Περίληψη
Η πολύ υψηλή φασματική ανάλυση των Υπερφασματικών αισθητήρων συντελεί στο να είναιδυνατή η αναγνώριση υλικών/αντικειμένων τα οποία βρίσκονται στο έδαφος. στόσο, λόγω τηςχαμηλής χωρικής ανάλυσης τα εικονοστοιχεία της απεικόνισης είναι πιθανόν να περιέχουν φασματικήυπογραφή η οποία προέρχεται από μίξη περισσότερων του ενός υλικού. Για να είναι δυνατή ηανάλυση της μικτής υπερφασματικής πληροφορίας, εφαρμόζεται ο φασματικός διαχωρισμός οοποίος περιλαμβάνει την ανάλυση του μικτού φάσματος σε κύριες φασματικές συνιστώσες ή αλλιώςκαθαρές φασματικές υπογραφές, όπου κάθε μία αντιστοιχεί σε ένα μοναδικό υλικό, και στααντίστοιχα ποσοστά συμμετοχής τους. Η συγκεκριμένη διατριβή πραγματεύεται το φασματικόδιαχωρισμό με σκοπό να αξιοποιηθούν πλήρως οι πληροφορίες που εμπεριέχονται σταυπερφασματικά δεδομένα. Τα κύρια σημεία συμβολής της διατριβής περιλαμβάνουν την εισαγωγήκαινοτόμων ιδεών στο πεδίο της επεξεργασίας της υπερφασματικής απεικόνισης και την ανάπτυξηπέντε νέων μεθόδων, οι οποίες σχετίζοντα ...
Η πολύ υψηλή φασματική ανάλυση των Υπερφασματικών αισθητήρων συντελεί στο να είναιδυνατή η αναγνώριση υλικών/αντικειμένων τα οποία βρίσκονται στο έδαφος. στόσο, λόγω τηςχαμηλής χωρικής ανάλυσης τα εικονοστοιχεία της απεικόνισης είναι πιθανόν να περιέχουν φασματικήυπογραφή η οποία προέρχεται από μίξη περισσότερων του ενός υλικού. Για να είναι δυνατή ηανάλυση της μικτής υπερφασματικής πληροφορίας, εφαρμόζεται ο φασματικός διαχωρισμός οοποίος περιλαμβάνει την ανάλυση του μικτού φάσματος σε κύριες φασματικές συνιστώσες ή αλλιώςκαθαρές φασματικές υπογραφές, όπου κάθε μία αντιστοιχεί σε ένα μοναδικό υλικό, και στααντίστοιχα ποσοστά συμμετοχής τους. Η συγκεκριμένη διατριβή πραγματεύεται το φασματικόδιαχωρισμό με σκοπό να αξιοποιηθούν πλήρως οι πληροφορίες που εμπεριέχονται σταυπερφασματικά δεδομένα. Τα κύρια σημεία συμβολής της διατριβής περιλαμβάνουν την εισαγωγήκαινοτόμων ιδεών στο πεδίο της επεξεργασίας της υπερφασματικής απεικόνισης και την ανάπτυξηπέντε νέων μεθόδων, οι οποίες σχετίζονται με τα στάδια τα οποία απαρτίζουν το φασματικόδιαχωρισμό και είναι τα εξής: εκτίμηση της διάστασης του υπόχωρου του σήματος, μείωση τηςυπερφασματικής διάστασης, εξαγωγή καθαρών φασματικών υπογραφών και εκτίμηση τωνποσοστών συμμετοχής τους.Η πρώτη μέθοδος καλείται outlier detection method (ODM). Πρόκειται για μία μη επιβλεπόμενη, μηπαραμετρική μέθοδο για την εκτίμηση της διάστασης του υπόχωρου του σήματος. Ο αριθμός τωνδιανυσμάτων που αντιστοιχούν σε σήμα είναι αρκετά μικρότερος από τον αντίστοιχο του θορύβου.Εξαιτίας αυτού, η στατιστική ανάλυση των διανυσμάτων του σήματος μπορεί να επιφέρει σφάλματα.Η καινοτομία του ODM έγκειται στο ότι θεωρεί μόνο την ύπαρξη του θορύβου και μεταχειρίζεται τασήματα ως ακραίες τιμές του θορύβου. Η μέθοδος εντοπίζει τα σήματα μέσω της μεθόδουανίχνευσης των ακραίων τιμών, μία προσέγγιση που δεν έχει εφαρμοστεί πρωτύτερα στοσυγκεκριμένο θέμα. Η μέθοδος ODM επιτυγχάνει ακρίβεια όμοια με αυτήν των υπαρχουσώνμεθόδων, ενώ παρουσιάζει καλύτερα αποτελέσματα στην εφαρμογή της, σε απεικονίσεις μικρούμεγέθους.Η δεύτερη μέθοδος είναι μία νέα προσέγγιση επιλογής καναλιών για τη βελτιστοποίηση της εξαγωγήςκαθαρών φασματικών υπογραφών και της διαδικασίας ταξινόμησης. Οι λιγοστές υπάρχουσεςμέθοδοι επιλογής καναλιών οι οποίες απευθύνονται αποκλειστικά στο φασματικό διαχωρισμόεφαρμόζονται στο σύνολο της διαθέσιμης φασματικής πληροφορίας χωρίς να λαμβάνουν υπόψη ταφασματικά χαρακτηριστικά κάθε υλικού/αντικειμένου ξεχωριστά και τη φασματική διαφοροποίηση σεκάθε απεικόνιση. Η νέα μέθοδος καθιστά δυνατή την εφαρμογή αλγόριθμων ανίχνευσης καθαρώνφασματικών υπογραφών και ταξινόμησης σε τοπικό επίπεδο στον υπερφασματικό χώρο. Προσπαθείνα βρει εκείνους τους φασματικούς υπόχωρους όπου τα υλικά διαφοροποιούνται στο μέγιστο. Όσοναφορά στους αλγορίθμους ανίχνευσης καθαρών υπογραφών, η νέα μέθοδος επικεντρώνεται στονεντοπισμό των φασματικά κοντινών καθαρών φασματικών υπογραφών, οι οποίες επισκιάζονται απότις φασματικές υπογραφές υψηλής φασματικής αντίθεσης, αξιοποιώντας για πρώτη φορά στην επιλογή καναλιών την έννοια των πολλαπλών κυρτών περιοχών. Η μέθοδος ανιχνεύειαποτελεσματικά τις φασματικές υπογραφές του υπό μελέτη υλικού οι οποίες εμπεριέχουν χρήσιμεςπληροφορίες για τη βιοφυσική/χημική ιδιότητα του. Όσον αφορά στην ταξινόμηση, η νέα μέθοδος επικεντρώνεται στην εύρεση εκείνων των φασματικών υπόχωρων όπου οι κατηγορίες είναιδιαχωρίσιμες στο μέγιστο. Η προτεινόμενη μέθοδος, μειώνοντας κατά 50% το πλήθος των καναλιών,πέτυχε την ίδια ακρίβεια ταξινόμησης όπως στην περίπτωση που χρησιμοποιήθηκαν όλα τα κανάλια.Η τρίτη μέθοδος καλείται simple endmember extraction (SEE) και πρόκειται για μία νέα μέθοδοεξαγωγής καθαρών φασματικών υπογραφών. Βασίζεται στη γεωμετρική ανάλυση των κυρτώνπεριοχών. Η καινοτομία της έγκειται στο ότι αναζητά τις κορυφές της χωρικής διάταξης (simplex), οιοποίες βρίσκονται στις άκρες των μετασχηματισμένων αξόνων, χωρίς περαιτέρω προβολές καιεπαναληπτικές διαδικασίες. Συνεπώς, η μέθοδος έχει το πλεονέκτημα της ταυτόχρονης εξαγωγήςκαθαρών φασματικών υπογραφών, ενώ είναι απαλλαγμένη από το αυξημένο υπολογιστικό κόστος.Η βελτιωμένη εκδοχή της SEE καλείται enhanced-SEE (E-SEE) και είναι μία εμπειρική μέθοδος, ηοποία αντισταθμίζει την τάση των υπαρχουσών μεθόδων εξαγωγής καθαρών φασματικώνυπογραφών να ανιχνεύουν τις φασματικές υπογραφές υψηλής αντίθεσης εις βάρος εκείνων μεχαμηλή αντίθεση. Αυτό επιτυγχάνεται αυξάνοντας την απόσταση μεταξύ υποψήφιων καθαρώνφασματικών υπογραφών και της μέσης τιμής της εικόνας, γεγονός που επιφέρει αλλαγή στηνκατανομή των δεδομένων. Οι δύο μέθοδοι παρουσίασαν αποτελέσματα ίδιας και καλύτερηςακρίβειας σε σύγκριση με τις αντίστοιχες μεθόδους, ενώ το υπολογιστικό τους κόστος είναιχαμηλότερο από το αντίστοιχο των μεθόδων VCA και N- FINDR κατά μία και τρεις τάξεις μεγέθους, αντίστοιχα.Η πέμπτη προτεινόμενη μέθοδος είναι μία νέα εκδοχή της μεθόδου multiple endmember spectralsignature analysis (MESMA), η οποία βασίζεται στη φασματική γωνία και καλείται MESMA-SAD. Ηπρωτότυπη μέθοδος MESMA αν και επιτρέπει ο αριθμός των καθαρών φασματικών υπογραφών ναείναι διαφορετικός για κάθε εικονοστοιχείο, χαρακτηρίζεται υπολογιστικά ακριβή, καθώς εξετάζονταιόλοι οι πιθανοί συνδυασμοί καθαρών φασματικών υπογραφών για την εύρεση του βέλτιστουσυνόλου. Η νέα μη παραμετρική μέθοδος μειώνει σημαντικά το χρόνο επεξεργασίας αξιοποιώντας τηφασματική γωνία και την τιμή του μέσου απόλυτου σφάλματος.Η αξιολόγηση των προτεινόμενων μεθόδων ως προς την αποδοτικότερη αξιοποίηση τωνυπερφασματικών δεδομένων υλοποιήθηκε μέσω εκτεταμένων πειραμάτων σε συνθετικές καιπραγματικές απεικονίσεις. Τα αποτελέσματα της αξιολόγησης ήταν πολύ ικανοποιητικά γεγονός πουκαθιστά τις μεθόδους πολλά υποσχόμενες στο πεδίο της επεξεργασίας των υπερφασματικώναπεικονίσεων.
περισσότερα
Περίληψη σε άλλη γλώσσα
7.4 ΠΕΡΙΛΗΨΗ (ξενόγλωσση)Hyperspectral sensors provide high spectral resolution which contributes to material identification.However, due to low spatial resolution, pixels may contain a mixture of more than one distinctmaterial spectrum. In order to exploit the mixed hyperspectral data, spectral unmixing is applied,which involves the decomposition of the mixed spectra into constituent spectra, also calledendmembers, weighted by their corresponding fractional abundances. This thesis addresses thespectral unmixing problem so that the full potential of hyperspectral data exploitation to be employed.The main contributions include the exploitation of novel concepts and the development of five newmethods dedicated to the steps involved in spectral unmixing; the signal subspace estimation, thedimensionality reduction, the endmember extraction, and the abundance estimation.The first method, called outlier detection method (ODM), is a new automatic non-parametric methodfor estimating the signal ...
7.4 ΠΕΡΙΛΗΨΗ (ξενόγλωσση)Hyperspectral sensors provide high spectral resolution which contributes to material identification.However, due to low spatial resolution, pixels may contain a mixture of more than one distinctmaterial spectrum. In order to exploit the mixed hyperspectral data, spectral unmixing is applied,which involves the decomposition of the mixed spectra into constituent spectra, also calledendmembers, weighted by their corresponding fractional abundances. This thesis addresses thespectral unmixing problem so that the full potential of hyperspectral data exploitation to be employed.The main contributions include the exploitation of novel concepts and the development of five newmethods dedicated to the steps involved in spectral unmixing; the signal subspace estimation, thedimensionality reduction, the endmember extraction, and the abundance estimation.The first method, called outlier detection method (ODM), is a new automatic non-parametric methodfor estimating the signal subspace dimension. The number of the signal vectors is much lowercompared to the number of the noise vectors. Thus, estimating the population distribution and/or itsstatistical characteristics could comprise errors. The novelty of ODM lies in the fact that it considersonly the existence of noise and treats signals as outliers of noise. It searches for the signals whoseradius is by far larger than the one of the noise introducing for the first time in virtual dimensiontheory, a robust outlier detection method. The ODM achieves the performance of its competitors andoutperforms them in case of small image scenes.The second method is a new band selection (BS) approach for optimizing the performance of theendmember extraction and classification. The few existing BS methods which address spectralunmixing issues set fixed criteria to the spectral information on the whole set of wavelengths. Theyare based on generalised approaches which disregard the spectral characteristics of a particularmaterial of interest, the image diversity and the endmember variability. The proposed methodenables endmember extraction and classification algorithms to act locally in the hyperspectral space.It tries to define subspaces in which spectra of materials vary the most. In case of endmemberextraction, the new method accounts for spectrally closed endmembers (SCEs) – a term introducedin the frame of this study- which are likely overshadowed by the prevalent endmembers, by exploitingthe original bands. In order to extract the SCEs, the concept of multiple convex hulls is used for thefirst time in BS. The proposed approach is effective at detecting low contrast materials, which implydifferent biophysical or chemical properties of a material class. In case of classification, the proposedBS method accounts for subspaces where classes are separable. It achieved the same overallaccuracy as if the whole band set is used, by selecting less than 50% of the total bands.The third method, called simple endmember extraction (SEE) is a new convex-based endmemberextraction method which searches for the most distinct spectra at the vertices of a simplex defined inthe signal subspace. The novelty of the SEE method is that it searches for the extreme values that lieon the end points of the existing transformed axes without further projections that imply iterativeprocedures. Thus, it bears the advantage of simultaneously extracting endmembers with lowcomputational cost. The fourth method is an enhanced version of SEE, called enhanced-SEE (ESEE)and it is an empirical method which compensates the tendency that the majority of the convexbasedendmember extraction methods encounter to select high contrast endmembers over less contrast endmembers. On this account, it changes the distribution of the initial data sample byincreasing the distance between candidate endmembers and the data mean, a technique which hasnever been explored before. Both methods provided the same and even better performancecompared to the state-of-the-arts methods. The computation complexity of the new methods is muchlower than those of vertex component analysis (VCA) and N-FINDR, approximately one and threeorders of magnitude lower, respectively.Last but not least, the fifth method is a new multiple endmember spectral signature analysis(MESMA) based on spectral angle distance, called MESMA-SAD. MESMA accounts for within classspectral variability, however, it needs to calculate all the potential endmember combinations of eachpixel to find the best-fit one, demanding a time-consuming unmixing technology. The new nonparametricmethod significantly minimizes the time-processing compared to the existing MESMAalgorithms by combining the spectral angle distance values and the mean absolute errors.Extensive simulated and real image-based experiments indicate the effectiveness of the proposedmethods to improve the data exploitation, rendering their implementation very promising inhyperspectral image processing.
περισσότερα