Geri Dön

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

PDF İndir

  1. Tez No: 518804
  2. Yazar: MESUT SALMAN
  3. Danışmanlar: YRD. DOÇ. SENİHA ESEN YÜKSEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 106

Özet

Gelişen yeni nesil uzaktan algılama teknolojisi ile birlikte, elektromanyetik spektrumda yüzlerce farklı dalga boyunda görüntü alınabilmektedir. Bu verilere ek olarak ışık ile algılama teknolojisi ile uzaktaki nesneler ile algılayıcı arası mesafe tayin edilebilmektedir. İki farklı kaynaktan elde edilen bu bilgiler bir bölgeye ait anlamsal bölütleme çözümlemesine girdi oluşturmaktadır. Bu tez çalışması ile HSG (Hiperspektral Görüntü) ve LiDAR (Light Detection and Ranging – Işık ile Algılama ve Menzil Tayini) verisi bulunan bölgelere ait iki farklı veri kümesinin anlamsal bölütlemesinin yüksek başarımla gerçekleştirilmesi amaçlanmıştır. Özellikle Hiperspektral veri kümesinin sınıflandırılmasında kullanılan klasik yöntemlerin dışında olan ve son yıllarda görüntülerin anlamsal bölütlenmesinde etkileyici sonuçlar veren derin evrişimli sinir ağları (DESA) ile sınıflandırma işlemi gerçekleştirilmiştir. Tez kapsamında gerçekleştirilen çalışmada problem iki basamakta ele alınmıştır. Öncelikle Hiperspektral ve LiDAR bilgilerinin tümleştirilmesi ardından sınıflandırmanın sonuçlandırılması gerçekleştirilmiştir. Spektral ve yükseklik bilgilerine ek bilgi sağlaması amacıyla farklı yapısal elemanlar ile morfolojik profil haritaları (EMAP – Extended Morphological Attribute Profiles), HSG ve LiDAR verilerine özel olarak oluşturulmuştur. İlk tümleştirme yöntemi olarak önerilen sınıflandırıcı kararlarının tümleştirilmesi kapsamında, spektral ve morfolojik profil haritalarına özel olarak DESA kurulumları gerçekleştirilmiş ve sınıflandırıcı sonuçları oluşturulmuştur. Sınıflandırıcı sonuçları ile sağlanan test verisinin hangi olasılıkla hangi sınıfta yer alabileceği bilgisi kullanılarak eş ağırlık katsayısı ile sınıflandırıcı sonuçları tümleştirilmiş ve genel bir sınıflandırıcı oluşturulmuştur. Bu yöntem ile Muufl veri kümesinin sınıflandırılmasında en iyi sonuçlar elde edilmiştir. İkinci yöntem olan ve özellikle yarışma verisi olan Houston veri kümesinde etkileyici sonuçlar elde edilmesini sağlayan boyutsal tümleştirmede ise, öncelikle farklı yükseklik, morfolojik ve spektral bilgilerin boyutsal olarak tümleştirilmesi sağlanmıştır. Sonrasında iyileştirilmiş AlexNet'in ilk evrişim katmanında yer alan filtreler ile bu tümleştirilmiş verinin öznitelikleri çıkarılmıştır. Öznitelikleri çıkarılmış bu veri kümesine özel DESA kurulumu gerçekleştirilmiş ve sınıflandırma sonuçlarının diğer çalışmalar ile karşılaştırılması gerçekleştirilmiştir. Houston veri kümesinde bulut kaynaklı gölgelemeye yönelik herhangi bir düzeltmenin yapılmadığı çalışmalar arasında en yüksek başarım değeri %93.97 bu yöntem ile elde edilmiştir. Derin evrişimsel sinir ağlarının son yıllarda oldukça popüler olması sonucunda, bu ağların birçok yeni alanda uygulanabilirliği sorgulanmaktadır. Hiperspektral veri kümelerinin sınıflandırılmasında da oldukça etkili sonuçlar verebildiği bu tez kapsamında çıkarılan önemli sonuçlardan bir tanesidir. Ancak spektral bilgileri destekleyecek biçimsel ve uzamsal bilgilerin DESA'ya girdi olarak verilmesini sağlamak gerekliliği çalışmadan çıkarılan en önemli sonuçlardan bir tanesidir. Buna ek olarak DESA ile sınıflandırma AlexNet modelinin ilk evrişim katmanında yer alan filtrelerin HSG'lerde kullanılabilirliği gösterilmiştir.

Özet (Çeviri)

With the evolving next generation remote sensing technology, hundreds of different wavelength images can be captured in the electromagnetic spectrum. In addition to this, light sensing technology can be used to determine distances between objects and distant objects. This information obtained from two different sources constitutes an input to the analysis of the semantic segmentation of a region. In this thesis study, it is aimed to realize the semantic segmentation of two different data sets belonging to the region with HSI (Hyperspectral Image) and LiDAR (Light Detection and Ranging) data with high performance. In particular, classification with deep convolutional neural networks (CNN) has been performed in recent years, except for the classical methods used for classifying hyperspectral datasets, which have had impressive results in the semantic segmentation of images. In the study carried out within the scope of the thesis, the problem is addressed in two steps. First, integration of the hyperspectral and LiDAR information was followed by finalization of the classification. In order to provide additional information on spectral and height information, different structural elements and extended morphological attribute profiles (EMAP) have been specially created for HSI and LiDAR data. Within the scope of integrating the classifier decisions recommended as the first integration method, CNN installations were made specifically for the spectral and morphological profile maps and the results of the classifiers were established. Using the knowledge that the test data provided by the classifier results could be included possibility result in which class, the classifier results were integrated and a general classifier was created. With this method, the best results were obtained in classifying the Muufl dataset. In the dimensional integration, which provides impressive results in the Houston dataset, which is the second method, and in particular the competition dataset, the dimensional integration of different height, morphological and spectral information is provided first. Subsequently, attributes of this integrated data were extracted with filters in AlexNet's first convolution layer. A special CNN setup was performed on this dataset, from which the features were extracted, and the results of the classification were compared with other studies. In the Houston dataset, the highest performance was 93.97% for the cloud-based shadows. Among the studies that did not make any correction to the cloud-based shadowing in the Houston dataset, the highest achievement value of 93.97% was obtained with this method. As deep convolutional neural networks have become very popular in recent years, the feasibility of these networks in many new areas is being questioned. It is one of the important results of this thesis that it can give very effective results in the classification of hyperspectral datasets. However, the need to ensure that formal and spatial information to support spectral information is given as input to CNN is one of the most important results that have been drawn from the study. In addition, the use of filters in the first convolution layer of the AlexNet model classification with CNN has been demonstrated in HSI's.

Benzer Tezler

  1. Tez No

    807122

    Terrain classification by using hyperspectral and LiDAR data

    Hiperspektral ve LiDAR verisi ile arazi sınıflandırması

    ALİ GÖKALP PEKER

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    PROF. DR. YASEMİN YARDIMCI ÇETİN

    DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ

  2. Tez No

    493902

    Hiperspektral ve LIDAR verilerde fiziksel model gözetilerek hedef tespiti

    Target detection by physical model observations in hyperspectral and LIDAR dataset

    EMRAH ODUNCU

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SENİHA ESEN YÜKSEL

  3. Tez No

    810579

    İnsansız hava aracı ve yersel hiperspektral veriler ile narenciye ağaçlarında verim tahmini

    Yield estimation of citrus trees with unmanned aerial vehicle and terrestrial hyperspectral data

    MESUT ÇOŞLU

    Doktora

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriAkdeniz Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    PROF. DR. NAMIK KEMAL SÖNMEZ

  4. Tez No

    413555

    Lidar ve hiperspektral verilerde gölgelik alanların incelenmesi

    Analysis of shadow regions in lidar and hyperspectral datasets

    MUSTAFA BOYACI

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SENİHA ESEN YÜKSEL

  5. Tez No

    478459

    Hiperspektral görüntülerde LiDAR destekli spektral bölütleme

    LiDAR aided spectral segmentation on hyperspectral images

    ORHAN TORUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SENİHA ESEN YÜKSEL

Geri Dön