Geri Dön

Hiperspektral görüntülerde boyut indirgeme

Dimension reduction in hyperspectral images

  1. Tez No: 414136
  2. Yazar: BURAK AKGÜL
  3. Danışmanlar: PROF. DR. ABDULLAH BAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Hiperspektral Görüntüler, Boyut İndirgeme, Band Seçme, Ayrık Temel Bileşen Analizi, Hyperspectral images, Dimension Reduction, Band Selection, Sparse PCA
  7. Yıl: 2015
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 75

Özet

Gelişen sayısal görüntüleme teknolojisi, günümüzde birçok alanda hayatı kolaylaştırmanın yanında bir ihtiyaç haline gelmiştir. Teknolojinin gelişmesi ile birlikte görüntüleme teknolojileri de ilerlemiş, hiperspektral görüntüleme gibi ileri seviyede görüntüleme imkânları oluşmuştur. Hiperspektral görüntülerin kullanılmasıyla birlikte spektral düzlemde dar band aralıklarına sahip çok büyük verilerle işlemler yapılmaya başlanmış, sınıflandırma başarımlarının yükselmesine karşılık yüksek hesaplama maliyetleri ortaya çıkmıştır. Bunun için de boyut indirgeme ihtiyacı doğmuştur. Bu çalışmada farklı boyut indirgeme yöntemleri hiperspektral veri setlerine uygulanmış ve farklı sınıflandırıcılar kullanılarak sınıflandırma başarımları analiz edilmiştir. Temel Bileşen Analizi ve Ayrık Temel Bileşen Analizi yöntemleri ile özellik çıkarımı ya da band seçimi yoluyla boyut indirgeme yapılmış ardından, indirgenmiş veriler çeşitli eğiticili ve eğiticisiz öğrenme yöntemleri ile eğitilerek sınıflandırılmışlardır. Öğrenme yöntemi olarak k En Yakın Komşuluk, Destek Vektör Makineleri, K-Ortalama ve Hiyerarşik Kümeleme yöntemleri seçilmiştir. Bu çalışmada Ayrık Temel Bileşen Analizi yönteminin sonucunu iyileştirme hedeflenmiş, buradan yola çıkılarak bandları gruplama yoluna gidilmiştir. Klasik yöntemden farklı olarak ayrıklık katsayılarının tepe yaptığı yerel maksimum noktalara bakılmış ve bu noktalar belli adım aralıkları ile gruplandırılarak band aralıkları içerisinden seçilmişlerdir. Band seçme işlemi 3, 5 ve 10 band seçimi için denenmiştir. Eğiticili sınıflandırıcı sonuçlarının başarıları karışıklık matrisi yardımıyla belirlenmiştir. Tüm sistem başarısı için doğruluk hesabı yapılmış, ayrıca kesinlik, geriçağırım değerlerinden F1_skor değeri hesaplanarak sınıf başarıları hesaplanmıştır. Kümeleme sonuçları için ise Ayarlanmış Rasgelelik Endeksi yöntemi ile performans ölçümü yapılmıştır. Tüm boyut indirgeme ve sınıflandırma işlemleri AVIRIS sensörü ile alınmış Indian Pines ve KSC görüntülerine uygulanmıştır. Ayrık Temel Bileşen Analizine yapılan farklı yaklaşımın sonuçlara olumlu etki ettiği her iki veri setinde de görülmüştür.

Özet (Çeviri)

Besides making life easier in many areas, developed digital imaging technology has become a necessity. By the development of technology, imaging technology has also forwarded and advanced imaging opportunities, like hyperspectral imaging, have occured. By the use of hyperspectral imaging, while large sized data with narrow spectral bands has been processed and the success of classification has increased, calculation costs has started to increase. The result was the need to dimension reduction. In this study, different dimensionality reduction methods have been applied to hyperspectral data sets and the classification performance on different classifiers is analyzed. Using PCA and Sparse PCA methods, feature extraction or band selection was applied to reduce dimension and then classified with different types of classifiers. K-nn, SVM, K-means and hierarchical clustering methods has been chosen as learning methods. In this study, the bands are grouped in order to rehabilitate of the results of the Sparse PCA. Unlike classical SPCA method, local maximum points where coefficient of dicsreteness peaked have been observed. Those points were chosen from band groups that were grouped specific range. Band selection process was applied for 3, 5 and 10 bands. Confusion matrix was used to measure the results of supervised classifiers. Accuracy calculation was implemented for the whole system. Also the success of each class was calculated by calculating F1_ scores. Adjusted Rand Index method was used for the performance of measurement of unsupervised classifiers. All dimension reduction and classification processes has been applied to AVIRIS Indian Pines and KSC data sets. It was seen that grouping approach to Sparse PCA has yield successful results.

Benzer Tezler

  1. Hiperspektral görüntülerde boyut indirgeme yöntemlerinin karşılaştırmalı analizi

    A comparative analysis of dimension reduction methods in hyperspectral imagery

    ÖZER AKYÜREK

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Jeodezi ve FotogrametriKocaeli Üniversitesi

    Jeodezi ve Jeoinformasyon Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. OZAN ARSLAN

  2. Hiperspektral görüntülerde boyut indirgeme ve hedef belirleme

    Target detection and dimension reduction on hyperspectral images

    CEMALETTİN KOÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2009

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Yüksek Teknoloji Enstitüsü

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ADBULLAH BAL

  3. Sezgisel yöntemlerle hiperspektral görüntülerde boyut indirgeme

    Dimension reduction with heuristic methods in hyperspectral images

    HÜSEYİN ÇUKUR

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULLAH BAL

  4. 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

    UĞUR ERGÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. GÖKHAN BİLGİN

  5. Hiperspektral görüntülerde derin öğrenme yaklaşımının sınıflandırma başarımı üzerine etkisi

    The effect of deep learning approach on classification performance in hyperspectral images

    GİZEM ORTAÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Uludağ Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. GIYASETTİN ÖZCAN