Abstract
Hyperspectrale beeldvorming is een krachtige techniek die gedetailleerde spectrale informatie vastlegt over verschillende smalle spectrale banden, wat een brede waaier aan toepassingen mogelijk maakt in milieumonitoring, precisielandbouw en industriële inspectie. Spectrale variabiliteit, veroorzaakt door verschillende omgevingsfactoren, vormt echter een belangrijke uitdaging bij het uitvoeren van hyperspectrale beeldanalyse. Dit onderzoeksproject stelde voor om innovatieve en robuuste hyperspectrale beeldverwerkingsmethoden te ontwikkelen die de nadelige effecten van hyperspectrale variabiliteit aanpakken. De focus zal ten eerste liggen op het ontwikkelen van gematigd complexe modellen, wat leidt tot slechts licht niet-convexe optimalisatieproblemen, in tegenstelling tot de zeer niet-convexe problemen die men vandaag tegenkomt. Ten tweede zullen technieken uit spaarse veeltermoptimalisatie en de theorie van momenten gecombineerd worden om niet-convexe optimalisatieproblemen te herformuleren als convexe problemen. Ten slotte zullen deep learningtechnieken worden onderzocht. De voorgestelde methoden zullen worden toegepast op verschillende belangrijke hyperspectrale beeldverwerkingstaken, waaronder spectrale unmixing, ruisverwijdering en clustering. Er wordt verwacht dat de resultaten van het project de state-of-the-art in hyperspectrale beeldverwerking zullen bevorderen en zullen bijdragen tot de ontwikkeling van meer accurate en betrouwbare beeldverwerkingstoepassingen.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)