Superpixel-based target detection methods for hyperspectral images

Abstract

Hiperspektral hedef tespiti içinde ana akımı oluşturan spektral imzaya dayalı yöntemler temel olarak üç kategoriye ayrılabilir. Bunlar, arka plan modelleme yöntemleri, altuzay izdüşümüne dayalı yöntemler ve lineer karıştırmayı bolluk tahminiyle birleştiren hibrit metotlardır. Tüm bu yöntemlerin ortak bir özelliği, komşu pikseller arasındaki mekansal ilişkileri göz ardı ederken, hiperspektral görüntünün her bir pikselini bir hedef veya arka plan olarak sınıflandırmaktır. Bununla birlikte, komşu pikseller üzerinde tanımlanan bağlamsal bilgilerin entegrasyonu, tek tek pikseller üzerindeki gürültüyü bastırabilir ve daha iyi saptama sağlayabilir. Bu tez çalışmasında, RGB görüntüler için geliştirilen süperpiksel algoritmaları olan Basit Doğrusal Tekrarlamalı Kümeleme (SLIC) algoritması ve sınır güncellemeye dayalı süperpiksel çıkarma yöntemi hiperspektral görüntülere uyarlanmıştır. Daha sonra onların süperpiksel çıkarma performansları sınır geri çağırma ve alt bölümleme hatası metrikleri kullanılarak karşılaştırılmıştır. Daha iyi performans göstermesi nedeniyle sınır güncelleme tabanlı süperpiksel çıkarma algoritmasının seçilmesinden sonra, süperpikseller üzerinden gerçekleştirilen farklı hedef tespit yöntemleri önerilmiştir. Önerilen yöntemler, arka plan modelleme, eşleştirme ve bolluk tahmini için piksel yerine süperpiksel temsilcileri kullanmaktadır. Deneyler hedef tespiti için süperpiksel kullanımının yalnızca piksel kullanan temel yöntemlerle doğruluk-geri çağırma eğrileri açısından karşılaştırıldığında tespit performansını geliştirdiğini ortaya çıkarmıştır.

Spectral signature-based methods which form the mainstream in hyperspectral target detection can be classified mainly into three categories. These are the background modeling methods, subspace projection based methods, and hybrid methods that combine linear unmixing with abundance estimation. A common characteristic of all these methods is to classify each pixel of the hyperspectral image as a target or background while ignoring the spatial relations between neighboring pixels. Integration of contextual information defined over neighboring pixels can, however, suppress the noise on the individual pixels and yield better detection. In this thesis study, the baseline superpixel extraction algorithms which are previously developed for RGB images, namely the Simple Linear Iterative Clustering (SLIC) algorithm and boundary update-based superpixel extraction method, are first adapted to hyperspectral images. Then their extraction performances are compared in terms of the metrics which are boundary recall and undersegmentation error. After the selection of the boundary update-based superpixel extraction algorithm due to its better performance, different target detection methods performing over superpixels are proposed. The proposed methods utilize superpixel representatives instead of pixels for background modeling, matching and abundance estimation. The experiments suggest that using superpixels for target detection improves the detection performances in terms of precision-recall curves compared to the baseline methods using only pixels.