Arazi örtüsü ve kullanımı için SAR görüntülerinin sınıflandırılmasında topluluk öğrenme tabanlı yaklaşım
Ensemble learning-based approach to classification of SAR images for land cover and use
- Tez No: 824715
- Danışmanlar: DOÇ. DR. CANER ÖZCAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 58
Özet
Sentetik açıklıklı radar (SAR), yüksek çözünürlüklü görüntü elde etmek için büyük anten yerine anten dizisi kullanma fikrine dayanan uzaktan algılama sistemidir. Yeryüzünün coğrafi, biyolojik ve fiziksel incelemeleri için su kaynaklarının, yeşillik alanların gelişimlerinin izlenmesi, yeryüzü şekillerindeki değişimlerin takibi gibi uygulamalarda SAR görüntülerinden yararlanılmaktadır. Gelişen teknoloji, birçok yüksek boyutlu SAR görüntüsünün kaydedilmesine ve yorumlanmasına olanak sağlamaktadır. Ancak veri boyutlarının büyümesi nedeniyle öznitelikler artmakta ve analiz zorlaşmaktadır. Bu nedenle, otomatik özellik çıkarımı yapabilen derin öğrenme algoritmalarına ihtiyaç duyulmaktadır. Önerilen bu çalışmada, SAR görüntülerinin derin öğrenme modelleri kullanılarak beş sınıfa ait farklı arazi örtüsü ve kullanımının topluluk öğrenme tabanlı bir yaklaşım ile sınıflandırılması sağlanmıştır. Algoritma çalışma süresi minimum seviyede tutularak sınıflandırma performansının artırılması için yoğun bağlantıların ve transfer öğrenme yöntemlerinin avantajları bir araya getirilerek yeni bir yöntem geliştirilmiştir. Geliştirilen yöntem hızlı ve yüksek doğrulukta görüntülerin sınıflandırılmasını sağlamaktadır. Bu yöntem, yüksek performans sergileyen derin öğrenme modelleri ve ilave katmanların bir araya geldiği bir yapıya sahiptir. Bu yapı, topluluk öğrenme yaklaşımını benimseyerek, hem doğruluk hem de performans açısından artış sağlamaktadır. Ayrıca oluşturulan modelde güncellenen parametre sayısı azaltılarak modelin gereksiz özellikleri öğrenmesinden kaçınılmış ve bu sayede yüksek performans sağlanmıştır. Deneysel çalışmalar kapsamında SAR görüntülerinde çevresel faktörlerden kaynaklı olarak var olan benek gürültüsünün de ele alındığı analizler gerçekleştirilmiştir. Görüntülerdeki kenar ve noktasal saçıcıların bozulmasını önleyerek homojen bölgelerin yumuşatılmasını sağlayan seyreklik güdümlü benek azaltma (SDD) filtresi kullanılarak gürültü probleminin önüne geçilmiş ve arazi örtüsü ve kullanımının sınıflandırılması yüksek başarımla gerçekleştirilmiştir. Çalışmada, SAR görüntülerinde arazi örtüsü ve kullanımı farklı derin öğrenme yöntemleri ile sınıflandırılarak ele alınmıştır ve kapsamlı olarak incelenmiştir. Önerilen SAR DenseNet-tabanlı Topluluk Öğrenme Ağı (SARDE-Net), yakın tarihli literatürdeki diğer derin öğrenme sınıflandırıcıları ile karşılaştırılmış ve %98,77 doğruluk, %98,81 kesinlik, %98,64 duyarlılık ve %98,72 f1-skoru metrikleri ile en yüksek sonuçları elde etmiştir. Önerilen modelin karmaşık görüntüler içeren büyük veri kümelerine de uygulanabileceği doğrulanmıştır.
Özet (Çeviri)
Synthetic Aperture Radar (SAR) is a remote sensing system based on the idea of using an antenna array instead of a large antenna to obtain high resolution images. SAR images are used for geographical, biological and physical investigations of the earth in applications such as monitoring the development of water sources, vegetation areas and tracking changes in landforms. Developing technology enables the recording and interpretation of many high-dimensional SAR images. However, as the data size grows, the number of features increases and analysis becomes difficult. Therefore, there is a need for deep learning algorithms that can perform automatic feature extraction. In this proposed study, an ensemble learning based approach is used to classify five classes of different land cover and land use using deep learning models of SAR images. A new method is developed by combining the advantages of dense connections and transfer learning methods to improve classification performance while minimizing algorithm runtime. The proposed method provides fast and highly accurate image classification. This method has a structure that combines high-performing deep learning models and additional layers. By adopting an ensemble learning approach, this structure increases both accuracy and performance. In addition, by reducing the number of parameters updated in the model, the model avoids learning unnecessary features and thus achieves high performance. Within the scope of the experimental studies, the speckle noise in SAR images due to environmental factors was also analyzed. By using a sparsity-driven despeckling (SDD) filter, which smoothes homogeneous regions by preventing the distortion of edge and point scatterers in the images, the noise problem is avoided and the classification of land cover and use is performed with high success. In this study, land cover and use in SAR images are analyzed in detail by using different deep learning methods. The proposed SAR DenseNet-based Ensemble Learning Network (SARDE-Net) was compared with other deep learning classifiers in recent literature and achieved the highest results with 98.77% accuracy, 98.81% precision, 98.64% recall and 98.72% f1-score metrics. It is verified that the proposed model can be applied to large datasets containing complex images.
Benzer Tezler
- Elektro-optik ve SAR uydu görüntüleri ile arazi bitki örtüsünün belirlenmesi
Defining land vegetation type using electro-optic and SAR satellite images
FÜSUN BALIK
Doktora
Türkçe
2004
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiJeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı
PROF.DR. AYHAN ALKIŞ
- Land cover and land use classification of multi-modal high-resolution satellite images using multi-task deep learning approach
Çok görevli derin öğrenme tekniği ile çok kipli yüksek çözünürlüklü uydu görüntülerinin arazi örtüsü ve arazi kullanımı sınıflandırılması
BURAK EKİM
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Antalya ili Aksu ilçesi sınırları içerisinde arazi kullanımı/arazi örtüsünün belirlenmesi ve ürün deseninde yer alan çok yıllık meyve ağaçlarının SAR (Yapay Açıklıklı Radar) verileri ile izlenmesi
Land use/land cover change detection and crop monitoringof citrus orchards with SAR images in Antalya-Aksu
IŞIN ONUR
Doktora
Türkçe
2021
Astronomi ve Uzay BilimleriAkdeniz ÜniversitesiUzay Bilimleri ve Teknolojisi Ana Bilim Dalı
PROF. DR. NAMIK KEMAL SÖNMEZ
- Integration of optical and synthetic aperture radar imagery for improving crop mapping
Ürün deseni haritası üretimini iyileştirmek üzere optik ve sentetik açıklıklı radar görüntülerinin entegrasyonu
ROUHOLLAH NASIRZADEHDIZAJI
Doktora
İngilizce
2020
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FÜSUN BALIK ŞANLI
PROF. DR. ZİYADİN ÇAKIR
- Deprem sonrasında uydu verileri ve yersel veri entegrasyonu ile arazi örtüsü/arazi kullanımı analizi
Land cover/land use analysis after an earthquake through integration of satellite and ground data
CİHANGİR AYDÖNER
Doktora
Türkçe
2005
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiJeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı
PROF.DR. DERYA MAKTAV