Hiperspektral görüntülerde spektral ve uzamsal enformasyonun ortaklaşa kullanımı ile sınıflandırılması ve bölütlenmesi
Classification and segmentation of hyperspectral images with joint usage of spectral and spatial information
- Tez No: 329615
- Danışmanlar: YRD. DOÇ. DR. GÖKHAN BİLGİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2013
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
Hiperspektral görüntüleme yüzlerce dar ve bitişik bandı kullanabilmeye imkân tanıyan ve gelişmekte olan bir uzaktan algılama teknolojisidir. Hiperspektral görüntüleyiciler elektromanyetik spektrumda görünür bölge olarak adlandırılan kısımdan, uzak kızıl ötesi spektral bant aralığına kadar olan bölgede çalışarak yüzlerce dar ve bitişik bant içeren görüntüleri elde edebilmektedirler. Bir önceki teknoloji olan multispektral görüntüler genellikle 4 ile 7 arasında 300 ile 400 nm genişliğe sahip bant içermekteyken hiperspektral görüntülerde bu sayı yüzler mertebesinde ifade edilir ve yaklaşık olarak bant genişlikleri 10 ile 20nm arasındadır. Hiperspektral görüntüler gün geçtikçe farklı disiplinlerde farklı amaçlar için kullanılmaya başlanmıştır. Bunlar arasında başta yer bilimleri olmak üzere savunma, tıp, kimya, ormancılık, tarım, şehir planlama, çevresel gözlem, hedef belirleme gibi alanlar yer alır. Hiperspektral görüntülerin daha iyi anlaşılıp yorumlanabilmesi için eğiticili ve eğiticisiz sınıflama yöntemlerine başvurulur. Bu tez çalışmasında eğiticisiz sınıflama yöntemlerinden bölütleme/kümeleme yöntemleri kesin referans bilgisi içermeyen görüntüler için kullanılırken, referans bilgisi içeren görüntüler için eğiticili sınıflama yöntemlerine başvurulmuştur. Ayrıca zaman ve alan karmaşıklıklarının azaltılabilmesi için boyut indirgeme yöntemlerinden yararlanılmıştır. Hiperspektral görüntülerde boyut indirgenmesi, bant seçim yöntemleri ve özellik çıkarım yöntemleri ile sağlanır. Bu çalışmada görüntülerin boyutunun azaltılması aşamasında özellik çıkarım yöntemlerinden olan temel bileşen analizi (TBA) ve çekirdek temel bileşen analizi (ÇTBA) kullanılmıştır. Bu yöntemler ayrıca öz-uzaya geçme açısından bant seçim yöntemlerine göre avantaj sağlamaktadır. Hiperspektral verilerin uzamsal ve spektral bilgilerinin beraberce kullanılması sınıflandırma başarımını arttıran bir yaklaşım sunar. Bu tez çalışmasında spektral ve uzamsal bilgilerin beraberce kullanılmasını sağlayan iki farklı öznitelik çıkarım yöntemi sunulmuştur. Yöntemlerden ilki her bir piksel için yerel ortak değişinti matrislerini kullanarak öznitelik çıkarımı yapmaktayken ikincisi yerel ortak değişinti matrislerini çoklu çözünürlük analizi ile birlikte kullanarak öznitelik çıkarımı yapmaktadır. Öznitelik çıkarımı ile yeni hiperspektral imzalara sahip olan görüntüler üzerinde k-ortalamalar kümeleme algoritması (KOK), bulanık C-ortalamalar (BCO), Gustafson-Kessel(GK) ve beklenti maksimizasyonu (BM) yöntemleri kullanılarak bölütleme yapılmıştır. Etiket bilgisine sahip görüntüler üzerinde ise destek vektör makinası (DVM) ve rastgele orman (RO) sınıflandırıcıları kullanılarak sınıflama işlemi gerçekleştirilmiştir. Elde edilen eğiticili ve eğiticisiz sınıflama sonuçları nesnel karşılaştırma kıstasları kullanılarak değerlendirilip yorumlanmıştır.
Özet (Çeviri)
Hyperspectral imaging is developing remote sensing technology which allows to use hundreds of narrow and adjacent bands. Hyperspectral sensors operate between visible region and long wave infrared region on electromagnetic spectrum and able to obtain hundreds of bands. While previous technology, multispectral imaging systems contains generally between 4 and 7 bands approximately between 300 and 400 nm wavelength, hyperspectral imaging systems acquire hundreds of bands between 10-20 nm wavelength. Hyperspectral imaging technology is used for different purposes day after day in different scientific disciplines, especially in the geoscience. Hyperspectral imaging is also used in lots of scientific areas ranging from medicine, chemistry, forestry, agriculture to urban planning, target detection etc .. In the literature several supervised and unsupervised classification methods have been applied to hyperspectral images in order to make them more comprehensible. In this work, unsupervised classification methods have been utilized for unlabeled images and supervised classification methods have been used for images which have ground-truth information. Dimension reduction methods have been used to reduce both time and computational complexities. Band selection and feature extraction methods are widely used for dimension reduction process on hyperspectral images. In this work, principle component analysis (PCA) and kernel principle component analyses (KPCA) are used in dimensionality reduction phase. These methods also make advantages for data projection on Eigen-space. Joint usage of both spectral and spatial information represents more convenient approach in classification. In this thesis, two different feature extraction methods proposed by using spectral-spatial information. The first one, local covariance based feature extraction, defines local covariance matrices for each pixel in the hyperspectral scene. The other one uses local covariance matrices incorporating the multi-resolution analysis (MRA) for feature extraction. After feature extraction phase, pixels in the scene can have more discriminative features. K-means (KM), fuzzy C-means (FCM), Gustafson-Kessel (GK) and expectation maximization (EM) clustering methods have been used for unlabeled images in unsupervised classification. Support Vector Machines (SVM) random forest (RF) classification methods have been used for labeled hyperspectral images. Obtained segmentation and classification maps have been evaluated by using objective and statistical criteria comparatively.
Benzer Tezler
- 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 eğiticisiz bölütlenmesi
Unsupervised segmentation of hyperspectral images
GÖKHAN BİLGİN
Doktora
Türkçe
2009
Bilim ve TeknolojiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SARP ERTÜRK
PROF. DR. TÜLAY YILDIRIM
- Hiperspektral görüntüler için uzamsal yaklaşımlar
Spatial approaches for hyperspectral images
ALP ERTÜRK
Doktora
Türkçe
2013
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KEMAL GÜLLÜ
- Hiperspektral görüntülerde LiDAR destekli spektral bölütleme
LiDAR aided spectral segmentation on hyperspectral images
ORHAN TORUN
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SENİHA ESEN YÜKSEL
- Hyperspectral imagery super-resolution
Hiperspektral görüntülerde süperçözünürlük
HASAN IRMAK
Doktora
İngilizce
2017
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE AKAR
YRD. DOÇ. DR. SENİHA ESEN YÜKSEL