Συντάχθηκε 17-01-2020 08:11
Θέμα
Aνάπτυξη Μεθόδων Μηχανικής Μάθησης για την Επέκταση της Φασματικής Διάστασης: Εφαρμογές σε Στιγμιότυπη Φασματική Εικόνα - Development of Machine Learning Techniques Towards Spectral Dimensionality Expansion: Applications In Snapshot Spectral Imaging.
Εξεταστική Επιτροπή
Καθηγητής Κωνσταντίνος Μπάλας (επιβλέπων)
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς
Καθηγητής Γεώργιος Καρυστινός
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 δυναμικός αναπτυσσόμενα φαινόμενα. Επίσης, είναι δαπανηρά και μεγάλα σε μέγεθος, γεγονός που τα καθιστά απρόσιτα για πολλές εφαρμογές. Προκειμένου, να αντιμετωπιστούν αυτοί οι περιορισμοί, μελετήθηκε ένα θεωρητικό σύστημα στιγμιότυπης φασματικής απεικόνισης, το οποίο συλλέγει ένα μικρό αριθμό φασματικών μπαντών, και χρησιμοποιώντας τεχνικές επέκτασης φασματικών διαστάσεων, παρέχει υπερφασματική απεικόνιση σε πραγματικό χρόνο. Επιπροσθέτως, διεξήχθει συγκριτική μελέτη των μεθόδων που παρουσιάζονται στην βιβλιογραφία υπό το πρίσμα διαφορετικών αρχιτεκτονικών (RGB στενά / ευρεία, τρία, έξι, εννέα, και δώδεκα φασματικά κανάλια). Επιπλέον, δύο νέοι αλγόριθμοι, που ονομάζονται K-Fourier και 2Level, προτείνονται και συγκρίνονται όσον αφορά την ελαχιστοποίηση του σφάλματος εκτίμησης των μη συλλεγμένων φασματικών εικόνων. Η καινοτομία των προτεινόμενων μεθόδων πηγάζει κυρίως, από την μείωση της διαστάσεων του χώρου που χρειάζεται να ανακατασκευαστεί. Πειράματα σε τυπικούς χάρτες χρωμάτων δείχνουν ότι ο K-Fourier και οι μη γραμμικοί μέθοδοι πυρήνων, υπερέχουν των άλλων μεθόδων. 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. Για το λόγο αυτό, αναλύθηκε και συγκρίθηκε ένα μεγάλο εύρος τεχνικών επιλογής μπαντών, οι οποίες βασίζονται είτε στη μέτρηση ομοιότητας, είτε σε μοντέλα δυναμικού προγραμματισμού ή σε γενετικούς αλγορίθμους. Οι γενετικοί αλγόριθμοι αποδείχθηκε ότι είναι η πιο αποδοτική μέθοδος επιλογής χαρακτηριστικών, καθώς βελτιώνει δραματικά το σφάλμα ανοικοδόμησης κριμένης πληροφορίας. Επιπλέον, εισάγουμε έναν μη γραμμικό μετασχηματισμό, με στόχο την διασφάλιση των φυσικών περιορισμών ενός ανακλώμενου φάσματος (ομαλότητα και οριοθέτηση μεταξύ [0,1]) . Τέλος, τα ευρήματα αυτά θέτουν τη βάση για την ανάπτυξη ενός ισχυρού συστήματος στιγμιότυπης φασματικής απεικόνισης, πραγματικού χρόνου. Η ιατρική διάγνωση αναμένεται να είναι η κύρια εφαρμογή αυτής της νέας προσέγγισης.
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 require a long acquisition time, something that prevents them from observing any dynamically developing phenomena. Also, HSI systems are expensive and sizeable, which makes them inaccessible to many important applications. To address these limitations, a theoretical real-time snapshot spectral imaging system (SNSI) that captures a small number of spectral bands, and by using dimensionality expansion techniques, provides real time HSI, is investigated in this study. A comparative study of the state of the art was conducted under the assumption of various hardware architectures (RGB narrow/wide, three, six, nine, and twelve spectral channels). Furthermore, two new algorithms, called K-Fourier and 2Level, are proposed and compared in terms of minimizing the estimation error of the uncaptured spectral images. The novelty of the proposed methods stems mainly from the reduction of the dimensionality of the space, that needed to be reconstructed. Experiments on standard color charts, show that the K-Fourier and non-linear kernels outperform the other competing methods. Looking at the same problem from another perspective, the most feature-rich training leads to higher estimation accuracy. On that account, a great amount of band selection techniques, which are based on similarity-measurement, dynamic programming, and evolutionary formulas, were analyzed and compared. Genetic algorithms turned out to be the most promising feature selection technique, since it dramatically improves the space reconstruction error. Moreover, we introduce a nonlinear transformation of reflectance values, to ensure that the estimated spectra respect the physical constraints (smoothness and bounded in [0,1]). Finally, these findings set the basis for the development of a powerful SNSI system. Medical diagnosis is expected to be a leading application of this novel approach.
Τόπος: Λ - Κτίριο Επιστημών/ΗΜΜΥ, 2042
Έναρξη: 27/01/2020 13:30
Λήξη: 27/01/2020 14:30
