Süper-çözünürlük yöntemlerinin hiperspektral görüntülerin çözünürlüklerinin artırılmasına etkisi

Abstract

Yüksek spektral bilgiye sahip olmasından dolayı, hiperspektral görüntüler birçok alanda kullanılmaktadır. Ancak bu görüntüler, donanımsal kısıtlamalardan dolayı düşük uzamsal çözünürlüğe sahiptir. Hiperspektral görüntülerin uzamsal çözünürlüğünün düşük olması, askeri ve sivil birçok alanda yapılacak çalışmalarda problem oluşturmuştur. Donanımsal olarak yüksek maliyet gerektirmesi sebebiyle, hiperspektral görüntülerin uzamsal çözünürlüğünü arttırmak için yazılımsal yöntemlere yönelim artmıştır. Yazılımsal olarak yapılan çalışmalarda alınan iyi sonuçlar ve düşük maliyetten dolayı, son dönemlerde bu alana rağbet artmaktadır. Bu tez çalışmasında, hiperspektral görüntülerin uzamsal çözünürlüklerini arttırmak ve uzamsal çözünürlüğü geliştirmek için kullanılan farklı metotların detaylı karşılaştırılması amaçlanmıştır. Yapılan çalışmada, hiperspektral süper-çözünürlük yöntemi olarak, Pan-keskinleştirme yöntemlerinden IHS ve PCA Pan-Keskinleştirme yöntemleri ile K-SVD, ODL ve Bayes sözlük öğrenme tabanlı seyrek temsil yöntemleri uygulanmıştır. Anılan bu beş metot ile hiperspektral görüntülerin uzamsal çözünürlüğü başarıyla geliştirilmiş olup; RMSE, SAM ve işlem zamanı olmak üzere üç farklı parametre göz önüne alınarak karşılaştırma yapılmıştır. Yapılan bu karşılaştırmada hiperspektral görüntünün uzamsal çözünürlüğünü arttırmak için uygun metodun tespit edilmesi amaçlanmıştır. Alınan sonuçlar doğrultusunda tüm metotların birbirlerine oranla olumlu veya olumsuz yönleri karşılaştırılmıştır.

Due to having high spectral resolution, hyperspectral images are used in many areas. However, these images have low spatial resolution because of hardware limitations. On account of having low spatial resolution of hyperspectral imagery, it has created a problem on future studies conducted in many military and civilian applications. Because of requirement of high hardware cost, the tendency to software-based methods for improving spatial resolution of hyperspectral imagery has increased. Due to obtaining high success results and having low cost in software-based methods, this area has become more popular recently. In this thesis, we aim to improve the spatial resolution of hyperspectral images and compare different methods which are used to enhance spatial resolution of hyperspectral images. In this study, Pan-sharpening methods IHS and PCA along with dictionary learning-based sparse representation methods K-SVD, ODL and Bayesian have been employed. Successful results have been obtained for improving spatial resolution of hyperspectral images by using these five methods mentioned above, in addition a comparison has been performed using RMSE, SAM and processing time as parameters. It is aimed to identify the most appropriate method for improving spatial resolution of hyperspectral images. Based on the results, the comparison has been performed to identify the positive and negative effects of the methods.