Hyperspectral Image Denoising and Unmixing Using Variational Bayes and Deep Image Prior

Abstract

Η παρούσα διατριβή εμβαθύνει στον ακμάζοντα τομέα της υπερφασματικής απεικόνισης και ανάλυσης υπερφασματικών δεδομένων. Η τεχνολογία αυτή υπερβαίνει τη συμβατική απεικόνιση, καθώς δίνει τη δυνατότητα συλλογής ακτινοβολίας σε πολλές συνεχείς φασματικές ζώνες, γεγονός που την καθιστά εφαρμόσιμη σε διάφορους τομείς, όπως η περιβαλλοντική παρακολούθηση, η γεωργική διαχείριση, η βιομηχανική επιθεώρηση και η αξιολόγηση της βιοποικιλότητας. Ειδικότερα, στο πεδίο της περιβαλλοντικής τηλεπισκόπησης, οι εγγενείς ατέλειες των υπερφασματικών αισθητήρων και οι απρόβλεπτες ατμοσφαιρικές συνθήκες οδηγούν σε μείωση της ποιότητας των υπερφασματικών εικόνων. Επιπλέον η χαμηλή χωρική τους ανάλυση έχει σαν αποτέλεσμα την παρουσία πολλών υλικών σε κάθε εικονοστοιχείο, κάτι που δυσχεραίνει τις διαδικασίες επεξεργασίας και ανάλυσής τους. Η αντιμετώπιση αυτών των προκλήσεων απαιτεί την ανάπτυξη αλγορίθμων αποθορυβοποίησης και φασματικού διαχωρισμού υπερφασματικών εικόνων. Στον πυρήνα αυτών των αλγορίθμων βρίσκονται οι παραγοντοποίησεις πινάκων χαμηλού βαθμού. Στην παρούσα διατριβή προτείνονται Μπεϋζιανοί αλγόριθμοι παραγοντοποίησης πινάκων τόσο για την αποθορυβοποίηση όσο και για τον φασματικό διαχωρισμό. Οι προτεινόμενοι αλγόριθμοι αξιοποιούν τα πλεονεκτήματα της Μπεϋζιανής προσέγγισης, όπως η εξάλειψη της ανάγκης για λεπτομερή ρύθμιση των υπερπαραμέτρων και η δυνατότητα εκτίμησης της διακύμανσης των παραμέτων.