Tez No	İndirme	Tez Künye	Durumu
575130		Hiperspektral görüntülerin kayıpsız sıkıştırılması için tahmin temelli yaklaşımlar / Prediction based approaches for lossless compression of hyperspectral images Yazar:ALİ CAN KARACA Danışman: DOÇ. DR. MEHMET KEMAL GÜLLÜ Yer Bilgisi: Kocaeli Üniversitesi / Fen Bilimleri Enstitüsü / Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:Görüntü sıkıştırma = Image compression ; Uydu görüntüleme = Satellite imaging ; Veri sıkıştırma = Data compression	Onaylandı Doktora Türkçe 2019 148 s.
Günümüzde gelişen algılayıcı ve uydu teknolojileri sayesinde uydu üzerinden alınan hiperspektral görüntüler üzerinden değişim tespiti, hedef tespiti, katışım analizi, sınıflandırma ve bölütleme gibi geniş kapsamlı uygulamalar yapılmaktadır. Yapılan uygulamaların başarısı bu teknolojilerin gelecekte çok daha popüler olacağını göstermektedir. Bunun yanında hiperspektral görüntüler kapladıkları büyük hafıza alanı nedeniyle verilerin saklanması ve iletilmesinde sorunlar oluşturmaktadır. İletimde bant genişliğinin düşürülmesi ve verilerin saklanmasında depolama alanının azaltılması için hiperspektral görüntü sıkıştırmaya ihtiyaç duyulmaktadır. Uydu üzerinden alınan görüntülerin yeryüzüne indirilmesi için sıkıştırma işlemlerinin uydu üzerindeki gömülü platformlarında gerçekleşmesi gerekmektedir. Bu gömülü platformlar kısıtlı güçle çalıştığı için kullanılacak olan sıkıştırma yönteminin düşük işlemsel karmaşıklığa sahip ve donanıma kolay entegre edilebilir olması oldukça önemlidir. Bununla birlikte, kayıplı sıkıştırma yaklaşımları verinin üzerinde bozunum oluşturmakta ve farklı uygulamalardaki başarımlarını önemli ölçüde düşürebilmektedir. Bu sebeplerden dolayı bu tez çalışması kapsamında hiperspektral görüntülerin kayıpsız sıkıştırılması için özgün yöntemler geliştirilmiştir. Geliştirilen yöntemlerde işlemsel karmaşıklığı düşük, gömülü sistemlere kolay entegre edilebilecek, yüksek sıkıştırma performanslı algoritmalar sunulmuştur. Bu yöntemler literatürdeki güncel yöntemlerle karşılaştırılarak performansları irdelenmiştir. Ek olarak, paralelleştirmeye olanak sağlayacak bir sıkıştırma yöntemi de geliştirilmiştir. Bu sayede, çok uzun süre alan tahmin adımı paralelleştirilerek hızlandırılmaktadır. Ayrıca, sadece istenilen bölgelerin sıkıştırılmasına veya geri elde edilmesine olanak tanıyacak bir yaklaşım oluşturulmuştur.
Today, thanks to growing sensor and satellite technologies, wide range of applications such as change detection, target detection, spectral unmixing, classification and segmentation are performed on hyperspectral images acquired by satellites. Performances of these applications show that these technologies will be more popular in future. Besides that hyperspectral images cause challenges in data storing and transmission because of having large memory space. To reduce bandwidth in transmission and memory space in storing, hyperspectral image compression is needed. In order to download satellite images to ground station, it is required that compression processes are performed on onboard systems of the satellites. Due to these onboard systems work under limited power, it is very important that the method used in compression has lower computational complexity and easy to implement on hardware systems. In addition to this, lossy compression approaches can cause distortion on images and may significantly decrease the accuracies in various applications. Because of these reasons, novel methods are developed for lossless compression of hyperspectral images within the scope of this thesis study. In the developed methods, the algorithms that are easy to implement on embedded systems, has lower computational complexity and high compression performances are presented. These methods are compared with the-state-of-the-art methods and the performances are evaluated. Additionally, a compression method that enables paralellization is developed. By this means, the prediction step which has long computation time is reduced by parallelization. Moreover, a novel approach is developed to enable compression or decompression of the selected region of interest.