Hiperspektral görüntü sınıflandırma uygulamalarında makine ve derin öğrenme kullanımı
The use of machine and deep learning on hyperspectral image classification applications
- Tez No: 656127
- Danışmanlar: DOÇ. DR. MURAT UYSAL
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 154
Özet
Uzaktan algılama (UA) ile elde edilen görüntüler dünya yüzeyindeki nesneler hakkında detaylı bilgi toplanmasını mümkün kılmaktadır. Elde edilen görüntülerin sınıflandırılmasıyla oluşturulan arazi örtüsü haritaları kaynakların izlenmesi, çevresel değişimin tespiti ve planlama gibi birçok alanda geniş bir kullanım alanına sahiptir. Dolayısıyla harita kullanıcıları doğru ve güvenilir arazi örtüsü haritalarına ihtiyaç duymaktadır. Temel sınıflardan oluşan haritaların üretilmesi için multispektral sensörlerden elde edilmiş veriler yeterli olurken, özellikle tür içi farklılar içeren sınıflar da dahil olmak üzere detaylı sınıfların bulunması bu verilerin sınıflandırma için yeterli spektral bilgiyi sağlayamamasına yol açmaktadır. Bu durumda yüzlerce dar aralıkta banda sahip olan hiperspektral görüntülerin, nesneler hakkında daha detaylı spektral yansıtım bilgisini sunmaktadır. Hiperspektral görüntülerin geleneksel yöntemlerle sınıflandırılması hesaplama zorluğu sebebiyle yetersiz kalmaktadır. Bu durumda Makine Öğrenme (MÖ) ve Derin Öğrenme (DÖ) gibi yöntemler kullanıcılara bu tarz verilerde birçok avantaj sunmaktadır. Bu tez kapsamında MÖ yöntemlerinden Destek Vektör Makineleri, Rastgele Orman, DÖ'de özellikle görüntü sınıflandırma alanında yaygın olarak kullanılan Evrişimli Sinir Ağı (ESA) kullanılmıştır. Çalışmada kullanılan ESA mimarileri yapısal özelliklerine göre 2B ESA ve 3B+2B ESA olarak isimlendirilmiştir. Yöntemlerin karşılaştırılması 176 bant spektral ve 30 metre konumsal çözünürlüklü HyRANK, 144 bant ve 2,5 metre konumsal çözünürlüklü DFC13 ile 202 bant ve 3,7 metre konumsal çözünürlüklü Salinas Scene veri setleri ile gerçekleştirilmiştir. Modellerde eğitim veri setinin etkisini araştırmak amacıyla her veri seti için 30%, 50% ve 70% eğitim veri kümesi oranları test edilmiştir. Çalışma sonucunda ESA modellerinin hiperspektral görüntülerin sınıflandırılmasında kullanımının yüksek doğruluk sağladıkları görülmüştür. Eğitim veri kümesi boyutunun araştırılması aşamasında ise beklendiği üzere 70% eğitim verisi kullanımının en yüksek doğruluğu sağladığı, bunun yanında 30% veri seti kullanımının da tatmin edici bir sınıflandırma doğruluğu sağladığı söylenebilir.
Özet (Çeviri)
Remotely sensed images enable to collect detailed information about objects on the earth's surface. Land cover maps created by classifying the remotely sensed images have a wide range of uses in many areas such as monitoring resources, detecting environmental change and planning. Therefore, map users need accurate and reliable land cover maps. Images which obtained from multispectral sensors is sufficient to produce maps consisting of basic classes. However, the existence of detailed classes that including classes with intra-species differences causes these data to not provide sufficient spectral information for classification. In this case, hyperspectral images with hundreds of narrow bands offer more detailed spectral reflection information about objects. Classification of hyperspectral images by traditional methods is insufficient due to calculation difficulties. In this case, methods such as Machine Learning and Deep Learning offer many advantages to users in such data. In this thesis, Support Vector Machines, Random Forest, and Convolutional Neural Network (CNN), which are widely used in the field of image classification in Deep Learning were used for classifying hyperspectral images. The CNN architectures used in the study are named as 2D CNN and 3D + 2D CNN according to their structural features. Comparison of the methods was performed with HyRANK (176 band spectral and 30 meter spatial resolution), DFC13 (144 band and 2,5 meter spatial resolution), Salinas Scene (202 band and 3,7 meter spatial resolution) data sets. In order to investigate the effect of training data set on models, 30%, 50% and 70% training data set ratios were tested for each data set. As a result of the study, it was seen that the use of CNN models for classification of hyperspectral images provided high accuracy. When investigating the size of the training dataset, it can be said that the use of 70% training data provides the highest accuracy as expected, while the use of 30% data set provides a satisfactory classification accuracy.
Benzer Tezler
- Analysis of hyperspectral images with deep learning methods
Derin öğrenme yöntemleriyle hiperspektral görüntülerin analizi
EKREM TARIK KARAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Hiperspektral uydu görüntülerinin ileri tekniklerle sınıflandırılması
Classification of hyperpectral satellite images with advanced techniques
MERT YİĞİT
Yüksek Lisans
Türkçe
2021
Jeodezi ve FotogrametriErciyes ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÜMİT HALUK ATASEVER
- Sparse coding via high dimensional model representation for hyperspectral images
Hiperspektral görüntüler için yüksek boyutlu model gösterilim aracılığıyla seyrek kodlama
KAMILA MUMINOVA
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA
- Ortofoto haritalardan ağaç türlerinin otomatik olarak bölütlenmesi
Tree species classification from high resolution digital orthophoto maps
AKHTAR JAMIL
Doktora
Türkçe
2018
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Trakya bölgesi bağ alanlarının uzaktan algılama ve coğrafi bilgi sistemleri teknikleri ile incelenmesi
Investigation of the Trakya (Thrace) region vineyard areas by using remote sensing and geographic information systems
EMRE ÖZELKAN
Doktora
Türkçe
2014
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. CANKUT ÖRMECİ
DOÇ. DR. ELİF SERTEL