Hiperspektral İmgelerde Anomali Saptama için İstatistiksel Yöntemler

Abstract

Uzaktan algılama imgelerinde anomali saptaması çevresel gözetlemede, doğal kaynakların ve tehlikeli materyallerin tespitinde, savunma sanayinde, kamu güvenliğinde ve havadan arama ve kurtarma gibi birçok geniş alanda yaygınca kullanılmaktadır. Bu projede, uzaktan algılanan hiperspektral imgelerden anomalilerin saptanması için olasılıksal modeller ve istatistiksel çıkarım yöntemleri geliştirilmiştir. Uzaktan algılama imgelerinde anomali sezimi gizlenmiş ve kamufle edilmiş hedeflerin yerlerinin belirlenmesinde, olmaması gereken bir yerde bulunan nesnelerin belirlenmesinde, yer değiştiren bir hedefin takip edilmesi gibi uygulamalarda kullanılmaktadır. Burada amaç imgedeki piksellerin anomali ve arkaplan olarak sınıflandırılmasıdır. Anomali terimi haklarında hiçbir önsel bilgiye sahip olunmayan noktalar için kullanılırken hedef terimi ise hakkında önceden bir bilgiye sahip olunan noktalar için kullanılmaktadır. Anomali saptamadaki en büyük problem anomali bölgelerinin 1-20 pikselden oluşan çok küçük alanları kaplamasıdır. Bu alanlar imgenin tamamıyla karşılaştırıldığında çok küçüktür. Bu da saptama problemini zor hale getirmektedir. Genelde tercih edilen yaklaşım, arkaplan görüntüsünden farklı bir yapıya sahip olan piksellerin öne çıkarılarak imge içerisinde anormal durumun saptanmasıdır. Bu projede, anomali noktalarının saptanması için piksel, altuzay ve derin altuzay bölgelerinde çalışan yöntemler önerilmektedir. Piksel bölgesindeki yöntemlerden birincisi yerel bir pencere kullanarak arkaplanın öğrenilmesinin az sayıda örnek ile gerçekleştirilebileceği Bayesçi bir yöntemdir. Örnek sayısı kestirilecek parametre sayısından az olduğundan yapılan kestirimler sağlıklı olmamaktadır. Bayesçi yaklaşımla kestirim problemi düzenlileştirilip daha gürbüz kestirimler elde edilebilmektedir. İkincisi ise arkaplanın öğrenilmesinde arkaplandaki bileşen sayısını otomatik olarak bulan bir yöntemin geliştirilmesidir. Bu yöntemde hiperspektral imge çok-değişkenli Gaussların karışımı olarak modellenerek karışımdaki Gaussların sayısı otomatik olarak belirlenmektedir. Bu amaçla, Çin restoranı süreci karışımları ve kesilmiş Dirichlet süreci karışımları tabanlı iki yöntem geliştirilmiştir. Farklı altuzay yöntemleri hiperspektral anomali tespiti için geliştirilmiştir. Bu yöntemler çarpan analizi (ÇA), olasılıksal temel bileşen analizidir (OTBA), Bayesçi temel bileşen analizi (BTBA), Bayesçi bağımsız bileşen analizi (BBBA) ve doğrusal karışım modelidir (DKM). Bu yöntemlerden BTBA, BBBA ve DKM?de altuzay boyutu otomatik olarak belirlenebilmektedir. Son olarak da son yıllarda yaygın olarak kullanılan derin ağ yapıları anomali saptama amacıyla kullanılmıştır. Bu amaçla, derin ağ tabanlı iki yöntem önerilmiştir. Bunlardan ilki evrişimsel sinir ağları (CNN: convolutional neural network) tabanlı bir yöntemdir. Genellikle gözetimli öğrenme için kullanılan CNN yapısı bu projede gözetimsiz olarak anomali tespiti için önerilmiştir. İkinci yaklaşım ise çekişmeli öğrenme tabanlı otokodlayan üretici çekişmeli ağ (AEAN: autoencoding adversarial network) yapısıdır. 1, 2 ve 3 boyutlu AEAN yapısı hiperspektral anomali tespiti için geliştirilmiş ve başarılı sonuçlar elde edilmiştir. Geliştirilen algoritmalar Viareggio 2013, ABU 2010-2011, MUUFL Gulfport 2010 ve Cooke City 2006 gibi gerçek hiperspektral imgelerden oluşan veri kümeleri üzerinde test edilmiştir. Algoritmaların başarımları diğer mevcut yöntemlerle karşılaştırılmıştır.Elde edilen sonuçlardan 2 SCI makalesi yayınlanmış olup 1 SCI makalesi değerlendirme aşamasındadır. 2 uluslararası konferans bildirisi yayınlanmıştır. 1 doktora tezi tamamlanmış olup 2 yüksek lisans tezi hazırlık aşamasındadır. Proje süresince, West Virginia Üniversitesi?nden Prof. Nasser M. Nasrabadi ile iş birliği yapılmıştır.