Akıllı hiperspektral sınıflandırma
Smart hyperspectral classification
- Tez No: 232751
- Danışmanlar: DOÇ.DR. SARP ERTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Uzaktan Algılama, Hiperspektral Görüntüleme, Hiperspektral Görüntülerde Sınıflandırma, Destek Vektör Makinaları, İlgililik Vektör Makinaları, RAS.ÖR.ON, Faz Korelasyonu, K-Ortalama Bölütlemesi, Remote Sensing, Hyperspectral Imaging, Hyperspectral Image Classification, Relevance Vector Machines, Support Vector Machines, RANSAC, Phase Correlation, K-means clustering
- Yıl: 2007
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hiperspektral görüntüleme birçok dar dalga boyu bandına ait imge verilerini elde etmekte ve dalga boyuna göre bir ayrışım sağlamaktadır. Hiperspektral görüntülerde her piksel için dalga boyuna bağlı bir spektrum bilgisi elde edilmesi ile piksellerin değişimi, benzerlikleri ve farklılıklarının algılanabilmesi sonucu, bölgelerin sınıflandırılması standart görüntü algılayıcılarına oranla çok daha yüksek bir başarımla sağlanabilmektedir. Bu tezde hiperspektral görüntülerin akıllı sınıflandırılması yöntemleri üzerinde çalışılmıştır. Akıllı sınıflandırma yöntemleri olarak destek vektör makinaları ve ilgililik vektör makinaları kullanılmıştır. Destek vektör makinalarının hiperspektral görüntüye uygulanması ile ilgili çalışmalar literatürde olmasına rağmen ilgililik vektör makinalarının hiperspekral görüntülerin sınıflandırılmasında kullanılması özgün olarak bu çalışma kapsamında gerçekleştirmiştir. İlgililik vektör makinaları kullanılarak hiperspektral görüntülerin sınıflandırılması, destek vektör makinaları kullanılarak gerçekleştirilen sınıflandırma ile karşılaştırıldığında daha az kernel fonksiyonu kullanılarak yaklaşık benzer sınıflandırma başarımı elde edildiği görülmüştür. Ayrıca özgün olarak, sınıflandırmadaki hesapsal yükün eğitim ve test sürelerine bağlı olarak azaltılması amacı ile K-ortalama ve faz korelasyonu temelli bölütleme yöntemleri ve Rastgele Örnek Onaylaşım (RAS.ÖR.ON) bağımsızlık geçerlilik sınaması (cross-validation), hiperspektral görüntülerin ilgililik vektör makinaları ve destek vektör makinaları kullanılarak sınıflandırılması öncesi ön işlem olarak hiperspektral görüntüye uygulanmıştır. Ön-işlem uygulanarak gerçekleştirilen ilgililik/destek vektör makinaları ile sınıflandırma, doğrudan ilgililik /destek vektör makinaları kullanılarak gerçekleştirilen sınıflandırma ile karşılaştırıldığında, daha küçük oranda ilgilik /destek vektörleri kullanılarak benzer sınıflandırma başarımı elde edilebileceği gösterilmiştir.
Özet (Çeviri)
Hyperspectral imaging systems provide many images corresponding to narrow spectral bands and therefore they provide decomposition with respect to wavelength. The corresponding spectrum information is obtained for every pixel within the image. It is possible to determine changes, similarities and differences using the spectral information for each pixel within the hyperspectral image. Hence it becomes possible to classify the regions within the image with much higher accuracy compared to standard vision sensors. Smart classification methods of hyperspectral images namely: relevance vector machines and support vector machines are studied in this thesis. Although support vector machine classification has recently been proposed for hyperspectral image classification and raised important interest, relevance vector machine classification of hyperspectral images is genuinely proposed in this thesis. It is shown that similar accuracy results are obtained with a smaller relevance vector rate and faster testing time compared with support vector machine classification. In addition two different unsupervised segmentation methods namely: K-means and phase correlation as well as RANSAC (RANdom SAmple Consencus) are applied to hyperspectal images before relevance vector machine and support vector machine classification. Approximately similar hyperspectral data classification accuracy is obtained with a smaller relevance vector rate/support vector rate and faster training time for the proposed pre-segmented relevance vector machine /support vector machine classification approach compared with direct relevance vector machine /support vector machine classification.
Benzer Tezler
- Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
JALAL SADOON HAMEED AL BAYATI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. BURAK BERK ÜSTÜNDAĞ
- Elma fidanı çeşitlerinde azot beslenme durumunun hiperspektral yöntemler ile belirlenmesi
Determination of nitrogen nutrition status in apple tree varieties using hyperspectral methods
BAHAR TÜRKELİ ULUMAN
Doktora
Türkçe
2025
ZiraatIsparta Uygulamalı Bilimler ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
PROF. DR. LEVENT BAŞAYİĞİT
- Sahte GPS sinyallerine karşı gömülü sistem tasarımı ve mekatronik sistemlerde uygulanması
Embedded system design against spoofing GPS signals and its application in mechatronic systems
MUSTAFA TANIŞ
Doktora
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
- Prolog öğreten akıllı öğretim sistemleri
Başlık çevirisi yok
ELİF DEMİRÖRS
Yüksek Lisans
Türkçe
1989
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EMRAH ORHUN
- Akıllı röle
Başlık çevirisi yok
ERCAN YARDIM
Yüksek Lisans
Türkçe
1990
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHRİ ERCAN