Hiperspektral imgelerde anomali saptama için istatistiksel yöntemler

Abstract

Hiperspektral imgelerde anomali tespiti arkaplan modelinden farklı olan piksellerin tespiti olarak tanımlanmaktadır. Bu tezde arkaplanın modellenmesi için istatistiksel ve derin öğrenme tabanlı üretici yaklaşımlar önerilmektedir. İstatistiksel yaklaşımda arkaplan Gauss karışım modeli (Gaussian mixture model, GMM) ile modellenmekte ve modele ait parametreler ve model derecesi parametrik olmayan Bayesçi yöntemler ile gözetimsiz olarak kestirilmektedir. Arkaplan parametrelerinin daha doğru kestirilebilmesi amacıyla süperpiksel tabanlı arkaplan arındırma yöntemi önerilmektedir. Ayrıca model parametreleri için önsel dağılımlar tanımlanarak kovaryans matrisi düzenlileştirilmektedir. İkinci kısımda arkaplanın gözetimsiz öğrenilmesi amacıyla çekişmeli öğrenme tabanlı otokodlayan çekişmeli ağ (autoencoding adversarial network, AEAN) modeli önerilmektedir. Bu amaçla spektral, uzamsal ve spektral-uzamsal alanlarda sırasıyla 1B-AEAN, 2B-AEAN ve 3B-AEAN modelleri önerilmektedir. Eğitim veri kümesi olasılıksal tabanlı arkaplan arındırma yöntemi ile oluşturulmaktadır. Modellerin eğitim aşamasından sonra gerçek hiperspektral imge (HSI) ve model tarafından üretilen sentetik HSI pikselleri kullanılarak geriçatma hata haritası (reconstruction error map, REM) hesaplanmaktadır. Anomali tespiti amacıyla REM, fark-RX (FRX) ve ağırlıklandırılmış-RX (weighted-RX, WRX) tabanlı tespit ediciler önerilmektedir. REM tespit edicisinde Öklid uzaklığına bağlı olarak anomali skoru hesaplanırken FRX tespit edicisinde gerçek imgeden üretilen sentetik imgenin çıkarılmasıyla elde edilen fark imgesinde Mahalanobis mesafesine bağlı olarak anomali skoru hesaplanmaktadır. WRX tespit edicisinde piksel ağırlıkları için REM değerleri kullanılarak arkaplan parametreleri daha doğru kestirilmektedir. Önerilen yöntemler gerçek veri kümeleri üzerinde test edilerek literatürde mevcut yöntemler ile karşılaştırılmış ve yüksek tespit başarımları elde edilmiştir.

Anomaly detection in hyperspectral images is defined as detection of the pixels which are different from the background model. In this thesis, statistical- and deep learning-based generative approaches for background modelling are proposed. In the statistical-based approach, the background is modelled with Gaussian mixture model (GMM) and the model parameters and order are estimated with nonparametric Bayesian models in an unsupervised manner. A superpixel-based background purification method is proposed to estimate the background parameters more accurately. Also, the estimated covariance matrix is regularized by defining priors to model parameters. In the second part, adversarial learning-based autoencoding adversarial network (AEAN) model is proposed for background learning in an unsupervised manner. For this purpose, 1D-AEAN, 2D-AEAN, and 3D-AEAN models are proposed in the spectral, spatial, and spectral-spatial domains, respectively. The training sets are created with the probability-based background purification method. After training process, a reconstruction error map (REM) is calculated using the pixels in the real hyperspectral image (HSI) and synthetic HSI obtained from the AEAN model. In the detection part, REM, difference-RX (DRX), and weighted-RX (WRX)-based detectors are proposed. While in the REM detector, the anomaly scores are calculated according to the Euclidean distance, in the DRX detector, the anomaly scores are calculated according to the Mahalanobis distance based on the difference image which is obtained by subtracting the synthetic HSI from the real HSI. In the WRX detector, the background parameters are more accurately estimated when the REM values are used for pixel weights. The proposed methods are tested on real HSIs and compared with the existing methods in the literature and outperform other detectors in the benchmark.