is Íslenska en English

Lokaverkefni (Doktors)

Háskóli Íslands > Verkfræði- og náttúruvísindasvið > Doktorsritgerðir - Verkfræði- og náttúruvísindasvið >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: https://hdl.handle.net/1946/22343

Titill: 
  • Titill er á ensku Hyperspectral Unmixing Using Total Variation and Sparse Methods
  • Aðgreining fjölrása fjarkönnunarmynda með rýrum og þjálum aðferðum
Námsstig: 
  • Doktors
Útdráttur: 
  • Útdráttur er á ensku

    The main focus of this thesis is blind hyperspectral unmixing. The proposed unmixing methods seek to exploit the characteristics of remote sensing hyperspectral data. This is achieved by using regularization methods such as total variation, l_q sparsity, and roughness penalties. The total variation regularization is used to capture the spatial piecewise smoothness of the data. Sparsity regularization reflects the inherent sparsity of abundance maps, and a roughness penalty is used to promote smooth endmembers. Due to the high spectral correlation of hyperspectral images, the methods assume a low rank model for the data.
    The effects of the tuning and model parameters on the unmixing solution are examined in detail, with respect to the mean square error, spectral angle distance, and also classification accuracy.
    The thesis concludes by investigating semi-blind unmixing methods, two methods that combine supervised and unsupervised unmixing are proposed and two methods that make the pure pixel assumption.
    The main contributions are the following;
    - A new sparse unmixing method using a novel combination of regularization terms. The regularization terms are a first order roughness penalty, and an l_q sparsity regularizer. The first order roughness penalty is able to promote smooth endmembers while retaining known discontinuities in the endmember spectrum. The l_q regularizer promotes sparsity in the abundance maps.
    - An improved sparse unmixing method that combines l_q and total variation regularization. Hyperspectral images are spatially piecewise smooth and the addition of the TV regularizer improves the unmixing by incorporating spatial information into the sparse unmixing.
    - Two new variations of semi-supervised unmixing, where a priori information about endmembers that are known to be in the image is incorporated into unmixing. The first method uses hard regularization to constrain some of the endmembers to be identical to known library endmembers, while the latter method uses soft regularization to constrain some of the endmembers to be similar to known library endmembers. The unknown endmembers are estimated along with the abundances for all endmembers.
    - Two unmixing methods that make the assumption that pure pixels are present in the image. The endmembers will be selected from a dictionary constructed from the image itself. This guarantees that the endmembers can be fully explained by material seen in the image. The two methods use different regularization terms to promote sparsity in the solutions, the first method uses l_2 regularization and the second uses vector l_0 regularization.

  • Megin áheyrsla þessarar ritgerðar er á aðgreiningu fjölrása fjarkönnunarmynda (e. blind hyperspectral unmixing). Aðferðirnar sem eru kynntar leitast við að nýta sér einkenni fjarkönnunarmynda. Það er gert með því að nota reglun, t.d. heildarviksreglun (TV) (e. total variation), l_q reglun og fyrstu gráðu reglun. Notkun á heildarviksreglun endurspeglar að gögnin eru þjál á köflum í rúmi (e. spatially piecewise smooth). Hlutfallslegt magn (e. abundances) efna í fjarkönnunarmyndum er rýrt (e. sparse), og rýra l_q reglunin er notuð til að ná fram þeim eiginleika. Fyrsta gráðu refsifall er notað til að þvinga lausnina til að hafa þjál grunnlitróf (e. endmembers). Sökum þess að fylgni litrófa myndanna er mikil, þá gera aðferðirnar ráð fyrir því að gögnin lifi í rúmi af lágri gráðu (e. low rank model).
    Áhrif mismunandi stika (e. model and tuning parameters) á lausnina eru grandskoðuð, með tilliti til meðalfervikskekkju (e. mean square error), hornfjarlægðar (e. spectral angle distance) og flokkunar nákvæmni.
    Í lok ritgerðarinnar er fjallað um stýrðar aðgreiningar aðferðir (e. supervised unmixing). Tvær aðferðir sem eru stýrðar að hluta (e. semi-superised unmixing) eru kynntar, svo og tvær aðferðir sem gera ráð fyrir því að grunnlitrófin séu að finna í gögnunum (e. pure pixel assumption).
    Megin framlag ritgerðarinnar er eftirfarandi:
    - Ný rýr aðgreiningaraðferð sem notar frumlega samsetningu reglunarliða. Reglunarliðirnir eru l_q liður og fyrstu gráðu refsiliður. Fyrstu gráðu refsiliðurinn þvingar grunnlitrófin til þess að vera þjál og getur einnig varðveitt ósamfellur á skilgreindum stöðum í litrófinu. l_q reglunarliðurinn stuðlar að rýrum hlutfallskortum (e. abundance maps).
    - Ný endurbætt aðgreiningaraðferð sem sameinar l_q og TV refsiliði. Fjölrása fjarkönnunarmyndir eru þjálar á köflum í rúmi. Með því að bæta við TV liðnum, er sá eiginleiki nýttur til að endurbæta rýru ‘ q aðgreiningaraðferðina.
    - Tvær úgáfur að aðgreiningaraðferðum sem eru stýrðar að hluta eru kynntar. Fyrri aðferðin notar harða reglun (e. hard regularization) til að þvinga ákveðin grunnlitróf til að vera nákvæmlega eins og fyrirfram ákveðin litróf. Sú senni notar mjúka reglun til að þvinga ákveðin grunnlitróf til að vera áþekk fyrirfram ákveðnum litrófum. Óþekktu litrófin eru fundin samhliða því að hlutfallskort allra litrófana eru fundin.
    - Tvær aðgreiningaraðferðir sem gera ráð fyrir því að grunn-litrófin séu að finna í gögnunum eru kynntar. Grunn-litrófin eru valin úr gögnunum sjálfum. Aðferðirnar nota mismunandi reglun til að þvinga fram rýra lausn. Fyrri aðferðin notar l_2 reglun en sú seinni notar l_0-vigur reglun.

Samþykkt: 
  • 13.7.2015
URI: 
  • http://hdl.handle.net/1946/22343


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
phd_thesis_Jakob_S.pdf10.55 MBOpinnHeildartextiPDFSkoða/Opna