عنوان

طبقه‌بندی و جداسازی تصاویر ابرطیفی بر پایه مدل‌ تنک ساختاریافته

شماره

پ۲۵۹۸۵

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

طبقه‌بندی و جداسازی تصاویر ابرطیفی بر پایه مدل‌ تنک ساختاریافته

نام نخستين پديدآور

سعیده قنبری آذر

نام ناشر، پخش کننده و غيره

مهندسی برق وکامپیوتر

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۱۱۷ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

دکتری

نظم درجات

مهندسی برق-مخابرات

زمان اعطا مدرک

۱۴۰۰/۰۹/۲۲

متن يادداشت

تصاویر ابرطیفی به‌دلیل اطلاعات مکانی و طیفی بسیار غنی خود، کاربرد زیادی در تشخیص مواد در زمینه‌های مختلفی از جمله پزشکی، کشاورزی، ستاره‌شناسی، محیط‌زیست و … دارند. در میان پردازش‌های مختلفی که بر روی این تصاویر انجام می‌شود، طبقه‌بندی و جداسازی طیفی از اهمیت ویژه‌ای برخوردار هستند. پژوهش حاضر به این دو نوع پردازش مهم تصاویر ابرطیفی می‌پردازد. یکی از چالش‌های مهم پردازش تصاویر ابرطیفی، ابعاد بالای داده و در نتیجه حجم محاسبات بالای روش‌های مرسوم پردازش این تصاویر است. در بخش طبقه‌بندی، یک روش مبتنی بر مدل‌سازی تنک ساختاریافته برای حل این مشکل پیشنهاد می‌شود. این روش که در این رساله مدل‌سازی تنک بلوک‌های طیفی و یا به اختصار SMSB نامگذاری شده است، با معرفی بلوک‌های طیفی و استفاده از آنها در کنار همسایگی‌‌های مکانی، سعی در بهره‌برداری از افزونگی طیفی و مکانی این تصاویر دارد. با استفاده از این بلوک‌های طیفی، روش پیشنهادی، مسائل با ابعاد بالای موجود در نمایش تنک را به چندین مسئله کوچک‌تر و ساده‌تر تقسیم می‌کند. علاوه بر این، ساختار بلوکی روش پیشنهادی امکان انتخاب بلوک‌هایی با قابلیت تفکیک بالا به‌عنوان بلوک‌های فعال و حذف بلوک‌های غیرفعال را فراهم می‌آورد. این موضوع باعث کاهش هرچه بیشتر حجم محاسبات لازم و افزایش پایداری مدل تنک پیشنهادی می‌شود. برای ارزیابی روش پیشنهادی از سه تصویر ابرطیفی واقعی شامل تصاویر Pavia University، Indian Pines و Salinas استفاده شده و این روش با چندین روش مهم و به‌روز موجود مقایسه شده است. عملکرد روش‌های مختلف با استفاده از سه معیار دقت کل، دقت متوسط، و ضریب کاپا ارزیابی شده است. برای پایگاه داده Pavia University از %10 از پیکسل‌های دارای برچسب به‌عنوان داده آموزشی و از بقیه پیکسل‌ها به‌عنوان داده تست استفاده شده است. برای روش پیشنهادی SMSB، مقادیر دقت کل، دقت متوسط و ضریب کاپا، به ترتیب برابر با %11/99، %16/99 و % 79/98 به دست آمد. در مورد این پایگاه داده، روش پیشنهادی SMSB از نظر دقت کل و ضریب کاپا بهترین نتایج را در مقایسه با روش‌های رقیب به دست آورده است. برای پایگاه داده Indian Pines، از %10 از پیکسل‌های دارای برچسب به‌عنوان داده آموزشی و از بقیه پیکسل‌ها به‌عنوان داده تست استفاده شده است. برای روش پیشنهادی SMSB، مقادیر دقت کل، دقت متوسط و ضریب کاپا، به ترتیب برابر با %21/97، %31/97 و %21/97 به دست آمد. در مورد این پایگاه داده، روش پیشنهادی SMSB از نظر نتایج به دست‌آمده در رتبه دوم قرار دارد. برای پایگاه داده Salinas از %10 از پیکسل‌های دارای برچسب به‌عنوان داده آموزشی و از بقیه پیکسل‌ها به‌عنوان داده تست استفاده شده است. برای روش پیشنهادی SMSB، مقادیر دقت کل، دقت متوسط و ضریب کاپا، به ترتیب برابر با %26/99، %45/99 و % 17/99 به دست آمد. در مورد این پایگاه داده، روش پیشنهادی SMSB از نظر هر سه معیار بهترین نتایج را در مقایسه با روش‌های رقیب به دست آورده است. علاوه بر این، روش‌های مختلف از نظر زمان پردازش نیز با هم مقایسه شده‌اند و روش پیشنهادی کمترین زمان پردازش را به خود اختصاص داده است. در نهایت، نتایج نشان می‌دهند که روش پیشنهادی در کاهش زمان پردازش، همزمان با افزایش دقت طبقه‌بندی بسیار مؤثر عمل می‌کند.در بخش جداسازی طیفی، روش پیشنهادی به یکی از مهمترین چالش‌های موجود یعنی تنوع طیفی می‌پردازد. تنوع طیفی به معنی تنوع یک طیف خالص موجود در تصویر به‌دلیل تغییرات شرایط تصویربرداری و یا تنوع ذاتی مواد است. برای در نظر گرفتن دو نوع مختلف تنوع طیفی، روش پیشنهادی از ضرایب مقیاس‌بندی و دیکشنری دسته‌ای بهره می‌برد. علاوه بر این، برای بهره‌برداری از شباهت پیکسل‌های همسایه سه نوع همسایگی مختلف استفاده شده و با یکدیگر مقایسه شده‌اند. برای این منظور، دو نُرم ترکیبی متفاوت در مسئله مربوط به مدل‌سازی تنک اضافه شده و مسئله بهینه‌سازی حاصل با استفاده از روش ضرایب تغییرجهت‌دهنده حل شده است. از یک تصویر ابرطیفی مصنوعی و سه تصویر واقعی برای ارزیابی روش پیشنهادی استفاده شده و نتایج با چندین روش مهم و به‌روز موجود مقایسه شده است. برای پایگاه داده شبیه‌سازی‌شده، اطلاعات حقیقت مبنا و طیف‌های خالص موجود هستند، و از سه معیار RMSE، nSL، و DIST برای ارزیابی نتایج استفاده شده است. در مورد این پایگاه داده، روش پیشنهادی LMM-SBD از نظر هر سه معیار بهتر عمل کرده است و نقشه‌های ضرایب فراوانی به‌دست‌آمده در مقایسه با روش‌های رقیب نویز کمتری دارند. با این وجود، روش پیشنهادی در برخی طیف‌های خالص خطای لبه از خود نشان می‌دهد. برای دو پایگاه داده Houston و AVIRIS طیف‌های خالص از خود تصاویر استخراج شده است، و متاسفانه اطلاعت حقیقت مبنا موجود نیست. در نتیجه نتایج به صورت بصری بررسی شده‌اند. برای تصویر MUUFL برچسب پیکسل‌ها موجود است و طیف‌های خالص از خود تصویر استخراج شده‌اند. برای این پایگاه داده از معیار دقت کل برای ارزیابی نتایج استفاده شده و روش پیشنهادی در مقایسه با روش‌های رقیب بهترین نتایج را به دست آورده است. در نهایت، نتایج به دست‌آمده حاکی از مؤثر بودن روش پیشنهادی در استخراج طیف‌های خالص تصاویر ابرطیفی است.

متن يادداشت

Due to their abundant spatial and spectral information, hyperspectral images offersignificant benefits to material detection in diverse areas of science including biomedicine,agriculture, astronomy, etc. Classification and spectral unmixing are two important processes that canbe performed on hyperspectral images. This thesis studies these two hyperspectral image processingproblems.One of the main challenges of hyperspectral image processing is the high dimension of data andtherefore, the high computation burden of prevalent processing methods. In the classification sectionof this thesis, a structural sparse modeling-based method is proposed to solve this problem. Thismethod, which is dubbed as sparse modeling of spectral blocks (SMSB), exploits the spectral andspatial redundancy of data by introducing spectral blocks and using them along with spatialneighborhoods. Using the spectral blocks, the proposed method breaks the existing high dimensionalproblems of sparse modeling into several small-sized simpler problems. Furthermore, the blockstructure of the proposed method enables us to select the most distinguishing blocks as active blocksand remove the inactive blocks. This further reduces the computation burden and increases therobustness of the proposed sparse model. Three benchmark real hyperspectral images including PaviaUniversity, Indian Pines and Salinas images are used to evaluate the proposed method and the resultsare compared with several state-of-the-art methods. The performance of different methods areevaluated using three widely used criteria including overall accuracy, average accuracy, and Kappacoefficient. For the Pavia University dataset, 10% of the labeled pixels are used for training and therest of the pixels are used as test data. The overall accuracy, average accuracy, and Kappa coefficientobtained for the proposed SMSB method are 99.11%, 99.16%, and 98.79%, respectively. For thisdataset, the proposed method outperforms the competing methods in terms of overall accuracy andKappa coefficient. For the Indian Pines dataset, 10% of the labeled pixels are used for training andthe rest of the pixels are used as test data. The overall accuracy, average accuracy, and Kappacoefficient obtained for the proposed SMSB method are 97.21%, 97.31%, and 96.81%, respectively.For this dataset, the proposed method obtains the second best results. For the Salinas dataset, 10% ofthe labeled pixels are used for training and the rest of the pixels are used as test data. The overallaccuracy, average accuracy, and Kappa coefficient obtained for the proposed SMSB method are99.26%, 99.45%, and 99.17%, respectively. For this dataset, the proposed method outperforms thecompeting methods in terms of overall accuracy, average accuracy, and Kappa coefficient. Theprocessing times of different methods are also compared, and the proposed method appears to be thefastest method. In general, the results verify that the proposed method is successful in reducing theprocessing time and improving the classification performance.For spectral unmixing, the proposed method addresses spectral variability, which is an importantchallenge for hyperspectral image unmixing. Spectral variability means that for different reasonsincluding the intrinsic variability of materials and the external variations in data collecting conditions,different forms of spectral signatures can be applied to a particular material. The proposed methodutilizes scaling factors and a bundle dictionary to address two different types of spectral variability.Furthermore, three different spatial neighbors are used to exploit the spatial similarities of theneighboring pixels. To this end, two different mixed norms are added to the sparse modeling problemand the produced optimization problem is solved using alternating direction method of multipliers. Asimulated hyperspectral dataset and three real datasets including the Houston, AVIRIS and MUUFLimages are used to evaluate the proposed method and the results are compared with several state-ofthe-art unmixing methods. For the simulated dataset, the groundtruth data and the dictionary ofendmembers are available, and three criteria including the RMSE, nSL, and DIST are used to evaluatethe results. In this dataset, the proposed LMM-SBD method outperforms the competing methods interms of all three criteria, and the obtained abundance maps present less noise compared to the othermethods. However, the proposed method tends to overestimate the abundances at some points, andshows edge errors in challenging endmembers. For the Houston and the AVIRIS datasets theendmembers are extracted from the images. The groundtruth data are not available, and hence theresult are evaluated visually for these datasets. For the MUUFL dataset the label of the pixels areavailable, and the endmembers are extracted from the image. For this dataset, the overall accuracy isused to evaluate the results, and the proposed LMM-SBD method obtains the best accuracy. Ingeneral, the results verify the effectiveness of the proposed method in extracting the abundances ofthe hyperspectral images.

عنوان گونه گون

Hyperspectral Image Classification and Unmixing Based on Structured Sparse Model

عنصر شناسه اي

قنبری آذر

ساير عناصر نام

‏ سعیده

کد نقش

تهيه کننده

عنصر شناسه اي

مشگینی

عنصر شناسه اي

‏یوسیفی رضایی

عنصر شناسه اي

‏بهشتی

ساير عناصر نام

‏ سعید

ساير عناصر نام

‏ توحید

ساير عناصر نام

‏ سوسن

تاريخ

استاد راهنما

تاريخ

استاد مشاور

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز