Hybrid hyperspectral image compression method by using online dictionary learning based on sparse coding

Abstract

Bu tezde, seyrek kodlama tabanlı çevrimiçi sözlük öğrenme yaklaşımını literatürde ilk kez hiperspektral görüntülerin sıkıştırılması için adapte eden hibrit bir yöntem önerilmiştir. Seyrek kodlama tabanlı çevrimiçi sözlük öğrenme kullanılarak hiperspektral görüntülerin sıkıştırılması için hibrit bir yöntem olarak isimlendirilmiştir. Bu yöntemde, çeşitli seyrek temsil algoritmaları seyrek kodlama problemini çözmek amacıyla kullanılmıştır. Farklı seyrek temsil algoritmaları ile diğer sıkıştırma algoritmaları oran-bozulma performansları açısından karşılaştırılmışlardır. Bilgi koruma performansları da anomali sezimi uygulaması ile ayrıca ölçülmüştür. Deneysel sonuçlar kanıtlıyor ki bit hızı arttıkça yakınlık bazlı eniyileme ve kör sıkıştırmalı örnekleme algoritmalarına ait sıkıştıma performansları diğer algoritmalardan üstün olmaktadır.

In this thesis a hybrid method is proposed, where an online dictionary learning approach based on the sparse coding scheme is adapted to compress hyperspectral images for the first time in the literature. In this method, various sparse representation algorithms are used to solve the sparse coding problem. Among these sparse representation algorithms, proximity based optimization algorithms and blind compressive sensing algorithms are the most recent and popular ones in the literature. Rate-distortion performances of different sparse representation algorithms are compared to those of the other compression algorithms. Besides the rate-distortion performances, the information preservation performances are also evaluated by the anomaly detection application. The experimental results verify that compression performances of proximity based optimization algorithms and blind compressive sensing algorithms are superior to those of other algorithms as the bit rate increases.