Hiperspektral görüntülerin yüksek doğruluklu sınıflandırılması
Hyperspectral image classification with high accuracy
- Tez No: 275799
- Danışmanlar: PROF. SARP ERTÜRK
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2010
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 194
Özet
Hiperspektral algılayıcılar dar bantlı ve sürekli aralıklandırılmış yüzlerce spektral bantta veri toplayarak yüksek çözünürlükte spektral bilgi sağlamaktadır. Hiperspektral görüntülerin birçok uygulama alanı bulunmakta ve verinin etkili analizi için otomatik yöntemlere ihtiyaç duyulmaktadır. Bu tez çalışmasında hiperspektral görüntülerin sınıflandırılması üzerine çalışılmıştır. Son yıllarda Destek Vektör Makineleri (DVM) hiperspektral görüntülerin sınıflandırılmasında yüksek başarım sağlamasından dolayı yaygın olarak kullanılmaktadır. Bu tez çalışmasında DVM sınıflandırma başarımını daha da arttıran özgün yöntemler geliştirilmiştir: i) Ampirik Kip Ayrışımı temelli yaklaşımlar kullanılarak DVM sınıflandırma başarımı büyük oranda arttırılmıştır, ii) uzamsal ve spektral bilgilerin bir arada kullanılması amacı ile çok-çözünürlüklü DVM sınıflandırma yöntemi geliştirilerek DVM sınıflandırma başarımı arttırılmıştır, iii) sınıfları birbirinden ayıran ayırtaç düzlemine yakın olan eğitim örneklerinin DVM eğitim aşamasında kullanılmasıyla DVM sınıflandırma başarımı arttırılmıştır, iv) işaretin frekans bileşenlerini spektral eksende doğrusal olmayan şekilde değiştiren spektral bükme yöntemi kullanılarak DVM sınıflandırma başarımı arttırılmıştır.Hiperspektral görüntülerin yüksek bant sayısına sahip olması sınıflandırma yöntemlerinin hesapsal yükünü arttırmaktadır. Ayrıca dar dalga boylarında veri yakalandığı için ardışık bantlar arasında ilinti yüksek olmakta ve bunun sonucunda artıklık oluşmaktadır. Bu nedenle sınıflandırma öncesi bant azaltımı yöntemleri kullanılarak artıklık elenebilir ve hesapsal yük azaltılabilir. Bu tez çalışmasında faz ilintisi temelli bir bant seçme yöntemi geliştirilmiştir ve ayrıca mevcut bant seçme yöntemlerinin hesapsal yükünü azaltmak amacı ile bir-bit dönüşümü temelli bir yöntem önerilmiştir.Hiperspektral görüntülerin yorumlanması nedeniyle renkli görüntülenmesi önemlidir ve bu tez çalışmasında bir-bit dönüşümü temelli düşük hesapsal maliyetli renkli görüntüleme yöntemi önerilmiştir.
Özet (Çeviri)
Hyperspectral imaging sensors provide high resolution spectral information acquiring data corresponding to hundreds of narrow spectral bands. Hyperspectral images provide very useful information for several applications, and it is necessary to develop automatic techniques for efficient analysis of the data. In this thesis, we focus our attention on hyperspectral image classification. Support Vector Machine (SVM) classifier became very popular in recent years because of its high accuracy. In this thesis, we have developed novel methods to further improve the classification performance of SVM: i) Emprical Mode Decomposition based methods have been proposed and resulted in significantly improved SVM accuracy, ii) in order to use both spectral and spatial information, multi-resolution SVM classifier has been presented with improved SVM accuracy, iii) an accurate SVM classification algorithm, which uses border training patterns that are close to the separating hyperplane has been proposed and resulted in improved SVM accuracy and iv) it has been proposed to increase SVM classification accuracy using spectral warping which is a non-linear transformation that warps the frequency content of a signal.The computational complexity of processing hyperspectral images is very high due to the high number of image bands. Also close image bands have high spatial correlation and therefore have redundancy. It is possible to remove redundancy and as a result reduce the computational complexity before classification by means of band reduction algorithms. In this thesis, a phase correlation based band selection algorithm has been proposed and a one bit transform based pre-processing approach has been presented in order to reduce the complexity of standard band selection algorithms.In order to interpret hyperspectral images, color display algorithms are needed. In this thesis we have also presented a low computational complexity color display approach based on one bit transform.
Benzer Tezler
- Hiperspektral görüntü sınıflandırma uygulamalarında makine ve derin öğrenme kullanımı
The use of machine and deep learning on hyperspectral image classification applications
EREN CAN SEYREK
Yüksek Lisans
Türkçe
2020
Jeodezi ve FotogrametriAfyon Kocatepe ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT UYSAL
- Hyperspectral image classification with active learning and Bayesian convolutional neural networks
Aktif öğrenme ve Bayes evrişimsel sinir ağları ile hiperspektral görüntü sınıflandırma
MAHMOOD SIDDEEQ QADIR QADIR
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN BİLGİN
- Hiperspektral görüntüleme yöntemi kullanılarak yenidoğan sağlık durumlarının derin öğrenme metotları ile sınıflandırılması
Classification of health status of neonates with deep learning methods using hyperspectral imaging
MÜCAHİT CİHAN
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- Augmented superpixel based anomaly detection in hyperspectral imagery
Hiperspektral görüntülerde genişletilmiş süperpiksel tabanlı anomali tespiti
EZGİ GÖKDEMİR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA
- Hiperspektral görüntülerin farklı uzaylarda süperpiksel tabanlı spektral sınıflandırılması
Superpixel based spectral classification of hyperspectral images in different spaces
SİNEM AYBÜKE ŞAKACI
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SARP ERTÜRK