Hyperspectral image compression using sparse representations and wavelet transform based spectral decorrelation

dc.contributor.advisor Töreyin, Behçet Uğur tr_TR
dc.contributor.author Jawdhari, Hayder tr_TR
dc.contributor.authorID 708151020 tr_TR
dc.contributor.department Bilişim Uygulamaları tr_TR
dc.contributor.department Applied Informatics en_US
dc.date 2017 tr_TR
dc.date.accessioned 2018-05-21T08:46:25Z
dc.date.available 2018-05-21T08:46:25Z
dc.date.issued 2017 tr_TR
dc.description Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Bilişim Enstitüsü, 2017 tr_TR
dc.description Thesis (M.Sc.) -- İstanbul Technical University, Institute of Informatics, 2017 en_US
dc.description.abstract Son yıllarda, görüntü işleme alanındaki çalışmaların sayısında ve çeşidinde artış olduğu gözlenmektedir. Birçok dalga boyu bandında algılanan enerji üzerinde hassas kayıt yapabilmek için uzaktan algılama bu alanlardan en önemlisidir. Hipperspektral görüntüler, dijital görüntülerin ve spektroskopinin güçlü yanlarını birleştirir. Bir hiperspektral kamera, komşu spektral bantların büyük bir kısmı için ışık yoğunluğunu yakalar. Hiperspektral görüntüler, farklı izgelere olan duyarlılıklarından ötürü, algıladıkları nesnelerin kimyasal içeriğine ilişkin önemli bilgiler sunmaktadır. Uydu görüntüleri ve özellikle hiperspektral görüntüler, farklı bilimlerin birçok alanı için önemli veri kaynağıdır. Uydu görüntüleri, insan gözü veya diğer teknolojiler tarafından algılanamayan, yeryüzündeki geniş bir alanı kaplar. Uzaktan algılama terimi ilk olarak 1960'larda kullanıldı. Bu teknoloji, yeryüzünün uzaktan gözlenmesini esas almıştır. Yeryüzünü izlemek için farklı yükseklikteki uydular kullanılır. Bu çalışmada, çevrimiçi öğrenmeyi temel alan seyrek kodlamayı kullanarak kayıplı bir hiperspektral görüntü sıkıştırma yöntemi önerilmektedir. Hiperspektral görüntüleri çevrimiçi sözlük öğrenme yöntemine dayanan seyrek kodlama algoritması uygulayarak temsil etmek için en az sayıda katsayı elde edilir. Sonuçlar, sıfır olmayan sözlük öğelerinin bir ön analizinin, genel sıkıştırma kalitesini iyileştirmede yardımcı olabileceğini ortaya koymaktadır. Seyrek kodlama tabanlı hiperspektral görüntü sıkıştırma, literatürdeki tekniğin mevcut durumunu yansıtan yöntemlere göre, özellikle düşük bit hızlarında daha iyi veri hızı- bozunum başarımı vermektedir Seyrek gösterim, önceden eğitilmiş bir sözlükten birkaç sözcüğün (atomun) doğrusal bileşimi olarak sinyalleri modelleme yeteneğine sahiptir. Sinyallerin gösterilmesinde çok seyrek doğaya neden olan uyarlanabilir bir sözlük öğrenmeyi sağlar. Bu çalışmada, seyrek gösterim, kayıplı bir hiperspektral veri sıkıştırma çerçevesinde konuşlandırılmıştır. Spektral korelasyonun yanı sıra hem spektral hem de mekansal korelasyondan yararlanan sözlükler çevrimiçi sözlük öğrenimi kullanılarak eğitilir. Daha sonra, hiperspektral bir veri, seyrek kodlama yoluyla öğrenilen sözlük kullanılarak gösterilir. Oluşan seyrek katsayılar nihai bit akışı formüle etmek için kodlanır. Bir dizi hiperspektral veri kümesindeki deneysel sonuçlar, önerilen yaklaşımın hız-bozulma performansı açısından 3D-SPIHT gibi dalgacık tabanlı yöntemlerle rekabet ettiğini göstermektedir. xxii Seyrek modeller, sıfır olmayan elementlerle verilerin temsil edilmesini sağlar. Seyrek modellerin bu özelliği, veri sıkıştırma amacıyla seyrek modellerin kullanılmasının uygun olabileceğini düşündürmektedir. Teknolojinin gelişmesiyle birlikte, görüntüleme teknolojileri, hiperspektral görüntüleme gibi görüntüleme yeteneklerine ve gelişmiş görüntüleme özelliklerini olanaklı kılmıştır. Hiperspektral görüntülerin kullanılması ile, spektral düzlemdeki dar bant genişlikleri ile çok büyük miktarda veri işlenmeye başlandı ve daha yüksek hesaplama maliyetleri oluştu Sınıflandırma performanslarındaki artışa rağmen, bu büyük boyutlu verilerin boyutunun azaltılması önemli bir olgu hâline geldi. Bu çalışmada, çevrimiçi öğrenmeyi kullanan seyrekliğe dayalı hiperspektral görüntü sıkıştırma yöntemleri için bir çerçeve ve dalgacık dönüşümüne dayalı bir izgel ilintisizleştirme önerilmektedir. Bu amaçla, tamsayı katsayılı dalgacık dönüşümü süzgeçleriyle izgel ilintisizleştirilen hiperspektral veri, JPEG2000 kodeği ile kayıpsız olarak, seyrek gösterimlere dayalı yöntemle ise kayıplı olarak sıkıştırılmaktadır. Bu sâyede, kayıpsız ve kayıplı sıkıştırma yöntemlerinin en uygun yönlerini bünyesinde barındıran melez bir hiperspektral veri sıkıştırma yöntemi geliştirilmiştir. Farklı seyrek optimizasyon modelleri bulunmaktadır. Hiperspektral görüntü sıkıştırma başarımı ile ilgili seyrek gösterimlerin bağıl analizne de yer verilen çalışmada, çevrimiçi öğrenme tabanlı hiperspektral görüntü sıkıştırma modları iki farklı seyrek gösterimle sunulmaktadır. İki veri kümesi için hiperspektral görüntüler, üç seviye dalgacık dönüşümüyle izgel ilintisizleştirilerek sıkıştırılmaktadır. Bu çalışma, iki tür veri kümesinden elde edilen (AVIRIS ve HYPERION) iki farklı hiperspektral veri üzerinde sonuçların alınmasını sağlamıştır. Ortalama Kare Hata (MSE) işlemine dayalı olarak belirlenen PSNR değeri, sonuç başarımlarının karşılaştırılması amacıyla kullanılmaktadır. Bu tezde, verilerin mümkün olduğunca içsel bağıntısını kullanmak için tamamen veri tabanlı tekniklerden (sözlük öğrenme tabanlı seyreltik gösterimler) ve sabit katsayı dönüşümü (wavelet / DCT) temelli algoritmalardan yararlanarak dengeli bir hiperspektral görüntü sıkıştırma yaklaşımı önermekteyiz. Bu bağlamda, hiperspektral veriler tam rekonstrüksiyon elde etmek için tamsayılı dalgacık dönüşümü temelli filtre bankaları kullanılarak spektral olarak ilintisizleştirilir. Spektral olarak ilintisizleştirilen verilerin, yüksek bant kısımları JPEG2000 standardıyla kodlanacak şekilde sıkıştırılırken, düşük bantlı veriler için çevrimiçi sözlük öğrenme çerçevesini kullanarak seyrek bir gösterim elde edilir. Tezin katkısı, veriye dayalı uyarlanır katsayılı yaklaşımlar ile veriden bağımsız, sabit katsayılı süzgeç temelli yaklaşımların melez ve yenilikçi bir yaklaşımla harmanlanarak yeni bir hiperspektral veri sıkıştırma yöntemini ilk kez öneriyor oluşudur. Böyle bir yaklaşımın arkasındaki ana motivasyon, her iki yöntemin de hiperspektral görüntü sıkıştırma amaçları için yararlanılmasıdır. Hiperspektral görüntülerin kayıplı sıkıştırılması için ayırt edici bir çevrimiçi sözlük öğrenme yöntemine dayanan seyrek kodlama algoritması önerilmiştir. Değişken sayıda sıfır olmayan sözlük unsurlarının etkileri de analiz edilmiştir. Sonuçlar, önerilen çevrimiçi öğrenme temelli seyrek kodlama algoritmasının, PSNR değerleri bakımından xxiii daha iyi performans gösterdiği için, daha yüksek veri hızları için kullanılabileceğini göstermektedir. Ayrıca, sıfır olmayan sözlük öğelerinin sayısının bir ön analizinin sıkıştırma yaklaşımının başarımını artırabileceği değerlendirilmektedir. tr_TR
dc.description.abstract Being a spectral imaging technique, hyperspectral imagery enables acquisition of electromagnetic spectrum data in hundreds of narrow bands. The chemical composition of objects within the viewing range of hyperspectral sensors may be analyzed with the help hyperspectral imaging techniques. Providing a huge amount of data comes with a heavy cost of size. To that extent, hyperspectral compression methods become essential for transmission and storage purposes. There are two fundamental ways for data compression, namely, lossless and lossy. Lossy methods aims at compressing the data as much as possible while keeping the reconstructed data quality as high as possible. On the other hand, lossless compression techniques, as the name suggests, are targeted towards compressing the data in a lossless manner with the largest possible compression ratio value defined as the ration of uncompressed data size to the size of the compressed data. Lossless compression schemes typically achieve much higher compression ratios as compared with lossy techniques. For hyperspectral compression purposes, data-driven approaches, such as dictionary learning based lossy compression methods, yield better compression performance compared with other state-of-the-art methods. Regarding the lossless compression methods for hyperspectral imagery, integer wavelet transform based techniques are reported to perform better in terms of compression ratio. In this thesis, a novel hyperspectral image compression approach that blends a fully data-driven technique based on sparse representations and an integer wavelet transform based algorithm is proposed. The hyperspectral data is spectrally decorrelated using various integer wavelet filters at different levels. The decorrelated data is then processed according to its frequency content in such a way that highly correlated, sparse high-band block is compressed in a lossless fashion with JPEG2000. On the other hand, a sparse representation is obtained for the low-band block making it possible to represent the lower subband data block using a few number of coefficients. Experimental results indicate that, the proposed hybrid method perfroms better than the existing hyperspectral image compression techniques. en_US
dc.description.degree Yüksek Lisans tr_TR
dc.description.degree M.Sc. en_US
dc.identifier.uri http://hdl.handle.net/11527/15716
dc.publisher Bilişim Enstitüsü tr_TR
dc.publisher Institute of Informatics en_US
dc.rights Kurumsal arşive yüklenen tüm eserler telif hakkı ile korunmaktadır. Bunlar, bu kaynak üzerinden herhangi bir amaçla görüntülenebilir, ancak yazılı izin alınmadan herhangi bir biçimde yeniden oluşturulması veya dağıtılması yasaklanmıştır. tr_TR
dc.rights All works uploaded to the institutional repository are protected by copyright. They may be viewed from this source for any purpose, but reproduction or distribution in any format is prohibited without written permission. en_US
dc.title Hyperspectral image compression using sparse representations and wavelet transform based spectral decorrelation tr_TR
dc.title.alternative Seyrek gösterimler ve dalgacık dönüşümüne dayalı izgel ilintisizleştirme kullanarak hiperspektral görüntü sıkıştırma en_US
dc.type masterThesis en_US
Dosyalar
Orijinal seri
Şimdi gösteriliyor 1 - 1 / 1
thumbnail.default.alt
Ad:
708151020.pdf
Boyut:
3.16 MB
Format:
Adobe Portable Document Format
Açıklama
Lisanslı seri
Şimdi gösteriliyor 1 - 1 / 1
thumbnail.default.placeholder
Ad:
license.txt
Boyut:
3.16 KB
Format:
Plain Text
Açıklama