Hiperspektral görüntülerde boyut indirgeme
Dimension reduction in hyperspectral images
- Tez No: 414136
- Danışmanlar: PROF. DR. ABDULLAH BAL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Hiperspektral Görüntüler, Boyut İndirgeme, Band Seçme, Ayrık Temel Bileşen Analizi, Hyperspectral images, Dimension Reduction, Band Selection, Sparse PCA
- Yıl: 2015
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Hiperspektral görüntülerde boyut indirgeme yöntemlerinin karşılaştırmalı analizi
A comparative analysis of dimension reduction methods in hyperspectral imagery
ÖZER AKYÜREK
Yüksek Lisans
Türkçe
2012
Jeodezi ve FotogrametriKocaeli ÜniversitesiJeodezi ve Jeoinformasyon Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. OZAN ARSLAN
- Hiperspektral görüntülerde boyut indirgeme ve hedef belirleme
Target detection and dimension reduction on hyperspectral images
CEMALETTİN KOÇ
Yüksek Lisans
Türkçe
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ADBULLAH BAL
- Sezgisel yöntemlerle hiperspektral görüntülerde boyut indirgeme
Dimension reduction with heuristic methods in hyperspectral images
HÜSEYİN ÇUKUR
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH BAL
- 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
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN BİLGİN
- 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
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Uludağ ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GIYASETTİN ÖZCAN