbbi görüntüleme gibi alanlarda uygulanmasının yollarını iyi yöne değiştirebilir. Yaklaşımımızda, Ortogonal Matching Pursuit (OMP), en uygun atomları bir sözlük matrisinden seçme görevini üstlenir ve orijinal görüntünün seyrek bir biçimde temsil edilmesine olanak sağlar. Öte yandan, K-SVD, Hiperspektral Görüntülerin yeniden oluşturulmasında kullanılan atomların güncellenmesinden sorumludur. Bu algoritmalar, bu araştırmanın kapsamı içinde iki temel amaca hizmet eder. İlk olarak, bu algoritmaların güçlendirdiği Seyrek Kodlama (Sparse Coding), HSG verilerini gürültüden arındırma görevinde kritik bir rol oynar. Altta yatan görüntü yapılarını tanımlayarak ve etkili bir şekilde gürültüyü ortadan kaldırarak bu gürültüden arındırma süreci, HSG'nin kalitesini artırır ve böylece sonraki analizler için daha güvenilir hale getirir. İkincisi, Seyrek Kodlama, farklı nesne türlerini ayırt etmede önemli olan temel spektral bantları veya bant kombinasyonlarını tanımlamaya yardımcı olur. Bu yetenek, sınıflandırma görevleri için hayati öneme sahiptir çünkü HSG verilerinin daha kesin ve verimli bir şekilde sınıflandırılmasına olanak tanır. Önerdilen tekniğin etkinliği, çeşitli hiperspektral veri kümeleri üzerinde gerçekleştirilen kapsamlı deneylerle kanıtlanmıştır. Sonuçlar, geleneksel yöntemlerle karşılaştırıldığında görsel kalite ve niceliksel performans ölçütlerinde önemli iyileştirmeleri vurgular. Ayrıca, yaklaşılan verilerin bozulabileceği gerçek dünya senaryolarında sağlamlığını gösterir. Dahası, büyük veri kümelerini etkili bir şekilde işleyebilme yeteneğine sahiptir, bu da çeşitli HSG işleme uygulamalarında kullanılabilirliğini ve esnekliğini vurgular. Veri kalitesini artırma, gürültüyü azaltma ve hiperspektral veri analizinin verimliliğini artırma becerisi, yaklaşımımızı uzaktan algılama, çevresel izleme ve tıbbi görüntüleme gibi çeşitli alanlarda değerli bir araç haline getirir. Önerilen yaklaşım, verinin etkili temsili ve işlenmesinin en önemli olduğu hiperspektral görüntüleme alanında önemli bir ilerlemeyi temsil etmektedir. Seyrek temsil ve High Dimensional Model Representation (HDMR) tabanlı sözlük öğrenimi birleştirildiğinde, gereksizlik sorunlarına etkili bir şekilde cevap verilmiş ve hiperspektral verinin genel kullanışlılığı önemli ölçüde artırılmıştır. Araştırmanın en dikkate değer katkılarından biri, sadece sınıflandırma doğruluğunu ve hesaplama verimliliğini artırmakla kalmayıp aynı zamanda hiperspektral görüntüleri gürültüden arındırma konusundaki üstün başarısıdır. Bu yaklaşımın bu yönü, gürültünün veri analizi ve yorumunun kalitesini önemli ölçüde tehlikeye atabileceği gerçek dünya uygulamalarında büyük pratik değere sahiptir. Hiperspektral görüntülerin gürültüsüz hale getirilmesi, uzaktan algılama, çevresel izleme ve tıbbi görüntüleme gibi alanlarda daha kesin ve güvenilir sonuçların yolunu açmaktadır. Ayrıca, yaklaşımın, özellikle büyük hiperspektral veri kümeleri veya gürültülü ortamlarla uğraşılırken vazgeçilmez olan bir ölçekte ve sağlamlık seviyesinde nasıl çalıştığını göstermektedir. Bu adapte olabilme yeteneği, çeşitli HSG işleme senaryolarını yönlendirme kabiliyeti özellikle faydalıdır. Yaklaşımımızın esnekliği, çeşitli uygulamalar için değerli bir araç haline getirir. Sonuç olarak, araştırma, hiperspektral görüntüleme bağlamında seyrek temsil ve tensor ayrışma tekniklerini entegre etmenin dönüşüm potansiyelini vurgulamaktadır. Çalışmamızın sonuçları sadece teorik ilerlemeleri aşan, hiperspektral verilerin işlenmesi ve analizindeki gerçek dünya zorluklarına somut çözümler sunmaktadır. Önerilen yaklaşım, kurumsal uygulamaları dönüştürme kapasitesine sahiptir, hiperspektral verilerin nasıl ele alındığını değiştirir ve uzaktan algılama, çevresel izleme ve tıbbi görüntüleme gibi hiperspektral verilerin kritik görüş ve sonuçlar için kullanıldığı birçok alanda yeni keşif ve uygulama yolları açar. Veri işleme ve gürültü azaltma konusundaki iyileştirme vaadi, hiperspektral verinin karar verme süreçlerinde nasıl iyileştirilebileceğini vurgular.

Özet (Çeviri)

Hyperspectral imaging (HSI) generates data in multiple dimensions by recording information from hundreds of spectral bands spanning the entire electromagnetic spectrum. In harmony with its rich content, HSI allows for the accurate differentiation of comparable surface materials within the specified area of interest. However, the spectral characteristics of the HS signals are correlated and eliminating this redundancy is an essential task. The decorrelation procedure improves the computational efficiency and subsequent classification performance, while it provides compression to the existing HSI data. To solve these concerns, this thesis suggests an effective method based on sparse representation and tensor decomposition theories. The use of sparse representation allows for breaking down spectral signals into a sparse linear combination via learned dictionary. An efficient tensor decomposition method is called High Dimensional Model Representation (HDMR) facilitates the generation of effective dictionary atoms. That means HDMR improves the existing dictionary quality and this feature allows to achieve more efficient compression. The proposed approach is capable of learning a compact and representative dictionary of basis signals (atoms) for sparse coding, significantly reducing the repetitiveness and interdependence of the spectral bands and improving computational efficiency. The method also takes advantage of the spatial data in the HSI by integrating efficient computational techniques and incorporating models within the optimization process, further enhancing the classification accuracy. The process known as Sparse Coding utilizes two algorithms, namely Orthogonal Matching Pursuit (OMP) and K-Singular Value Decomposition (K-SVD) synchronously, to achieve certain objectives in image processing. OMP is employed to select the most suitable pixels from a dictionary matrix, enabling the representation of the original image in a sparse manner. On the other hand, K-SVD facilitates the updating of atoms used for the recreation of the HS image under consideration. Through the application of these algorithms, Sparse Coding serves two main purposes within the context of this thesis. Firstly, it is utilized to denoise the HSI by identifying the underlying image structure by reducing the noise. Secondly, it is employed to identify the essential spectral bands or combinations of bands that play a significant role in distinguishing between different types of objects. The effectiveness of the proposed method is shown through its exceptional performance across diverse hyperspectral datasets, yielding significant improvements in both visual quality and quantitative metrics compared to other traditional methods. Moreover, the approach is also robust to noise and capable of handling sizable datasets, making it ideal for various HSI processing applications.

Benzer Tezler

  1. Doğadan esinlenen koku ve ikili görüye dayalı gerçek zamanlı bir gömülü sistem tasarımı

    A bio-inspired real time embedded system design based on olfaction and stereo vision

    SELMAN ERGÜNAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜŞTAK ERHAN YALÇIN

  2. OFDM-based novel waveform design for 5G and beyond wireless communication networks

    5G ve ötesi kablosuz iletişim ağları için OFDM tabanlı özgün dalga formu tasarımı

    ALİ TUĞBERK DOĞUKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiKoç Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERTUĞRUL BAŞAR

  3. Image compression based on centipede model

    Kırkayak modeline dayalı görüntü sıkıştırma

    BİNNUR KURT

    Yüksek Lisans

    İngilizce

    İngilizce

    1997

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. MUHİTTİN GÖKMEN

  4. Yüzey kurma probleminin transputer tabanlı sistemlerde paralel çözümü

    Başlık çevirisi yok

    ZİYA MERT GÜRAY

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. COŞKUN SÖNMEZ

  5. Ecoc based multi-class classification in brain computer interfaces with SSVEP

    DHGUP ile beyin bilgisayar arayüzlerinde hdçk tabanlı çok sınıf sınıflandırma

    SANDRA SAGHIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    BiyomühendislikSabancı Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN

    DR. ÖĞR. ÜYESİ NİHAN ALP