Olasılıksal alt-uzay yöntemleri ile hiperspektral imgelerde anomali saptama

Abstract

Bu çalışmada, uzaktan algılanan hiperspektral imgelerde anomalilerin tespit edilmesi için olasılıksal alt-uzay modelleri kullanılmış ve bu modellere uygun istatistiksel çıkarım yöntemleri geliştirilmiştir. Hiperspektral imgelerde anomali saptaması çevresel gözetlemede, doğal kaynakların ve tehlikeli materyallerin tespitinde, savunma sanayinde, kamu güvenliğinde ve havadan arama ve kurtarma gibi birçok geniş alanlara yayılmış durumdadır. Gizlenmiş ve kamufle edilmiş hedeflerin yerlerinin belirlenmesi, olmaması gereken bir yerde bulunan nesnelerin belirlenmesi ve yer değiştiren bir hedefin takip edilmesi gibi uygulamalar anomali tespiti konusunun önemini ön plana çıkarmaktadır. Anomali tespitindeki en büyük problem anomali bölgelerinin imgenin tamamıyla karşılaştırıldığında çok küçük olmasıdır. Bu da tespit problemini zor hale getirmektedir. Burada tercih edilen yaklaşım imgedeki arkaplan modelinin öğrenilmesi ve arkaplana uymayan piksellerin anomali olarak tespit edilmesidir. Bu çalışmada, arka planın modellemesi için olasılıksal temel bileşen analizi (OTBA), çarpan analizi (ÇA), Bayesçi temel bileşen analizi (BTBA), Bayesçi bağımsız bileşen analizi (BBBA) ve doğrusal karışım modeli (DKM) önerilmiştir. Bu yöntemlerden BTBA, BBBA ve DKM ile diğer yöntemlerden farklı olarak alt uzayın boyutu da otomatik olarak belirlenebilmektedir. Anomali noktalarının tespit edilmesinde yerel ağırlıklandırılmış Reed-Xiaoli (L-WRX: Local Weighted RX) yöntemi kullanılmıştır. Geliştirilen algoritmalar ABU 2010-2011 gibi gerçek hiperspektral imgelerden oluşan veri kümeleri üzerinde test edilmiştir.In this study, probabilistic subspace models have been used to detect the anomalies in remotely sensed hyperspectral images and statistical inference methods have been developed according to these models. Anomaly detection in hyperspectral images is used in many broad areas such as environmental surveillance, detection of natural resources and hazardous materials, defense industry, public security and aerial search and rescue. Applications such as locating concealed and camouflaged targets, identifying objects in places, and tracking a moving target highlight the importance of anomaly detection. The biggest problem in anomaly detection is that the anomaly regions are very small compared to the whole image. This makes the detection problem difficult. The preferred approach is to learn the background model and to detect the pixels that do not fit the background as anomaly. In this study, probabilistic principal component analysis (OTBA), factor analysis (FA), variational Bayesian principal component analysis (VBPCA), variational Bayesian independent component analysis (VBICA) and linear mixture model (LMM) are proposed for modeling the background. Among these methods, the size of the subspace can be determined automatically with VBPCA, VBICA and LMM. Local weighted Reed-Xiaoli (L-WRX) method was used to detect the anomaly points. The developed algorithms have been tested on datasets consisting of real hyperspectral images such as ABU 2010-2011.