Κατάλογος Εκδηλώσεων

02
Οκτ

Παρουσίαση Διπλωματικής Εργασίας κ. Φραγκούλη Λογοθέτη, Σχολή ΗΜΜΥ
Κατηγορία: Παρουσίαση Διπλωματικής Εργασίας   ΗΜΜΥ  
ΤοποθεσίαΛ - Κτίριο Επιστημών/ΗΜΜΥ, 145Π-42, Πολυτεχνειούπολη
Ώρα02/10/2018 14:00 - 15:00

Περιγραφή:

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ

Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών

Πρόγραμμα Προπτυχιακών Σπουδών

 

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Λογοθέτη Φραγκούλη

με θέμα

Aνάπτυξη Μεθόδων με Επίβλεψη και χωρίς Επίβλεψη για Εκτίμηση Φασμάτων σε Πολύ-φασματικές Εικόνες 

Development of Supervised and Unsupervised Methods for Spectral Estimation in Hyper-Spectral Imaging

 

Τρίτη 2 Οκτωβρίου 2018 , 14:00

Αίθουσα 145.Π42, Κτίριο Επιστημών, Πολυτεχνειούπολη

 

Εξεταστική Επιτροπή

Καθηγητής Μπάλας Κωνσταντίνος, Σχολή ΗΜΜΥ

Αναπληρωτής Καθηγητής Καρυστινός Γεώργιος, Σχολή ΗΜΜΥ

Καθηγητής Διγαλάκης Βασίλειος, Σχολή ΗΜΜΥ

Περίληψη

Η υπερφασματική απεικόνιση είναι μια αναδυόμενη τεχνολογία που ενσωματώνει την συμβατική απεικόνιση και τη φασματοσκοπία για την συλλογή, τόσο χωρικών, όσο και φασματικών πληροφοριών από ένα αντικείμενο. Οι φασματικές εικόνες, που συλλέγονται στο φασματικό κύβο είναι δεκάδες εκατοντάδες και η πληροφορία που λαμβάνουμε από αυτές έχουν κρίσιμη σημασία για εφαρμογές, όπως: βιοϊατρική τεχνολογία, τηλε-ανίχνευση, μικροσκοπία και άλλα. Παρ' όλα αυτά, τα σημερινά υπερφασματικά συστήματα χαρακτηρίζονται από μακρύ χρόνο απόκρισης, κάτι που τα εμποδίζει να παρατηρήσουν οποιαδήποτε δυναμικά αναπτυσσόμενα φαινόμενα. Επίσης, είναι δαπανηρά και μεγάλα σε μέγεθος, γεγονός που τα καθιστά απρόσιτα για πολλές εφαρμογές. Προκειμένου, να αντιμετωπιστούν αυτοί οι περιορισμοί, αναπτύχθηκε από εμάς ένα σύστημα στιγμιότυπης φασματικής απεικόνισης, το οποίο συλλέγει μόνο έξι φασματικές μπάντες και χρησιμοποιώντας τεχνικές επέκτασης διαστάσεων, παρέχει υπερφασματική απεικόνιση σε πραγματικό χρόνο. Ούτως ώστε να επιτευχθεί αυτός ο στόχος, χρησιμοποιήθηκαν πολλές μέθοδοι φασματικής εκτίμησης και συγκρίθηκαν όσον αφορά, την ελαχιστοποίηση του σφάλματος εκτίμησης των μη συλλεγμένων φασματικών εικόνων. Οι αλγόριθμοι: Wiener, PCA, Random Forest Regression, Linear Regression, Neural Networks και Support vector Regression είναι μερικοί από τους μεθόδους που εφαρμόστηκαν για την επέκταση της διάστασης του φασματικού χώρου. Για να γίνει αυτό με μεγαλύτερη ακρίβεια προτείνουμε την νέα Adaptive Hybrid μέθοδο, που υπερέχει των παραπάνω μοντέλων φασματικής εκτίμησης και επιτυγχάνει το χαμηλότερο σφάλμα εκτίμησης. Αναλυτικότερα, η καινοτομία της προτεινόμενης μεθόδου πηγάζει κυρίως από τον συνδυασμό των μοντέλων Wiener και PCA και από τον τρόπο επιλογής του δείγματος εκπαίδευσης. Εξετάζοντας το ίδιο πρόβλημα από μια άλλη οπτική γωνία, προκειμένου να αυξηθεί η απόδοση των μοντέλων, η διαδικασία εκπαίδευσης των αλγορίθμων μηχανικής μάθησης πρέπει να διεξαχθεί χρησιμοποιώντας ως χαρακτηριστικά (features) τις πιο σημαντικές και ξεχωριστές μπάντες. Επομένως, για το λόγο αυτό αναλύθηκε και συγκρίθηκε ένας μεγάλος αριθμός τεχνικών επιλογής μπαντών, που βασίζονται είτε σε γεωμετρικές προσεγγίσεις, είτε σε φόρμουλες ομοιότητας. Ωστόσο, το κύριο μειονέκτημα είναι ότι δεν υπάρχει μέθοδος εξόρυξης μπαντών ειδικά για προσεγγίσεις φασματικής εκτίμησης. Έτσι  για αυτό το λόγο σχεδιάσαμε μια νέα μέθοδο επιλογής μπαντών για εφαρμογές φασματικής επέκτασης διαστάσεων. Ακόμη, αξίζει να υπογραμμιστεί ότι τα πειραματικά αποτελέσματα επιβεβαιώνουν ότι η προτεινόμενη μέθοδος εντοπίζει τις χαρακτηρισμένες ζώνες που μειώνουν δραματικά το μέσο τετραγωνικό σφάλμα, μεταξύ του αναφερόμενου και του εκτιμώμενου φάσματος, σε σύγκριση με την γνωστή μέθοδο OSP. Kαταληκτικά, τα ευρήματα έθεσαν τη βάση για την ανάπτυξη ενός ισχυρού συστήματος στιγμιότυπης φασματικής απεικόνισης.

​​​​​​​Abstract

Hyperspectral imaging (HSI) is an emerging technology that integrates conventional imaging and spectroscopy to attain both spatial and spectral information from an object. The spectral images collected in the spectral cube are tens of hundreds and the information we receive from them is crucial for many applications, such as bio-medical technology, remote sensing, microscopy etch. Nevertheless, the current state of the art includes HSI systems which need long acquisition time, something that prevents them from observing any dynamically developing phenomena. Also, are expensive and sizeable, which makes them inaccessible for many important applications. To address these limitations, a real-time snapshot spectral imaging system (SNI) that captures only six spectral bands, and by using dimensionality expansion techniques provides real time HIS was developed by us. To achieve that goal, a plenty of spectral estimation methods were leveraged and compared in terms of minimizing the estimation error of the uncaptured spectral images. Wiener, PCA, Random Forest Regression, Linear Regression, Neural Networks, and Support vector Regression are some of the methods that were applied to expand the dimensionality of the spectral domain. To do this more accurately, we propose a new Adaptive Hybrid method that overperforms the above spectral estimation models and achieves the lowest estimation error. The novelty of the proposed method stems mainly both from the combination of Wiener and PCA models and from the manner of the training sample selection. Looking at the same problem from another perspective, in order to increase the performance of the models, training procedure should be carried out using the most informative and distinctive bands as features. On that account, a great amount of band selection techniques, which are based either on geometric approaches or on similarity-based formulas were analyzed and compared. The main shortcoming is that there is no band extraction method specific for spectral estimation approaches. For that reason, a new band selection method specific for the spectral dimensionality expansion was devised by us. Experimental results show that the proposed method locate the most featured bands, which decrease dramatically the root mean square error between the reference and the estimated spectrum, compared with the well-known OSP method. These findings were set the basis for the development of a powerful SNI.

 

 

 

 

 

© Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών 2014
Πολυτεχνείο Κρήτης