Συντάχθηκε 17-07-2025 07:14
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 18/07/2025 12:00
Λήξη: 18/07/2025 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Κωνσταντίνου Βασσάλου
με θέμα
Ανάπτυξη Μεθόδων Εκτίμησης Φασματικών Δεδομένων για την Αύξηση των Διαστάσεων Δεδομένων Φασματικής Απεικόνισης
Development of Spectral Data Estimation Methods Towards Expanding the Data Dimensionality in Spectral Imaging
Εξεταστική Επιτροπή
Καθηγητής Κωνσταντίνος Μπάλας (επιβλέπων)
Καθηγητής Θρασύβουλος Σπυρόπουλος
Δρ. Γεώργιος Αρβανιτάκης (ΕΠΙΣΕΥ, ΕΜΠ & ΤΙΙ, Abu Dhabi)
Περίληψη
Η Υπερφασματική απεικόνιση είναι μια τεχνολογία που παρέχει λεπτομερείς χωρικές και φασματικές πληροφορίες για ένα αντικείμενο, συνδυάζοντας τη φασματοσκοπία με τη δυνατότητα απεικόνισης. Καταγράφει λεπτομερείς φασματικές πληροφορίες σε ολόκληρο το ηλεκτρομαγνητικό φάσμα, αποκτώντας το φάσμα για κάθε pixel μιας εικόνας και επιτρέποντας τον ακριβή εντοπισμό και ανάλυση των υλικών. Ωστόσο, η υψηλή διαστατικότητα των υπερφασματικών δεδομένων συχνά παρουσιάζει σημαντικές προκλήσεις όσον αφορά την απόκτηση, αποθήκευση και επεξεργασία δεδομένων, ιδιαίτερα όταν επιδιώκεται η επίτευξη υψηλής χωρικής και φασματικής ανάλυσης ταυτόχρονα. Η παρούσα εργασία επικεντρώνεται στην ανάπτυξη προηγμένων μεθόδων εκτίμησης υπερφασματικών δεδομένων για την ενίσχυση της φασματικής ανάλυσης, την ανακατασκευή ελλιπών πληροφοριών και την επέκταση της αποτελεσματικής διαστατικότητας των υπερφασματικών συνόλων δεδομένων. Για να επιτευχθεί αυτό, προτείνονται και αξιολογούνται υπολογιστικές τεχνικές που αξιοποιούν τη μηχανική μάθηση, την επεξεργασία σήματος και τη μαθηματική μοντελοποίηση για τη βελτίωση της εκτίμησης υπερφασματικών δεδομένων. Αυτές οι μέθοδοι στοχεύουν στην ανακατασκευή ελλιπών φασματικών υπογραφών, στην ενίσχυση της χωρικής και φασματικής ανάλυσης και στον μετριασμό των περιορισμών κατά την απόκτηση δεδομένων. Οι προτεινόμενες προσεγγίσεις δοκιμάζονται τόσο σε συνθετικά όσο και σε πραγματικά υπερφασματικά δεδομένα, αξιολογώντας την αποτελεσματικότητά τους ως προς την ακρίβεια, την ανθεκτικότητα και την υπολογιστική αποδοτικότητα.
Abstract
HyperSpectral imaging is a technology that provides detailed spatial and spectral information about an object, combining spectroscopy with imaging capability. It captures detailed spectral information across the electromagnetic spectrum, obtaining the spectrum for each pixel in an image and enabling precise material identification and analysis. However, the high dimensionality of HyperSpectral data often poses significant challenges in terms of data acquisition, storage, and processing, particularly when aiming to achieve high spatial and spectral resolution simultaneously. This thesis focuses on the development of advanced HyperSpectral data estimation methods to enhance spectral resolution, reconstruct missing information, and expand the effective dimensionality of HyperSpectral datasets. To achieve this, we propose and evaluate computational techniques that leverage machine learning, signal processing, and mathematical modeling to improve HyperSpectral data estimation. These methods aim to reconstruct incomplete spectral signatures, enhance spatial and spectral resolution, and mitigate data acquisition limitations. The proposed approaches are tested on both synthetic and real HyperSpectral datasets, assessing their effectiveness in terms of accuracy, robustness, and computational efficiency.
