Tez No	İndirme	Tez Künye	Durumu
655295		Optimization and deep learning based multi model abundance estimation and unmixing algorithms for hyperspectral images / Hiperspektral görüntülerde optimizasyon ve derin öğrenme tabanlı çok modelli bolluk tahmini ve ayrıştırma algoritmaları Yazar:OKAN BİLGE ÖZDEMİR Danışman: PROF. DR. YASEMİN ÇETİN ; DOÇ. DR. ALPER KOZ Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Enformatik Enstitüsü / Bilişim Sistemleri Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2020 116 s.
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.
Hyperspectral unmixing aims to identify the materials within the pixels of an image and estimate the corresponding abundance values of these materials. This thesis proposes an optimization based abundance estimation method for the case where the spectral signatures of the materials are available, and a deep learning based hyperspectral unmixing method for the case where the spectral signatures of the materials are unavailable. The proposed abundance estimation algorithm assumes that real data can contain complex interactions that cannot be modeled with a single model, and therefore, use multiple mixing models for determining the abundance of real data. The proposed optimization-based coarse-to-fine estimation algorithm first adopts a linear mixing model for the tested pixel until the error between the reconstructed and original pixel is smaller than a threshold. The algorithm then proceeds by integrating the other nonlinear mixing models to the cost function. Among various utilized optimization algorithms and metrics, the proposed solution with the sequential quadratic programming and spectral angle mapper combination is found more successful than other search methods and baseline algorithms. As the second contribution of this thesis, a new 3D convolutional encoder based deep learning method is proposed for hyperspectral unmixing by observing that the local neighborhood information is not sufficiently used for the unmixing problem in hyperspectral images. Given that nonlinear mixing has not been adequately covered in deep learning based hyperspectral unmixing literature, the proposed method is especially designed to solve the nonlinear mixture models with the 3D convolutional encoder structure. The proposed method gives better performance than the well-known pure material extraction and abundance detection algorithms on synthetic and real data.