Exportação concluída — 

Spectral variability in hyperspectral unmixing: multiscale, tensor, and neural network-based approaches

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Borsoi, Ricardo Augusto
Orientador(a): Bermudez, José Carlos Moreira
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/227237
Resumo: Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2021.
id UFSC_7abc261daa9cbbef19d8ed41b30d68e2
oai_identifier_str oai:repositorio.ufsc.br:123456789/227237
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaBorsoi, Ricardo AugustoBermudez, José Carlos MoreiraRichard, Cédric2021-08-23T14:09:37Z2021-08-23T14:09:37Z2021371643https://repositorio.ufsc.br/handle/123456789/227237Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2021.As assinaturas espectrais dos materiais contidos em imagens hiperespectrais, também chamadas de endmembers (EMs), podem ser consideravelmente afetadas por variações nas condições atmosféricas, de iluminação, ou ambientais que podem ocorrer dentro de uma imagem. Métodos tradicionais de separação espectral não consideram a variabilidade espectral dos endmembers, o que acaba propagando erros por todo o processo de separação espectral e compromete a qualidade das abundâncias estimadas. Consequentemente, muitos trabalhos têm se dedicado à mitigar os efeitos adversos da variabilidade dos endmembers na separação espectral. Não obstante, ainda existem muitos desafios relacionados a exploração de informação a priori referente à este problema para melhorar a qualidade, a robustez e a eficiência de algoritmos de separação espectral que consideram a variabilidade dos EMs. Nesta tese, novas estratégias são desenvolvidas para mitigar a variabilidade espectral na separação espectral. Primeiramente uma estratégia de regularização espacial multiescala baseada em algoritmos de segmentação e sobre-segmentação de imagens é proposta para separação espectral semi-supervisionada e não-supervisionada. Posteriormente, novos modelos são propostos para representar as assinaturas espectrais dos endmembers em cada pixel da imagem no problema de separação espectral, utilizando representações paramétricas, tensoriais, e baseadas em redes neurais. Por fim, as abordagens propostas são estendidas para resolver outros desafios relacionados à separação espectral e, de maneira mais geral, à análise de imagens hiperespectrais. Primeiro, a regularização espacial multiescalas é utilizada para resolver o problema de separação espectral não-linear usando kernels. Posteriormente, modelos paramétricos e estratégias baseadas em bibliotecas espectrais são adaptados para representar a variabilidade espectral encontrada em imagens adquiridas em diferentes instantes de tempo. Finalmente, a variabilidade espectral e espacial é abordada dentro do problema de fusão de imagens hiperespectrais e multiespectrais, a qual visa obter imagens de alta resolução espacial e espectral.Abstract: The spectral signatures of the materials contained in hyperspectral images, also called endmembers (EMs), can be significantly affected by variations in atmospheric, illumination or environmental conditions typically occurring within an image. Traditional spectral unmixing (SU) algorithms neglect the spectral variability of the endmembers, what propagates significant mismodeling errors throughout the whole unmixing process and compromises the quality of the estimated abundances. Therefore, significant effort has been recently dedicated to mitigate the effects of spectral variability in SU. However, many challenges still remain in how to best explore a priori information about the problem in order to improve the quality, the robustness and the efficiency of SU algorithms that account for spectral variability. In this thesis, new strategies are developed to address spectral variability in SU. First, an (over)-segmentation-based multiscale regularization strategy is proposed to explore spatial information about the abundance maps more effectively. New algorithms are then proposed for both semi-supervised and blind SU, leading to improved abundance reconstruction performance at a small computational complexity. Afterwards, three new models are proposed to represent spectral variability of the EMs in SU, using parametric, tensor, and neural network-based representations for EM spectra at each image pixel. The parametric model introduces pixel-dependent scaling factors over a reference EM matrix to model arbitrary spectral variability, while the tensor-based representation allows one to exploit the high-dimensional nature of the data by means of its underlying low-rank structure. Generative neural networks (such as variational autoencoders or generative adversarial networks) finally allow one to model the low-dimensional manifold of the spectral signatures of the materials more effectively. The proposed models are used to devise three new blind SU algorithms, and to perform data augmentation in library-based SU. Finally, we provide a brief overview of work which extends the proposed strategies to new problems in SU and in hyperspectral image analysis. This includes the use of the multiscale abundance regularization in nonlinear SU, modeling spectral variability and accounting for sudden changes when performing SU and change detection of multitemporal hyperspectral images, and also accounting for spectral variability and changes in the multimodal (i.e., hyperspectral and multispectral) image fusion problem.189 p.| il., gráfs., tabs.engEngenharia elétricaProcessamento de imagensRedes neurais (Computação)Spectral variability in hyperspectral unmixing: multiscale, tensor, and neural network-based approachesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEEL2013-T.pdfPEEL2013-T.pdfapplication/pdf30779565https://repositorio.ufsc.br/bitstream/123456789/227237/-1/PEEL2013-T.pdff44000ec8b471be82729f089245d99d4MD5-1123456789/2272372021-08-23 11:09:37.578oai:repositorio.ufsc.br:123456789/227237Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732021-08-23T14:09:37Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Spectral variability in hyperspectral unmixing: multiscale, tensor, and neural network-based approaches
title Spectral variability in hyperspectral unmixing: multiscale, tensor, and neural network-based approaches
spellingShingle Spectral variability in hyperspectral unmixing: multiscale, tensor, and neural network-based approaches
Borsoi, Ricardo Augusto
Engenharia elétrica
Processamento de imagens
Redes neurais (Computação)
title_short Spectral variability in hyperspectral unmixing: multiscale, tensor, and neural network-based approaches
title_full Spectral variability in hyperspectral unmixing: multiscale, tensor, and neural network-based approaches
title_fullStr Spectral variability in hyperspectral unmixing: multiscale, tensor, and neural network-based approaches
title_full_unstemmed Spectral variability in hyperspectral unmixing: multiscale, tensor, and neural network-based approaches
title_sort Spectral variability in hyperspectral unmixing: multiscale, tensor, and neural network-based approaches
author Borsoi, Ricardo Augusto
author_facet Borsoi, Ricardo Augusto
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Borsoi, Ricardo Augusto
dc.contributor.advisor1.fl_str_mv Bermudez, José Carlos Moreira
dc.contributor.advisor-co1.fl_str_mv Richard, Cédric
contributor_str_mv Bermudez, José Carlos Moreira
Richard, Cédric
dc.subject.classification.none.fl_str_mv Engenharia elétrica
Processamento de imagens
Redes neurais (Computação)
topic Engenharia elétrica
Processamento de imagens
Redes neurais (Computação)
description Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2021.
publishDate 2021
dc.date.accessioned.fl_str_mv 2021-08-23T14:09:37Z
dc.date.available.fl_str_mv 2021-08-23T14:09:37Z
dc.date.issued.fl_str_mv 2021
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/227237
dc.identifier.other.none.fl_str_mv 371643
identifier_str_mv 371643
url https://repositorio.ufsc.br/handle/123456789/227237
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 189 p.| il., gráfs., tabs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/227237/-1/PEEL2013-T.pdf
bitstream.checksum.fl_str_mv f44000ec8b471be82729f089245d99d4
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851758978547056640

Registros relacionados