Increasing spectral resolution of hyper spectral images while decreasing spectral variability using deep generative model

Hyperspectral imaging has become an indispensable tool for analyzing Earth's surface materials and extracting valuable information in various applications, including environmental monitoring, agriculture, and remote sensing. One fundamental task in hyperspectral analysis is spectral unmixing, which aims to decompose mixed pixel spectra into their constituent endmember spectra and corresponding abundances. Traditional spectral unmixing methods typically rely on linear models, assuming that the mixed pixel spectra are linear combinations of the pure spectral signatures. in this thesis, an approach to enhance the spectral resolution of hyperspectral images while simultaneously reducing spectral variability is explored by proposing a technique called Deep Generative Endmember Modeling (DGEM) applied to unsupervised spectral unmixing. The Linear Mixing Model (LMM) is commonly used for spectral unmixing, which aims to decompose the mixed spectral information in an image into individual pure spectral signatures called endmembers. However, traditional LMM approaches struggle with limited spectral resolution and high spectral variability, which can hinder accurate unmixing results. To address these challenges, a Deep Generative EM is proposed, which leverages deep generative models to learn the underlying structure of the endmembers. By employing a deep neural network architecture which is capable of capturing intricate relationships and generating high-resolution endmembers with reduced spectral variability. The proposed Model framework enhances the spectral resolution of hyperspectral images by estimating high-resolution spectral bands based on the learned endmember representations. Additionally, the generated endmembers exhibit reduced spectral variability, resulting in improved unmixing performance.

Hiperspektral göru?ntu?leme, Du?nya'nın yu?zey materyallerini analiz etmek ve çevresel izleme, tarım ve uzaktan algılama dahil olmak u?zere çeşitli uygulamalarda deg?erli bilgiler elde etmek için vazgeçilmez bir araç haline gelmiştir. Hiperspektral analizdeki temel görevlerden biri, karışık piksel spektrumlarını kendilerini oluşturan son u?ye spektrumlarına ve karşılık gelen bolluklara ayrıştırmayı amaçlayan spektral karıştırma işlemidir. Geleneksel spektral karıştırma yöntemleri tipik olarak dog?rusal modellere dayanır ve karışık piksel spektrumlarının saf spektral imzaların dog?rusal kombinasyonları oldug?unu varsayar. Bu tezde, hiperspektral göru?ntu?lerin spektral çözu?nu?rlu?g?u?nu? artırırken aynı zamanda spektral deg?işkenlig?i azaltmaya yönelik bir yaklaşım, denetimsiz spektral karıştırmaya uygulanan Derin U?retken Uç U?ye Modellemesi (DGEM) adı verilen bir teknik önerilerek araştırılmıştır. Dog?rusal Karıştırma Modeli (LMM), bir göru?ntu?deki karışık spektral bilgiyi uç u?ye adı verilen bireysel saf spektral imzalara ayrıştırmayı amaçlayan spektral karıştırma için yaygın olarak kullanılmaktadır. Bununla birlikte, geleneksel LMM yaklaşımları sınırlı spektral çözu?nu?rlu?k ve yu?ksek spektral deg?işkenlik ile mu?cadele eder ve bu da dog?ru karıştırma sonuçlarını engelleyebilir. Bu zorlukların u?stesinden gelmek için, uç ög?elerin altında yatan yapıyı ög?renmek için derin u?retken modellerden yararlanan bir Derin U?retken EM önerilmiştir. Karmaşık ilişkileri yakalayabilen ve azaltılmış spektral deg?işkenlig?e sahip yu?ksek çözu?nu?rlu?klu? uç u?yeler u?retebilen derin bir sinir ag?ı mimarisi kullanılarak. O?nerilen Model çerçevesi, ög?renilen uç u?ye temsillerine dayalı olarak yu?ksek çözu?nu?rlu?klu? spektral bantları tahmin ederek hiperspektral göru?ntu?lerin spektral çözu?nu?rlu?g?u?nu? artırmaktadır. Buna ek olarak, u?retilen uç u?yeler daha az spektral deg?işkenlik sergileyerek daha iyi karıştırma performansı sag?lar.