Hiperspektral görüntü ve LiDAR verisinin koşullu rastgele alanlar yöntemi ile birleştirilmesi ve sınıflandırılması
Fusion and classification of hyperspectral images using conditional random fields
- Tez No: 456912
- Danışmanlar: YRD. DOÇ. DR. SENİHA ESEN YÜKSEL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
Son yıllarda, yüzlerce farklı frekanstan görüntü algılanabilmesine olanak sağlayan algılayıcıların geliştirilmesi ile, hızlı işlemciler ve geniş hafıza alanlarının da yardımıyla, görüntü işleme teknolojilerindeki araştırmalar hız kazanmıştır. Yapılan araştırmaların bir kısmı, yüzlerce farklı frekanstan alınan görüntülerden oluşan hiperspektral görüntülerde (HSG) bulunan nesnelerin anlamsal bölütlemesi alanlarında yoğunlaşmaktadır. Yine farklı bir algılama teknolojisi olan Işık ile Algılama ve Mesafe Tayını (Light Detection and Ranging - LiDAR), uzaktaki nesnelerin mesafeleri ölçülebilmesine olanak sağlamaktadır. Bu sayede örneğin, yeryüzündeki şekillerin veya insan yapımı nesnelerin üç boyutlu görüntüsü çıkarılabilmektedir. Bu tez ile, HSG ve LiDAR ile elde edilen verilerin birleştirilmesi vasıtasıyla, bir anlamsal bölütleme işlemindeki genel başarım oranının arttırılması amaçlanmaktadır. Birleştirme işlemi, yine son yıllarda oldukça revaçta olan Markov Rastgele Alanları (MRA) ve Koşullu Rastgele Alanlar (KRA) konularında yıllardır yapılan bilimsel araştırmaların yardımı ile yapılmıştır. Bahsedilen iki konu başlığında önerilen enerji modellerinden yola çıkılarak, tekil ve çiftli enerji terimleri, görüntünün işlenmesi ile elde edilmiştir. Tekil enerji terimi, görüntünün spektral bilgisini tanımlamaktadır. Bu terimin elde edilmesinde iki farklı sınıflandırıcı (Olasılıksal Destek Vektör Makineleri ve Alt Uzay Çokterimli Lojistik Regresyonu) kullanılmış ve karşılaştırılmıştır. Çiftli terim ise görüntü piksellerinin birbiri ile olan uzaysal bağıntısını tanımlamaktadır. Yapılan çalışmada bu iki terim için de yeni birer enerji denklemi önerilmekte ve bu enerji denklemlerinin minimizasyonu için ise, Çizge-Kesit ve Ortalama Alan Kestirimi yöntemleri kullanılmıştır. Önerilen enerji denklemleri gerçek bir veri kümesi üzerinde test edilmiş ve elde edilen sonuçlar bu alanda daha önce yapılan çalışmalar ile karşılaştırılmıştır.
Özet (Çeviri)
With the advances in sensor technology and widespread usage of fast processors and large memories in computing in the recent years; research in computer image processing is in acceleration. Some of these researches are focused on semantic segmentation of hyperspectral images (HSI), which consist of images captured from hundreds of different frequencies. Thanks to another remote sensing technology called Light Detection and Ranging (LiDAR), the measurement of distances between objects can be remotely achieved. For example, producing three dimensional models of terrain or human-made objects on the surface of the earth is possible with the help of LiDAR. The goal of this thesis is, through the fusion of data acquired from HSI and LiDAR images, to improve the overall accuracy in a semantic segmentation task. Fusion process is done with the help of years of research that are done in the topics of Markov Random Fields (MRF) and Conditional Random Fields (CRF). Based on the energy models proposed by these two approaches, unary and pairwise energy terms are obtained by means of several image processing methods. The unary term defines the spectral properties of an image. This information is extracted with the use of two different classifiers which are named Probabilistic Support Vector Machines (pSVM) and Sub-Space Multinomial Logistic Regression (MLRSub). The pairwise term on the other hand defines the spatial properties of the image pixels in hand. Novel energy functions for unary and pairwise terms are proposed in this work. These energy functions are minimized via Graph-Cuts and Mean Field Approximation methods separately. The proposed energy terms are also tested on real world datasets and compared against well-known methods in this area of expertise.
Benzer Tezler
- Hiperspektral görüntü ve LiDAR verisinin derin öğrenme ile sınıflandırılması
Classification of hyperspectral and LIDAR data with deep learning
HÜSEYİN EMRE MUTLU
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SENİHA ESEN YÜKSEL
- Hiperspektral ve LİDAR verilerinin öznitelik ve karar seviyelerinde tümleştirilmesi ve derin evrişimli sinir ağlarıyla sınıflandırılması
Fusion of Hyperspectral and LIDAR datasets with feature and decision based methods and classification with deep convolutional neural networks
MESUT SALMAN
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. SENİHA ESEN YÜKSEL
- 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
- Hiperspektral görüntülerde eser miktarda kimyasal madde tespiti
Detection of trace amount chemical substances in hyperspectral images
ŞAFAK ÖZTÜRK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. SENİHA ESEN YÜKSEL ERDEM
- Hiperspektral görüntülerin ayrıştırma temelli analizi
Unmixing based analysis of hyperspectral images
BİLAL KOCAKUŞAKLAR
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. NİHAN KAHRAMAN