Matteo, Beatrice
(2020)
Clustering gerarchico di matrici iperspettrali.
[Laurea], Università di Bologna, Corso di Studio in
Matematica [L-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (4MB)
| Contatta l'autore
|
Abstract
Questo elaborato ha lo scopo di presentare un algoritmo di clustering gerarchico per matrici iperspettrali ad alta risoluzione. Dato un set di immagini che contiene copie della stessa fotografia scattate a diverse lunghezza d'onda luminose, l'obiettivo è quello di determinare gli elementi che appaiono nell'immagine. Gli algoritmi che permettono di separare gli elementi costitutivi di un'immagine sono detti algoritmi di blind hyperspectral unmixing e trovano applicazioni in svariati campi tra cui l'analisi delle immagini. In particolare, sono utilizzati in medicina per esaminare le culture batteriche e in radiologia per la diagnostica di immagini, in chimica per analizzare il risultato di alcune reazioni e per monitorare l'inquinamento, ma anche nell'industria alimentare per controllare la qualità del cibo. Per esempio, uno dei dataset di immagini iperspettrali più diffusi è quello di Cuprite che raffigura una zona mineraria situata nel sud del Nevada. L'algoritmo applicato a questo set ha rivelato la presenza di più di 15 minerali differenti tra cui alunite, montmorillonite, goethite, ossidi di ferro e molti altri.
Inizialmente sarà presente un unico cluster contenente tutti i pixel. A ogni iterazione si selezionerà il cluster in modo da minimizzare l'errore al passo successivo e si separerà il cluster scelto in due. In seguito si utilizzerà una fattorizzazione matriciale di rango due (NMF) al fine di spezzare il cluster. Si illustrerà poi come questo metodo possa essere applicato a differenti matrici iperspettrali come algoritmo di estrapolazione degli elementi presenti nei dataset. Infine, si confronterà il metodo proposto e l'algoritmo classico delle k-medie e si discuteranno le prestazioni dei due metodi su matrici iperspettrali reali.
Abstract
Questo elaborato ha lo scopo di presentare un algoritmo di clustering gerarchico per matrici iperspettrali ad alta risoluzione. Dato un set di immagini che contiene copie della stessa fotografia scattate a diverse lunghezza d'onda luminose, l'obiettivo è quello di determinare gli elementi che appaiono nell'immagine. Gli algoritmi che permettono di separare gli elementi costitutivi di un'immagine sono detti algoritmi di blind hyperspectral unmixing e trovano applicazioni in svariati campi tra cui l'analisi delle immagini. In particolare, sono utilizzati in medicina per esaminare le culture batteriche e in radiologia per la diagnostica di immagini, in chimica per analizzare il risultato di alcune reazioni e per monitorare l'inquinamento, ma anche nell'industria alimentare per controllare la qualità del cibo. Per esempio, uno dei dataset di immagini iperspettrali più diffusi è quello di Cuprite che raffigura una zona mineraria situata nel sud del Nevada. L'algoritmo applicato a questo set ha rivelato la presenza di più di 15 minerali differenti tra cui alunite, montmorillonite, goethite, ossidi di ferro e molti altri.
Inizialmente sarà presente un unico cluster contenente tutti i pixel. A ogni iterazione si selezionerà il cluster in modo da minimizzare l'errore al passo successivo e si separerà il cluster scelto in due. In seguito si utilizzerà una fattorizzazione matriciale di rango due (NMF) al fine di spezzare il cluster. Si illustrerà poi come questo metodo possa essere applicato a differenti matrici iperspettrali come algoritmo di estrapolazione degli elementi presenti nei dataset. Infine, si confronterà il metodo proposto e l'algoritmo classico delle k-medie e si discuteranno le prestazioni dei due metodi su matrici iperspettrali reali.
Tipologia del documento
Tesi di laurea
(Laurea)
Autore della tesi
Matteo, Beatrice
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
matrici iperspettrali clustering endmembers fattorizzazione non negativa
Data di discussione della Tesi
26 Giugno 2020
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Matteo, Beatrice
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
matrici iperspettrali clustering endmembers fattorizzazione non negativa
Data di discussione della Tesi
26 Giugno 2020
URI
Statistica sui download
Gestione del documento: