LiDAR-Tabanlı toplam değişinti kısıtlı negatif-olmayan tensör faktörizasyonu ile hiperspektral karışım giderimi
Özet
Spektral karışım giderimi hiperspektral görüntülemenin temel
araştırma alanlarından birisidir. Son yıllarda Negatif-olmayan Tensör
Faktörizasyonuna dayalı yaklaşımlar, bilgi kaybına uğratmadığı ve
hiperspektral görüntüleri daha iyi temsil edebildiği için uzaktan
algılamada büyük bir önem kazanmıştır. Toplam Değişinti yaklaşımı
ise, parçalı pürüzsüzlüğü sağlarken kenar bilgisini de korumaktadır.
Öte yandan, kızılötesi algılayıcısı gözlemlenen sahne hakkında
yükseklik bilgisini veren Dijital Yüzey Modeli verisini sağlamaktadır. Bu
çalışmada, LiDAR Dijital Yüzey Modeli bilgisiyle Toplam Değişinti kısıtı
birleştirilerek hiperspektral görüntülerin uzamsal çözünürlüğünü
artırmak için tensör faktörizasyonuna dayalı karışım giderimi
gerçekleştirilmiştir. Deneysel çalışmalar simülasyon ve gerçek veri
setleri üzerinde denenmiş ve uzamsal çözünürlüğü artırılmış
hiperspektral görüntüler elde edilmiştir. Elde edilen sonuçlar,
literatürdeki en yakın çalışma olan Toplam Değişinti kısıtlı Negatifolmayan Matris-Vektör Tensor Faktörüzasyonu yöntemi ile
karşılaştırılmış ve önerilen yöntemin daha iyi performans sergilediği
gözlemlenmiştir. Spectral unmixing is one of the main research areas of hyperspectral
image analysis. In recent years, Non-Negative Tensor Factorization
based approaches have gained great importance in remote sensing as
they do not lose information and can better represent hyperspectral
images. The Total Variation approach preserves the edge information
while providing piece-wise smoothness. On the other hand, the Light
Detection and Ranging sensor provides Digital Surface Model
information that gives height information about the observed scene. In
this study, hyperspectral unmixing based on tensor factorization is
performed to increase the spatial resolution of hyperspectral images by
combining LiDAR Digital Surface Model information with Total
Variation constrained. Experimental studies are carried out on
simulation and real data sets and high spatial resolution hyperspectral
images is obtained. The obtained results is compared with the state of
the art Total Variation constrained Matrix-Vector Non-Negative Tensor
Factorization approach and it is observed that the proposed method
obtain better performance.
Cilt
29Sayı
1Bağlantı
https://hdl.handle.net/11363/4238Koleksiyonlar
Aşağıdaki lisans dosyası bu öğe ile ilişkilidir: