Hiperspektral görüntülerde anomali saptama için arka plan çıkarımı

Abstract

Hiperspektral imgelerde anomali tespiti genel manada, görüntü içerisinde olağan durumlar dışında pek sık rastlanmayan ve spektral imzası da bilinmeyen durumların tespiti olarak tanımlanabilir. Anomali tespiti genellikle olağan durumların tespit edilip bu durumlar dışında kalan kısmın işaretlenmesi şeklinde yapılmaktadır. Anomali durumların tespiti için geliştirilen yöntemler; tüm imgeyi inceleyerek anomali piksel tespiti yapanlar, yerel olarak tespit yapanlar ya da imgeyi alt uzaya indirgeyerek tespit yapanlar gibi farklı sınıflara ayrılabilir. Bu tezde [1]'de hiperspektral görüntülerin sınıflandırılması için önerilen Bayesçi Gauss modeli hiperspektral görüntülerde anomali tespiti için uyarlanmıştır. Hiperspektral imge sınıflandırmada Gauss arkaplan modeli pek tercih edilmemektedir. Bunun nedeni az sayıda eğitim örneği olduğunda kestirilen kovaryans matrislerinin tersinin alınamamasıdır. Bu da sınıflandırma için çok değişkenli Gauss dağılımı kullanılarak olasılıkların hesaplanmasına imkan vermemektedir. Bayeşçi yaklaşım yardımıyla sınıf ortalama vektörleri ve kovaryans matrisleri için tanımlanan önsel dağılımlarla kestirim problemi düzenlileştirilmektedir. Bayesçi Gauss arkaplan modeli (BGAM) arkaplanın öğrenilmesi için yerel bir pencere içerisinde kullanılmaktadır. Pencere içerisindeki örnek sayısı az olduğundan kovaryans matrisinin kestirilmesinde önerilen algoritma problemi düzenlileştirmektedir. BGAM'da ortalama vektörleri ve kovaryans matrisleri için önsel olasılık dağılım fonksiyonları tanımlanarak kovaryans kestirim problemi daha gürbüz hale getirilmektedir. Literatürde sıkça kullanılmakta olan Reed Xiaoli algoritmasının türevleri olan Düzenlileştirilmiş RX, Yerel RX, Global RX, Çekirdek RX, Alt Uzay Tabanlı RX önermiş olduğumuz yöntemle gerçek veri setleri üzerinden kıyaslanmış ve bazı parametreler için seçilen değerlerde önerilen yöntem daha iyi sonuçlar vermiştir.Anomaly detection can be defined as the detection of situations that are outside the usual situations in the image but whose signature is not known and they are not frequently seen. Mostly in the literature, the usual cases are determined and then marking the outside of these cases. Anomaly detection methods can be divided some classes like; examining the whole image globally, examining locally divided image or reduce the image into subspace. In this thesis, Bayesian Gaussian background learning approach for classification in [1] is recommended for the detection of anomaly in hyperspectral images. Gaussian background model is not preferred too much in the hyperspectral image classification. This is because the estimated covariance matrices cannot be reversed when there are few training samples. This situation does not allow the calculation of probabilities by using multivariate Gaussian distribution for classification. With the help of Bayesian approach, estimation problem is regularized by the prior distributions defined for class mean vectors and covariance matrices. The Bayesian Gaussian background model (BGBM) is used in a local window for learning the background. Since the number of samples in the window is small, the algorithm proposed for estimating the covariance matrix is regulating the problem. In Bayesian Gaussian background model, covariance estimation problem is made more robust by defining prior probability distribution functions for mean vectors and covariance matrices. The Reed Xiaoli (RX) algorithm which is frequently used in the literature and the derivatives of RX Regularized RX (RRX), Local RX (LRX), Global RX (GRX), Kernel RX (KRX) Subspace-Based RX (SSBRX) was compared with the real data sets and observed that the suggested method better in some parameters.