Τεχνικές επεξεργασίας σήματος κατά Bayes για το φασματικό διαχωρισμό υπερφασματικών εικόνων

Περίληψη

Η διατριβή αυτή παρουσιάζει ένα πλαίσιο καινοτόμων τεχνικών επεξεργασίας σήματος κατά Bayes, οι οποίες έχουν αναπτυχθεί ειδικά για το φασματικό διαχωρισμό υπερφασματικών δεδομένων. Τα υπερφασματικά δεδομένα αποτελούνται από εκατοντάδες ή χιλιάδες εικόνες της ίδιας γεωγραφικής περιοχής, οι οποίες έχουν δειγματοληπτηθεί σε διαφορετικό μήκος κύματος. Τα σύγχρονα συστήματα τηλεπισκόπησης εκμεταλλεύονται τη φασματική αυτή πληροφορία των υπερφασματικών δεδομένων, είτε για την ανίχνευση στόχων, ή για τον εντοπισμό υλικών στην εικόνα. Φασματικός διαχωρισμός είναι η διαδικασία κατά την οποία τα αναμεμειγμένα εικονοστοιχεία της υπερφασματικής εικόνας αποσυντίθεται στα συνιστώμενα φασματικά υλικά τους και στις ποσοστιαίες αναλογίες αυτών σε κάθε εικονοστοιχείο. Αξιοποιώντας το πλαίσιο των τεχνικών κατά Bayes, αναπτύσσεται ένα ιεραρχικό μοντέλο κατά Bayes, το οποίο χρησιμοποιεί τη κατανομή Laplace ως εκ των προτέρων κατανομή για τις παραμέτρους των ποσοστιαίων αναλογιών. Η εκ των προτέρων κατανομή ...
περισσότερα

Περίληψη σε άλλη γλώσσα

This thesis presents a framework of novel Bayesian signal processing techniques developed for the unmixing of hyperspectral data. Hyperspectral data consist of hundreds or thousands of spatially coregistered images, each one produced by sampling at a specific wavelength. Modern remote sensing systems exploit the spectral information of hyperspectral data in order to detect targets of interest and to identify materials. Spectral unmixing is the process of decomposing mixed hyperspectral pixels to their constituent materials, or endmembers, and their corresponding proportional fractions, or abundances. Exploiting the Bayesian framework, we develop a hierarchical Bayesian model which utilizes the Laplace distribution as a prior for the abundance parameters. The Laplace prior is widely used in the Bayesian compressive sensing literature to meet the l1 norm of the celebrated lasso operator, which is known to promote sparsity. This original concept is extended in the proposed model, which ut ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/29001
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/29001
ND
29001
Εναλλακτικός τίτλος
Bayesian signal processing techniques for hyperspectral image unmixing
Συγγραφέας
Θεμελής, Κωνσταντίνος του Ελευθέριος
Ημερομηνία
2012
Ίδρυμα
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών (ΕΚΠΑ). Σχολή Θετικών Επιστημών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Εξεταστική επιτροπή
Θεοδωρίδης Σέργιος
Ροντογιάννης Αθανάσιος
Κουτρούμπας Κωνσταντίνος
Καλουπτσίδης Νικόλαος
Μπερμπερίδης Κωνσταντίνος
Μανωλάκος Ηλίας
Σλαβάκης Κωνσταντίνος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ
Λέξεις-κλειδιά
Στατιστική επεξεργασία σήματος; Υπερφασματικά δεδομένα; Αραιή γραμμική παλινδρόμηση υπό περιορισμούς; Ιεραρχική μοντελοποίηση κατά Bayes; Αραιός ημι-επιβλεπόμενος διαχωρισμός
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
173 σ., εικ., πιν., χαρτ., σχημ., γραφ., ευρ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)