Augmented superpixel based anomaly detection in hyperspectral imagery
Hiperspektral görüntülerde genişletilmiş süperpiksel tabanlı anomali tespiti
- Tez No: 887272
- Danışmanlar: DR. ÖĞR. ÜYESİ SÜHA TUNA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Matematik, Computer Engineering and Computer Science and Control, Science and Technology, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Hesaplamalı Bilim ve Mühendislik Bilim Dalı
- Sayfa Sayısı: 87
Özet
Hiperspektral görüntülerdeki anomali tespiti birçok faktöre bağlıdır. Burada, anomalilerin uzamsal yakınlığı ve arka plan görüntüsündeki karışıklık, anomali tespiti noktasında bir darboğaz oluşturabilir. Hiperspektral görüntüler, her pikselin hem uzamsal hem de spektral bir bilgi içerdiği tensör verileridir, yani üç boyutlu verilerdir. Bu karmaşık veri yapıları, genellikle farklı spektral bantlar arasındaki karmaşık ilişkileri hesaba katmakta zorlanan geleneksel anomali tespit yöntemleri için önemli zorluklar oluşturur. Özellikle yüksek çözünürlüklü hiperspektral görüntülerde, her bir pikselin yüzlerce farklı dalga boyunda bilgi içermesi, veri analizini daha da karmaşık hale getirir. Bu nedenle, bir dizi makine öğrenmesi yöntemini bir arada kullanarak daha optimal sonuçlar alacağımız bir yöntem önerilmektedir. Bu yöntemlerin entegrasyonu, verinin daha iyi işlenmesini ve anomalilerin daha doğru bir şekilde tespit edilmesini sağlar. Bu sayede, çeşitli uygulama alanlarında yüksek doğrulukta sonuçlar elde edilmesi mümkün hale gelmektedir. Ayrıca, bu entegre yaklaşım, gürültüyü ve ilintisiz detayları ortadan kaldırarak, verinin en önemli bileşenlerini ortaya çıkarmakta etkilidir. Bu, analiz süreçlerinde odaklanmayı ve doğruluğu artırır. Ek olarak, farklı yöntemlerin bir araya getirilmesi, algoritmanın esnekliğini ve farklı veri kümelerine uyum sağlama yeteneğini de artırır. Bu, yöntemin geniş bir uygulama yelpazesinde kullanılabilirliğini sağlar. Bu çalışmada,“Hiperspektral Görüntülerde Anomali Tespiti için Arttırılmış Süperpiksel (Hiperpiksel) Tabanlı Yöntem”olarak adlandırdığımız bir yöntem önerilmektedir. Bu yöntem, ileri düzey boyut indirgeme ve segmentasyon tekniklerinden yararlanarak anomali tespitini geliştirmeyi amaçlamaktadır. Bu birleşimi yapmaktaki amacımız, anomalileri daha doğru tespit edebilmek adına veri üzerinde kapsamlı bir ön çalışma yapmaktır. Bu sayede, her bir pikselin içerdiği bilgiyi daha etkili bir şekilde analiz edebilir ve anomalileri daha hassas bir şekilde belirleyebiliriz. Yöntemimiz, üç boyutlu hiperspektral görüntü verilerini HDMR (High Dimensional Model Representation - Yüksek Boyutlu Model Gösterimi) ve PCA (Principal Component Analysis - Temel Bileşenler Analizi) gibi yöntemlerle indirgemekle başlar. Burada sadece PCA ile bir indirgeme işlemi yaptık; daha sonra farklı bir deneyde bu sürece HDMR işlemini de dahil ettik. Bu adım, verileri basitleştirirken kritik spektral ve uzamsal bilgileri korur. Bu teknikler, verinin en önemli bileşenlerini yakalayarak gürültüyü ve ilintisiz detayları ortadan kaldırır ve sonraki analizleri daha odaklı ve etkili hale getirir. Böylece segmente edeceğimiz görüntü verisini daha uygun hale getirmiş oluruz. Ayrıca, HDMR'nin kullanılması, verideki nonlineer ilişkileri daha iyi yakalayarak PCA'nın performansını artırır. Bu, daha derinlemesine ve anlamlı bir veri analizi sağlar. Bununla birlikte, verilerin bu şekilde işlenmesi, hiperspektral görüntülerin karmaşıklığını yönetmek için güçlü bir temel oluşturur ve nihai hedef olan anomali tespitinde daha yüksek doğruluk sağlar. Daha sonra, görüntüyü süperpiksel olarak bilinen belirli bölgelere ayırmak için SLIC (Simple Linear Iterative Clustering - Basit Doğrusal Yinelemeli Kümeleme) ve LSC (Linear Spectral Clustering - Doğrusal Spektral Kümeleme) gibi segmentasyon yöntemlerini uyguladık. SLIC, pikselleri renk benzerliklerine ve uzamsal yakınlığa göre kümelerken, LSC, spektral benzerliklere dayalı olarak kümeler oluşturur. Her bir süperpiksel üzerinde ayrı ayrı çalışmak yerine, her süperpikseli birinci dereceden komşuları ile birleştirerek hiperpiksel olarak adlandırdığımız artırılmış süperpikseller elde ettik. Bu yaklaşım, yerel bağlamın dikkate alınmasını sağlar ve bu sayede tek tek süperpiksel incelendiğinde kaçırılabilecek ince anomalilerin tespit edilme kabiliyetini artırır. Ayrıca, hiperpiksellerin kullanılması, veri analizinde daha fazla bilgi zenginliği sağlayarak anomalilerin daha doğru bir şekilde sınıflandırılmasına yardımcı olur. Bu komşuluk bilgisi, anomalilerin sınırlarının doğru bir şekilde belirlenmesi ve verideki normal varyasyonlardan ayrılması açısından çok önemlidir. Son olarak, bu hiperpiksellere anomalileri belirlemek için LOF (Local Outlier Factor - Yerel Aykırı Değer Faktörü) algoritmasını uyguladık. LOF'un yerel yoğunluk sapmalarını değerlendirme yeteneği, yoğun şekilde bir arada bulunan veya bulunmayan anomalileri, karmaşık arka plan görüntülerine sahip olsalar bile etkili bir şekilde belirlememizi sağlar. LOF, her bir pikselin komşuları ile karşılaştırmalı olarak yerel yoğunluk sapmasını hesaplar ve bu sayede anomalileri güvenilir bir şekilde tespit eder. Dolayısıyla bu tekniklerin kombinasyonu, hiperspektral veri kümelerinin farklı özelliklerini ele alabilen kapsamlı ve hassas bir analiz sağlar. Bu yöntemle, farklı spektral bantların sağladığı zengin bilgi birleştirilerek anomalilerin daha net ve doğru bir şekilde tespit edilmesi sağlanır. Bu, özellikle karmaşık veri kümelerinde yüksek doğrulukta sonuçlar elde edilmesini mümkün kılar. Önerilen algoritma, çeşitli hiperspektral görüntü veri kümeleri kullanılarak test edilmiş ve anomali tespitinde oldukça iyi bir performans göstermiştir. Bu yöntem, boyut indirgeme, segmentasyon ve anomali tespiti tekniklerini entegre ederek hiperspektral verilerin karmaşıklığını etkili bir şekilde yönetir. Özellikle farklı veri kümeleri üzerinde yapılan testlerde, yöntemin esnekliği ve yüksek performansı dikkat çekmiştir. Bu kapsamlı yaklaşım, anomalilerin arka planın karmaşık olduğu veya anomalilerin yoğun olduğu zorlu koşullarda bile doğru bir şekilde tanımlanmasını sağlar. Titiz deneylerle algoritmanın sağlamlığı ve güvenilirliği gösterilmiş ve bu çalışma, hiperspektral görüntü analizi için umut verici bir araç haline gelmiştir. Farklı veri kümeleri üzerindeki çok yönlülüğü ve yüksek doğruluğu, bu yöntemin uzaktan algılama, çevresel izleme ve kentsel planlama gibi alanlarda geniş uygulama potansiyelini vurgular. Çeşitli anomali özelliklerine ve veri kümesi yapılarına uyum sağlama yeteneği, bu yöntemi hiperspektral görüntü analizi teknikleri için değerli bir katkı haline getirir. Bu sayede, farklı sektörlerde ve uygulama alanlarında güvenilir ve yüksek performanslı sonuçlar elde edilmesi mümkün olur. Bu yöntem, özellikle yüksek çözünürlüklü hiperspektral görüntülerde anomalilerin tespitinde önemli avantajlar sunar. HDMR ve PCA gibi ileri düzey analiz tekniklerinin entegrasyonu, verinin içindeki karmaşık ilişkileri ortaya çıkararak daha anlamlı analizler yapılmasını sağlar. Ayrıca, süperpiksel ve hiperpiksel kullanımı, anomalilerin daha hassas bir şekilde belirlenmesini ve sınıflandırılmasını mümkün kılar. Bu yaklaşım, görüntülerdeki küçük ve ince anomalilerin bile tespit edilmesine olanak tanır. Yüksek çözünürlüklü verilerde anomalilerin tespit edilmesi, özellikle hassas endüstriyel ve bilimsel uygulamalar için büyük önem taşır. Bu nedenle, yöntemin sunduğu bu avantajlar, onu çok yönlü ve etkili bir araç haline getirir. Gelecekteki çalışmalar, bu yöntemin farklı türde hiperspektral verilere uygulanmasını ve HDMR'nin ek kümeleme ve anomali tespit algoritmalarıyla entegrasyonunun daha da geliştirilmesini keşfedebilir. Ayrıca, önerilen yöntemin performansı üzerinde farklı hiperparametre ayarlarının etkisini araştırmak, daha fazla optimizasyon için içgörüler sağlayabilir. Burada her bir metodu farklı parametreler deneyerek uyguladık, dolayısıyla bu deneyler veri setinin yapısına da uygun olacak şekilde çoklanabilir. Hesaplama verimliliği ve ölçeklenebilirlik konularında yapılacak iyileştirmeler de odak alanları olabilir. Özellikle büyük veri kümeleri üzerinde çalışırken hesaplama verimliliğinin artırılması, yöntemin uygulanabilirliğini daha da artıracaktır. Genişletilmiş süperpiksel tabanlı anomali tespit yöntemi, hiperspektral görüntü analizleri için esnekliği ve sağlamlığıyla, karmaşık veri kümelerinin anlaşılması ve anomalilerin tespit edilmesinde önemli bir potansiyele sahip olabilecek bir çalışmadır. Bu yöntemin, bilimsel ve endüstriyel alanlarda geniş uygulama olanakları sunarak önemli katkılar sağlaması beklenmektedir. Ayrıca, bu yöntemin sağlık alanında da uygulanma potansiyeli bulunmaktadır. Örneğin, kanserli dokuların hiperspektral görüntüleme yoluyla tespit edilmesi, erken teşhis ve tedavi süreçlerinde büyük fayda sağlayabilir. Aynı şekilde, tarım alanında bitki sağlığının izlenmesi ve hastalıkların erken teşhisi için de kullanılabilir. Hiperspektral görüntüleme, bitkilerin spektral özelliklerindeki değişiklikleri tespit ederek hastalık belirtilerini erken safhada belirleyebilir. Uzaktan algılama teknolojilerinde, bu yöntem orman yangınlarının erken tespiti ve çevresel felaketlerin izlenmesi gibi kritik uygulamalarda etkili olabilir. Bu tür uygulamalar, çevresel izleme ve doğal kaynak yönetimi açısından büyük faydalar sağlar. Sonuç olarak, hiperspektral görüntülerde anomali tespiti için önerilen bu yöntem, geniş bir uygulama yelpazesi ile büyük bir potansiyele sahiptir. Gelecekte yapılacak çalışmalarla bu yöntemin daha da geliştirilmesi ve farklı alanlarda uygulanabilirliğinin artırılması, hiperspektral görüntü analizi alanında önemli ilerlemeler sağlayacaktır. Bu yenilikçi yaklaşım, hiperspektral verilerin sunduğu zengin bilgi potansiyelini en iyi şekilde değerlendirerek, anomali tespitinde yeni standartlar belirleyebilir ve çeşitli bilimsel ve endüstriyel uygulamalarda devrim niteliğinde gelişmelere öncülük edebilir. Bu nedenle, hiperspektral görüntü analizinde bu tür yenilikçi yöntemlerin araştırılması ve geliştirilmesi büyük önem taşımaktadır. Bu çalışmalar, hiperspektral veri analizi tekniklerinde önemli ilerlemeler kaydedilmesine ve daha geniş bir uygulama yelpazesinde yüksek doğrulukta sonuçlar elde edilmesine olanak tanıyacaktır.
Özet (Çeviri)
The detection of anomalies in hyperspectral images depends on several factors. Here, the spatial proximity of anomalies and confusion in the background image can create a bottleneck at the point of anomaly detection. Hyperspectral images are tensor data, in which each pixel contains both spatial and spectral information. These complex data structures pose significant challenges for traditional anomaly detection methods, which often struggle to account for the intricate relationships between the different spectral bands. In this thesis, a method called“Augmented Superpixel (Hyperpixel) Based Anomaly Detection in Hyperspectral Imagery”is proposed. This method aims to enhance the anomaly detection by leveraging advanced dimensionality reduction and segmentation techniques. Our approach begins by reducing the three-dimensional HSI data using methods such as high-dimensional model representation and Principal Component Analysis. This step simplifies the data while preserving critical spectral and spatial information. By capturing the most significant components of the data, these techniques help eliminate noise and irrelevant details, thereby making the subsequent analysis more focused and effective. We then applied segmentation methods such as Simple Linear Iterative Clustering and Linear Spectral Clustering to divide the image into distinct regions known as superpixels. Each superpixel is augmented with its first-order neighbors to form hyperpixels, which provide a richer context for anomaly detection. The augmentation process ensures that the local context is considered, thereby enhancing the ability to detect subtle anomalies that may be missed when examining individual superpixels in isolation. This neighborhood information is crucial for accurately identifying the boundaries of anomalies and distinguishing them from normal variations in the data. Finally, we applied the Local Outlier Factor algorithm to these hyperpixels to identify the outlier points that signify anomalies. The capability of the Local Outlier Factor to evaluate local density deviations enables it to accurately identify anomalies, even in densely populated or intricate backgrounds. The combination of these techniques ensures comprehensive and precise analysis that can handle the diverse characteristics of hyperspectral datasets. The proposed algorithm was tested using various hyperspectral image datasets and demonstrated good performance in detecting anomalies. By integrating dimensionality reduction, segmentation, and anomaly detection techniques, this method effectively manages the complexity of the hyperspectral data. This comprehensive approach allows for accurate identification of anomalies, even in challenging conditions where anomalies are closely packed or the background is complex. Through rigorous experimentation, the algorithm demonstrated robustness and reliability, making it a promising tool for hyperspectral image analyses. Its versatility and high accuracy across different datasets underline its potential for broad application in fields such as remote sensing, environmental monitoring, and urban planning. The ability to adapt to various anomaly characteristics and dataset structures makes this method a valuable addition to the toolkit for hyperspectral image-analysis techniques.
Benzer Tezler
- Gaziantep kültürel mirasının artırılmış gerçekliğe yansıtılması
Reflecting Gaziantep cultural heritage in augmented reality
OSMAN GÖZEL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF UZUN
- Augmented virtual crossmatch for donor-induced antibody prediction by using high resolution human leukocyte antigen typing and human leukocyte antigen epitope mapping for better donor match
Daha iyi donör eşleşmesi için yüksek çözünürlüklü insan lökosit antijen tipleme ve insan lökosit antijen epitop haritalama kullanarak donörden oluşan antikor tahmini için artırılmış sanal çapraz eşleştirme
SEDAT TANJU KARADENİZ
Doktora
İngilizce
2023
BiyolojiKadir Has ÜniversitesiBiyoinformatik ve Genetik Ana Bilim Dalı
PROF. DR. KEMAL YELEKÇİ
- Artırılmış gerçeklik ve sanal özne: Sanal dünyada kuramsal etik tartışmalar
Augmented reality and virtual subject: Theoretical ethics discussions on the virtual world
ERGÜN AVCI
- Coğrafya öğretiminde artırılmış gerçeklik uygulamaları: Bir eylem araştırması
Augmented reality practices in geography teaching: An action research
TAHİR TUNCER
Doktora
Türkçe
2023
Eğitim ve ÖğretimNecmettin Erbakan ÜniversitesiTürkçe ve Sosyal Bilimler Eğitimi Ana Bilim Dalı
PROF. DR. ADNAN PINAR
PROF. DR. ADEM SEZER
- Usage of augmented reality technologies a case study: augmented reality in museums
Artırılmış gerçeklik teknolojilerinin kullanımı müzelerde artırılmış gerçeklik çalışması
DENİZ AYDOĞDU
Yüksek Lisans
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYaşar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET CUDİ OKUR
PROF. DR. AYDIN ÖZTÜRK