Εφαρμογή μοντέλου επιβλεπόμενου φασματικού διαχωρισμού με συμπερασμό Bayes και υπόθεση χρωματικού θορύβου

Χλωροκώστας, Σταύρος; Chlorokostas, Stavros

dc.contributor.author	Χλωροκώστας, Σταύρος	el
dc.contributor.author	Chlorokostas, Stavros	en
dc.date.accessioned	2020-12-30T07:44:29Z
dc.date.available	2020-12-30T07:44:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52694
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20392
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Φασματικός διαχωρισμός	el
dc.subject	Μπεϋζιανή συμπερασματολογία	el
dc.subject	Ψηφιακή τηλεπισκόπηση	el
dc.subject	Υπερφασματική	el
dc.subject	Τηλεπισκόπηση	el
dc.subject	Unmixing	en
dc.subject	Hyerspectral	en
dc.subject	Bayesian inference	en
dc.subject	Απεικονιστική φασματοσκοπία	el
dc.subject	Hierarchical model	en
dc.subject	Ιεραρχικό μοντέλο	el
dc.subject	Remote sensing	en
dc.subject	Spectral unmixing	en
dc.title	Εφαρμογή μοντέλου επιβλεπόμενου φασματικού διαχωρισμού με συμπερασμό Bayes και υπόθεση χρωματικού θορύβου	el
heal.type	masterThesis
heal.classification	Ψηφιακή Τηλεπισκόπηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-29
heal.abstract	Η μέθοδος στατιστικού συμπερασμού Bayes, μέσω ιεραρχικών μοντέλων, χρησιμοποιείται ευρέως για τον φασματικό διαχωρισμό μικτών εικονοστοιχείων, και τον υπολογισμό των ποσοστών συμμετοχής των καθαρών υλικών από τα οποία αποτελούνται. Στην παρούσα εργασία παρουσιάζεται και αξιολογείται μία τέτοια μέθοδος επίλυσης του προβλήματος του επιβλεπόμενου φασματικού διαχωρισμού με υπόθεση χρωματικού κανονικού θορύβου (colored Gaussian noise), δηλαδή θορύβου με άγνωστο πίνακα συμμεταβλητότητας. Το μοντέλο μίξης που χρησιμοποιείται είναι το γραμμικό μοντέλο, όπου τα ποσοστά συμμετοχής των καθαρών υλικών πρέπει να ακολουθούν τον περιορισμό της προσθετικότητας και της μη αρνητικότητας. Βάσει του μοντέλου αυτού γίνεται η επιλογή των κατάλληλων πρότερων συναρτήσεων των αγνώστων του ιεραρχικού μοντέλου και ο υπολογισμός των υπό συνθήκη εκ των υστέρων κατανομών των αγνώστων. Η εκτίμηση των ποσοστών συμμετοχής για κάθε εικονοστοιχείο γίνεται από τις υπό συνθήκη εκ των υστέρων κατανομές με τη μέθοδο δειγματοληψίας Gibbs. Δόθηκε έμφαση στη μείωση του υπολογιστικού κόστους και του χρόνου εκτέλεσης μέσω παράλληλου προγραμματισμού (parallel processing), με σκοπό ο αλγόριθμος να καθίσταται εφαρμόσιμος σε μεγάλο μέγεθος υπερφασματικών δεδομένων με εύκολα προσβάσιμη υπολογιστική ισχύ. Ο αλγόριθμος φασματικού διαχωρισμού που κατασκευάστηκε εφαρμόστηκε σε δεδομένα λήψης του αερομεταφερόμενου δέκτη AVIRIS. Οι φασματικές υπογραφές των καθαρών υλικών συλλέχθηκαν από τα δεδομένα της εικόνας με την μέθοδο NFINDR και θεωρούνται γνωστές για την επίλυση του φασματικού διαχωρισμού. Ο έλεγχος της σύγκλισης και η εξέταση του χρόνου εκτέλεσης έγινε σε δύο τυχαία εικονοστοιχεία της εικόνας, προτού αυτός εφαρμοστεί σε τμήμα της εικόνας. Τα ποσοστά συμμετοχής που εκτιμήθηκαν, συγκρίθηκαν με τα εκτιμώμενα ποσοστά από την εφαρμογή έτερου αλγορίθμου διαχωρισμού που ακολουθεί την μέθοδο ελαχίστων τετραγώνων. Οι εκτιμώμενες φασματικές υπογραφές, βάσει των εκτιμώμενων ποσοστών συμμετοχής, εμφάνισαν χαμηλό μέσο τετραγωνικό σφάλμα (RMSE), μικρότερο του 0.047 ανά εικονοστοιχείο.	el
heal.abstract	Bayesian inference with the use of hierarchical statistical models, is frequently applied for spectral unmixing of large scale hyperspectral data, and the calculation of the endmember abundances that constitute them. This project presents and evaluates a supervised method for solving the problem of supervised spectral unmixing, assuming colored Gaussian noise with unknown covariance matrix. The spectral mixing model used is the Linear Mixing Model (LMM), according to which the abundance values are fully constrained by the non-negativity and additivity constraints. Based on this mixing model, a Bayesian hierarchical model is built by using the proper prior distributions for its unknown variables and its parameters, and calculating their respective conditional posterior distributions. Abundances are then estimated for each pixel separately through sampling from the conditional posterior distributions using an MCMC Gibbs sampling algorithm. Emphasis was given on reducing the computational cost and the execution time of the algorithm through parallel processing, so that the algorithm can be executed on bigger datasets using easily accessible hardware. The unmixing algorithm was tested on real hyperspectral data gathered by the AVIRIS sensor. The endmember spectra were picked among the existing image spectra using an NFINDR algorithm, and considered known variables for the implemented supervised method. The MCMC convergence diagnostics were run on two random pixels, before applying the algorithm on a specific part of the hyperspectral image. The estimated abundances were compared to the ones estimated by a separate unmixing algorithm that uses the Least Squares Regression (LSR) method and a white Gaussian noise assumption. The pixel spectra estimated through abundances and endmember spectra, were compared to the image pixel spectra, resulting in a maximum RMSE of 0.047 per pixel.	en
heal.advisorName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Καράτζαλος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	82 σ.	el
heal.fullTextAvailability	false