Optimization and deep learning based multi model abundance estimation and unmixing algorithms for hyperspectral images

Hiperspektral ayrıştırma, görüntünün içindeki malzemeleri tanımlamayı ve bu malzemelere karşılık gelen bolluk değerlerini tahmin etmeyi amaçlamaktadır. Bu tez, malzemelerin spektral imzalarının mevcut olduğu durum için optimizasyona dayalı bir bolluk tahmin yöntemi ve malzemelerin spektral imzalarının olmadığı durumlar için derin öğrenme tabanlı bir hiperspektral ayrıştırma yöntemi önermektedir. İlk çalışmada sunulan bolluk tespit algoritması gerçek verilerin tek bir modelle ifade edilemeyecek kadar karmaşık etkileşimler içerebilmesi varsayımına dayanmaktadır. Bu nedenle, gerçek verilerde bolluk tespiti yapılırken çoklu model kullanılması hedeflenmiştir. Önerilen optimizasyon tabanlı bolluk tespit algoritması, hedef piksele yakın bir hata oranına ulaşılana kadar doğrusal karışım modelini varsayan bir yaklaşımı benimser. Optimizasyon algoritması daha sonra maliyet fonksiyonunu, olası karışım modelleri için yeniden tanımlayarak işleme devam eder. Kullanılan çeşitli optimizasyon algoritmaları ve uzaklık metrikleri arasında, sıralı kuadratik programlama ve spektral açı haritalama kombinasyonu ile önerilen çözüm, diğer arama yöntemleri ve temel algoritmalardan daha başarılı bulunmuştur. Bu tezin ikinci katkısı olarak, hiperspektral görüntülerde komşuluk bilgisinin ayrıştırma problemi için yeterince kullanılmadığı gözlemlenerek hiperspektral ayrıştırma için yeni bir 3 boyutlu evrişimli kodlayıcı tabanlı derin öğrenme yöntemi önerilmiştir. Doğrusal olmayan karıştırmanın daha önce sunulmuş derin öğrenme tabanlı hiperspektral ayrıştırma çalışmalarında yeterince ele alınmadığı göz önüne alındığında, önerilen yöntem doğrusal olmayan karışım modellerini 3D evrişimli kodlayıcı yapısıyla çözmek için tasarlanmıştır. Önerilen yöntem, sentetik ve gerçek veriler üzerinde iyi bilinen saf malzeme çıkarma ve bolluk tahmini algoritmalarından daha iyi performans göstermiştir.