Türev tabanlı yöntemler kullanarak SAR görüntülerinde gemi tespiti
Ship detection in SAR images using derivative based methods
- Tez No: 1023838
- Danışmanlar: PROF. DR. KAZIM HANBAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İnönü Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sentetik Açıklıklı Radar (SAR) görüntüleri, hava koşullarından ve gün ışığından bağımsız olarak yüksek kaliteli görüntü sağlayabilmeleri nedeniyle denizcilik uygulamalarında yaygın olarak kullanılmaktadır. Ancak SAR görüntülerinde gemi tespiti, koherent benek (speckle) gürültüsü, kıyı bölgelerindeki karmaşık arka plan yapıları ve yoğun hedef dağılımları gibi zorluklar içermektedir. Bu tez kapsamında, düşük kontrastlı, kıyıya yakın ve yoğun hedef içeren SAR görüntülerinde gemi tespitine yönelik hem matematiksel tabanlı hem de derin öğrenme tabanlı yaklaşımlar geliştirilmiştir. Önerilen matematiksel yöntemde, öncelikle kara alanlarının ve benek gürültüsünün etkisini azaltmak amacıyla görüntülerin Hessian matrisi ve özdeğerleri hesaplanmıştır. Elde edilen en büyük özdeğer bilgisi Gauss fonksiyonuna giriş olarak verilmiş, ardından görüntülerin standart sapma ve ortalama haritaları oluşturulmuştur. Bu haritalar olasılıksal bir yaklaşımla birleştirilerek gemi bölgelerini belirginleştiren yeni bir görüntü elde edilmiştir. Son aşamada morfolojik işlemler ve bağlı bileşen analizi uygulanarak gemi adayları tespit edilmiştir. Gerçekleştirilen deneysel çalışmalar, önerilen yöntemin hem doğruluk hem de işlem süresi açısından başarılı sonuçlar verdiğini göstermiştir. Tez kapsamında önerilen yöntemin dışında ayrıca SAR görüntülerinde gemi tespiti amacıyla YOLO tabanlı derin öğrenme modelleri kullanılmış ve farklı veri kümeleri üzerinde deneysel analizler gerçekleştirilmiştir. Elde edilen sonuçlar, derin öğrenme tabanlı yaklaşımın yüksek tespit performansı sağladığını ortaya koymuştur. Sonuç olarak, hem matematiksel görüntü işleme yöntemleri hem de derin öğrenme tabanlı modeller kullanılarak SAR görüntülerinde gemi tespiti problemine yönelik etkili ve başarılı çözümler geliştirilmiştir.
Özet (Çeviri)
Synthetic Aperture Radar (SAR) imagery is widely utilized in maritime applications due to its capability to provide high-quality images regardless of weather and illumination conditions. However, ship detection in SAR images remains a challenging task because of coherent speckle noise, complex coastal backgrounds, and densely distributed targets. In this thesis, both mathematical model-based and deep learning-based approaches are developed for ship detection in low-contrast, inshore, and densely populated SAR scenes. In the proposed mathematical approach, the Hessian matrix and its eigenvalues are first computed to suppress land regions and reduce the effects of speckle noise. The largest eigenvalue is then used as an input to a Gaussian function, and standard deviation and mean maps are generated from the SAR image. These maps are combined using a probabilistic framework to produce an enhanced image that highlights potential ship regions. Finally, morphological operations and connected component analysis are applied to identify ship candidates. Experimental results demonstrate that the proposed method achieves both high detection accuracy and computational efficiency. In addition, YOLO-based deep learning models are employed for SAR ship detection, and extensive experiments are conducted on different datasets. The obtained results indicate that the deep learning approach provides high detection performance and robust ship localization capabilities. Overall, the findings of this thesis demonstrate that both mathematical image processing techniques and deep learning models can effectively address the SAR ship detection problem and provide accurate and reliable results under challenging imaging conditions.
Benzer Tezler
- Derin öğrenme ile görüntülerde gürültü giderme
Image denoising with deep learning
SERCAN SATICI
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Türkiye'de enflasyon oranının yapay zekâ ile tahmini: Makine öğrenmesi ve derin öğrenme yöntemlerinin karşılaştırılması
Forecasting of inflation rate with artificial intelligence in Türkiye: Comparison of machine learning and deep learning methods
YUNUS EDİZ
Doktora
Türkçe
2026
EkonometriManisa Celal Bayar Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. İLKAY DİLBER
- Evaluating the potential of citizen-science biodiversity data for assessing ecological restoration opportunities in Istanbul's groves and urban forests
İstanbul'un korulari ve kent ormanlarinda ekoloji̇k restorasyon firsatlarini değerlendi̇rmek i̇çi̇n vatandaş-bi̇li̇mi̇ bi̇yoçeşi̇tli̇li̇k veri̇leri̇ni̇n potansi̇yeli̇ni̇n değerlendi̇ri̇lmesi̇
SALİHA AKKAYÜZ
Yüksek Lisans
İngilizce
2026
Biyolojiİstanbul Teknik Üniversitesiİklim ve Deniz Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRAH ÇORAMAN
- Fractional-order derivative based adaptive methods for control and optimization
Kontrol ve optimizasyon için kesir mertebeli türev tabanlı adaptif yöntemler
MERT CAN KURUCU
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MÜJDE GÜZELKAYA
PROF. DR. İBRAHİM EKSİN
- K-en yakın komşuluk algoritmasını kullanarak EEG tabanlı kişi tanıma
EEG-based person identification using K-nearest neighborhood algorithm
MESUT ÜÇÜNCÜ
Yüksek Lisans
Türkçe
2019
BiyomühendislikKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖNDER AYDEMİR