Geri Dön

Improving classification accuracy of quickbird imagery

Quıckbırd görüntülerin sınıflandırma doğruluğunun iyileştirilmesi

  1. Tez No: 304545
  2. Yazar: AYŞE ÖZTÜRK
  3. Danışmanlar: YRD. DOÇ. DR. MÜFİT ÇETİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2011
  8. Dil: İngilizce
  9. Üniversite: Yalova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 64

Özet

Çok bantlı ve pankromatik uydu görüntüleri görüntü birleştirme metotları ile birleştirilerek mekânsal çözünürlüğü yüksek zenginleştirilmiş yeni görüntüler elde edilebilmektedir. Bu çalışmada, çeşitli metodların çok bantlı ve pankromatik uydu görüntüleri üzerinde sonuçları incelenmiştir. Görüntü birleştirme yöntemi olarak literatürde çok yaygın olarak kullanılan yoğunluk renk dönüşümü, temel bileşenler analizi ve dalgacık dönüşümü görüntü birleştirme teknikleri kullanılmıştır.Eğiticili sınıflandırma yöntemi, eğiticisiz sınıflandırmanın aksine, karşılaşılmamış olan ve dolayısıyla bilinmeyen örnekleri sınıflandırabilmek için algoritmayı eğitecek bilinen örnek verilere ihtiyaç duyar. Görüntü sınıflandırması için yaygın olarak bilinen eğiticili öğrenme algoritmalardan En Çok Olabilirlik ve Destek Vektör Makineleri kullanılmıştır.Birleştirilmiş görüntüler daha iyi mekansal çözünürlüğe sahiptirler. Yeni renklerin ya da yapay yapıların eklenmesiyle oluşan spektral bozulmalar, özellikle Destek Vektör Makineleri gibi doğrusal olmayan sınıflandırma metotlarının genel doğruluğunu azaltır. Çalışmada, spektral bozulmalar ile oluşan sınıflandırma hatalarını azaltan görüntü iyileştirme metotları önerilmiş ve test edilmiştir. Temel bileşenler analizine dayanan bir görüntü zenginleştirme tekniği, uygulanan diğer tekniklere göre daha uygun bulunmuştur.Görüntü iyileştirme teknikleri uygulandıktan sonra oluşan görüntüde sınıf ayrılabilirliği referans olarak alınan orijinal görüntüye göre daha yüksektir. Orijinal görüntünün sınıflandırılmış sonucu genel geçer bir karşılaştırma ölçüsü olan karşılaştırmalı değerlendirme tekniği kullanılarak, genel doğruluk alanındaki artma bulunmuştur. Görüntü birleştirme ve görüntü zenginleştirme metotlarının sınıflandırma sürecine dahil olması ile sınıflandırma algoritmalarının doğruluklarının arttırılmasının mümkün olduğu anlaşılmıştır. Bu bulguyu destekleyen sonuçlar tezin ilgili bölümlerinde verilmiştir.

Özet (Çeviri)

Fusion methods increase spatial resolution by combining panchromatic band with multi spectral data. In this study, the results belonging to several methods on multi spectral and panchromatic images are compared. The fusion methods common in literature Intensity-Hue Saturation (IHS), Principal Component Analysis (PCA) and wavelet transformation are used.Supervised classification methods need prior examples for training of the algorithm to classify other unseen samples as opposed to unsupervised classification methods. Image classification is done with well-known supervised methods, e.g. Maximum Likelihood Classifier (MLC) and Support Vector Machines (SVM).Fused images provide better spatial resolution. However, spectral distortions by introducing new colors or artificial structures called artifacts cause decrease in overall accuracy values especially with nonlinear classification methods such as SVM. Enhancement methods are proposed and tested to diminish classification errors caused by spectral distortions present in the fused image.A PCA-based image enhancement technique is found superior to other enhancement techniques applied.Class separability is better after enhancements compared to the original reference satellite image. Using the classified result of the original multi spectral image as a benchmark, improvement in the overall accuracy of classification results of the enhanced fused images are observed. Higher classification accuracy is possible with the integration of image fusion and image enhancement methods into classification process. Results supporting the advancement are given in the related parts of the thesis.

Benzer Tezler

  1. Mapping surface fuels using lidar and multispectral data fusion for fire behavior modeling

    Yangın davranışının modellenmesi için yüzey bitki örtüsünün lidar ve multispektral verileri kullanılarak haritalanması

    MÜGE MUTLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2006

    Jeodezi ve FotogrametriTexas A&M University

    Orman Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SORİN C. POPESCU

  2. Improving classification of eeg-based motor imagery signals with cross-subject data augmentation and attention-guided multi-domain deep learning

    Denekler-arası veri artırımı ve dikkat-odaklı çok alanlı derin öğrenme yoluyla eeg-tabanlı motor imgeleme sinyallerinin sınıflandırılmasının iyileştirilmesi

    MUHAMMED ENES ÖZELBAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SERHAT ÖZEKES

    DR. ÖĞR. ÜYESİ EMİNE ELİF TÜLAY

  3. Compressed domain image classification with sub-band data fusion

    Sıkıştırılmış düzlemde alt-bant bileşen harmanlama yöntemi ile görüntü sınıflandırma

    BERK ARICAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

    DR. LEVENT ÇARKACIOĞLU

  4. Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models

    Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma

    NEŞE GÜNEŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUĞ BAYAZIT

  5. Ayrıklaştırma ve optimizasyon yaklaşımları ile sınıflandırma algoritmalarının performansının iyileştirilmesi

    Improving the performance of classification algorithms with discretization and optimization approaches

    MOHAMMED HUSSEIN IBRAHIM IBRAHIM

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET HACIBEYOĞLU