21349

21349

جداسازي تصاوير ابرطيفي با تغييرپذيري اعضا و بر اساس تنكي ضرايب

دكتري

مخابرات سيستم

1391

1398/7/1

دكتر محمدحسين كهائي

برق

تصاوير ابرطيفي به دليل داشتن چندصد باند فركانسي، داراي اطلاعات ارزشمندي از مواد موجود در صحنه تصويربرداري مي¬باشند. يكي از بزرگترين كاربردهاي اين تصاوير، بكارگيري اطلاعات پاسخ فركانسي براي شناسايي مواد مي¬باشد. هدف جداسازي ابرطيفي، تجزيه پيكسل¬هاي تصوير ابرطيفي به مجموعه¬اي از مشخصه يا امضاهاي طيفي با فراواني متناظر مي¬باشد. هدف اين رساله ارائه روش¬ها و الگوريتم¬هايي است كه با بكارگيري مدل¬هاي جديد آماري، عملكرد بهتري در دقت جداسازي ابرطيفي داشته باشد. يكي از ويژگي¬هاي تصويرابرطيفي، محدود بودن تعداد مواد موجود در هر پيكسل مي¬باشد. در روش¬هاي پيشنهادي با توجه به اين ويژگي، مدل¬هاي جديدي مبتني بر الگوريتم¬هاي بيزين ارائه گرديده و بر اساس اين مدل¬ها، روش استنتاج مربوطه طراحي شده است. در اولين پيشنهاد از توزيع احتمال ديريكله تنك براي مدل¬سازي توزيع پيشين بردار فراواني در مدل تركيب نرمال استفاده شده است. سپس استنتاج Marcov Chain Monte Carlo بكار گرفته شد تا بردار فراواني تخمين زده شود. اين روش منجر به كاهش 7 درصدي خطاي تخمين بردار فراواني بر روي تصوير Gulfport شده است. روش دوم، اطلاعات مكاني را با استفاده از ميدان تصادفي ماركف به روش اول افزوده تا بهبود دقت بيشتري براي جداسازي ابرطيفي در پي داشته باشد. بدين ترتيب خطاي تخمين نزديك به 5/7 درصد افت داشته است كه تقريبا مشابه الگوريتم پيشنهادي قبلي بوده است. در روش¬هاي پيشنهادي سوم و چهارم، براي واقعي¬تر كردن مدلسازي مساله، مدل تركيب سيگنال به مدل غيرخطي polynomial postnonlinear mixing model تغيير داده شد. براي حل مساله در كاربرد شبه¬نظارتي، توزيع پيشين ديريكله تنك پيشنهاد شد. در روش پيشنهادي چهارم، اطلاعات همبستگي مكاني پيكسل¬هاي مجاور با استفاده از ميدان تصادفي ماركف مدل¬سازي شد و بدين ترتيب دقت جداسازي بهبود يافت. استفاده از تابع توزيع پيشين ديريكله در مدل غيرخطي و اطلاعات همبستگي مكاني كاهش نسبي 17 درصدي خطا را در نتيجه داده است. سپس اين الگوريتم براي كاربرد نظارتي ساده¬سازي شد. الگوريتم پيشنهادي آخر از مدل غيرخطي linear quadratic mixing استفاده نموده و با ادغام اطلاعات همبستگي مكاني، براي كاربرد نظارتي منجر به كاهش 11 درصدي خطاي جداسازي ابرطيفي شده است. براساس نتايج شبيه‌سازي‌ها، با استفاده از روش‌هاي پيشنهادي مي‌توان خطاي بازسازي سيگنال را كاهش داد و سرعت اجراي الگوريتم‌ها، با توجه به نوع استنتاج مورد استفاده تعيين مي‌گردد.

1398/09/05

Hyperspectral Unmixing Under Endmember Vraiability Based on Sparsity of Abundances

11/26/2019 12:00:00 AM

Hyperspectral images are measured in hundreds or thousands spectral channels. These valuable data are used for recognition of the materials in the field of view. Spectral unmixing refers to the decomposition of a mixed pixel into a group of pure spectral signatures and their corresponding proportions to find the involved materials. The main aim of the thesis is to propose some algorithms that utilize the new statistical models to improve the performance of unmixing. Due to the contribution of only a small number of endmembers of an extremely large library in each hyperspectral pixel, the abundance vector could be assumed sparse. Here, accordingly we consider the same case for estimating abundance vectors in a Bayesian sense. As our first novelty, we propose the Sparse Dirichlet Prior in a semisupervised manner for unmixing of hyperspectral images in Bayesian sense. The Markov Chain Monte Carlo (MCMC) sampler is used to generate samples based on the derived posterior. In the second proposed algorithm along with the sparse Dirichlet prior, we also make use of the Markov Random Fields to benefit from spatial correlation in the Bayesian based unmixing algorithm. Here, the classification and unmixing are performed simultaneously. To model the more realistic conditions, in the remaining parts of the research different nonlinear mixing models have been employed. We apply the sparse Dirichlet prior to a polynomial postnonlinear mixing model in our third proposed algorithm. The results show that the nonlinear unmixing technique was more effective than linear ones. Next, in the fourth proposed algorithm, the MRF is similarly used to improve the unmixing procedure. This, as a result, leads to a major improvement in unmixing accuracy. Then this algorithm has been simplified for supervised applications. In the latter algorithm, a new model based on the linear quadratic mixing model is proposed. Using MRF to model the spatial correlation in a supervised scenario, results enhancement in unmixing accuracy.