Bibliographic Metadata

Title
Graph-based competitive clustering: a clustering algorithm for hyperspectral images in process analytical technologies / by Benedikt Steindl
Additional Titles
Graphen-basiertes kompetitives Clustering: Ein Algorithmus zum Clustern von Hyperspektralen Bildern in der Prozessanalytik
AuthorSteindl, Benedikt
CensorLohninger, Johann
PublishedWien, 2018
Description88 Seiten : Illustrationen, Diagramme, Karten
Institutional NoteTechnische Universität Wien, Diplomarbeit, 2018
Annotation
Zusammenfassung in deutscher Sprache
Annotation
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
LanguageEnglish
Document typeThesis (Diplom)
Keywords (DE)Clusteranalyse / Algorithmus / Bildanalyse / Prozessanalytik
Keywords (EN)cluster analysis / algorithm / image analysis / process analytics
URNurn:nbn:at:at-ubtuw:1-109804 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Graph-based competitive clustering: a clustering algorithm for hyperspectral images in process analytical technologies [6.96 mb]
Links
Reference
Classification
Abstract (German)

Eine neue Entwicklung im Bereich der Prozessanalytik ist das Anwenden von Hyperspectral Imaging als Methode der Qualitätssicherung und Prozesskontrolle. Diese Technologie erlaubt die Erfassung von ortsaufgelösten spektroskopischen Daten, wodurch Produkte in ihrer heterogenen Form analysiert werden können. Wegen ihrer komplexen Struktur sind für die Analyse von hyperspektralen Daten moderne Machine Learning Algorithmen notwendig. Eine dieser Methoden ist die Clusteranalyse, welche die Detektion interessanter örtlicher Merkmale ermöglicht, die sonst aufgrund der großen Menge an Information leicht übersehen werden können. Inhalt dieser Arbeit ist die Präsentation eines neuartigen Cluster-Algorithmus, welcher auf gewisse Eigenschaften von Hyperspectral Images optimiert ist. Da Clusteranalyse eine weit verbreitete Technik in datenlastigen Forschungsfeldern ist, wird der Algorithmus in Bezug auf andere etablierte Methoden auf dem algorithmischen Level sowie durch Vergleich von experimentellen Ergebnissen künstlicher Datensätze und Hyperspectral Images untersucht.

Abstract (English)

Recent developments in process analytical technologies have introduced hyperspectral imaging as a novel tool for quality assessment and process control. This technology allows to capture spectral information in conjunction with spatial features and thus enables us to analyze products in their heterogeneous state. As a consequence hyperspectral data is complex to process and necessitates the use of modern machine learning algorithms. Clustering is one such technique that can be applied to detect interesting spatial features which otherwise could easily be overlooked because of the sheer amount of information. In this thesis a novel clustering algorithm is presented which is designed to cope with some characteristics of hyperspectral images. As clustering is a widely applied technique in data-oriented research fields the proposed algorithm is discussed in the light of other established methods on the algorithmic level as well as by comparing experimental results of artificial datasets and hyperspectral images.

Stats
The PDF-Document has been downloaded 12 times.