Hyperspectral image classification using an active deep learning framework including edge preserving filters
Hiperspektral görüntülerin kenar koruyucu filtreler içeren bir aktif derin öğrenme çerçevesiyle sınıflandırılması
- Tez No: 855007
- Danışmanlar: DOÇ. DR. ALİ CAN KARACA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 94
Özet
Yüksek spektral çözünürlüğe sahip hiperspektral görüntüler, arazi örtüsü malzemelerinin tanımlanmasına ve ayırt edilmesine olanak sağlar. Hiperspektral görüntü sınıflandırmanın askeri operasyonlar, çevresel izleme, jeolojik araştırmalar ve tarım gibi uygulamalar için kritik olduğu inkar edilemez. Ancak piksel etiketleme sıkıcı ve kaynak yoğun bir prosedürdür ve bu nedenle küçük bir örnek boyutuyla bile iyi sonuçlar elde eden gelişmiş bir yaklaşım gerektirir. Hiperspektral görüntüler yüksek boyutlu olduğundan, geleneksel algoritmalar, hesaplama karmaşıklıkları nedeniyle bunları verimli bir şekilde tanımakta zorluk çeker. Buna karşılık, derin öğrenme, aktif öğrenme ve makine öğrenimi gibi en son teknolojiler, hiperspektral verilerden eyleme geçirilebilir içgörüleri yönetme ve çıkarma konusunda büyük bir potansiyele sahiptir. Aktif öğrenmeye (AL) dayalı sınıflandırıcılar, özellikle çok küçük bir eğitim örnekleri kümesinde hiperspektral görüntüler için özellikle etkili bir strateji haline gelmiştir. Yinelemeli örnekleme teknikleri, sınıflandırıcı modelinin, rastgele örneklemeyle karşılaştırıldığında modelin performansını artıracak olanlara karşılık gelen yeni etiketli piksellerle düzenli olarak beslenmesini gerektirir. Böylece aktif öğrenme algoritmaları birçok uzaktan algılama uygulamasında daha popüler hale gelmiştir. Aktif öğrenme, bir dizi etiketlenmemiş örnek kullanarak yinelemeli olarak en bilgilendirici örnekleri seçer. Aktif öğrenmede sınıflandırıcının seçimi de önemlidir. Örnek sayısı azaldıkça doğruluğu artırmak için CNN tabanlı sınıflandırma teknikleri, en ilgili veriler üzerinde seçici olarak eğitim vererek bu metodolojiyi kullanır. Bu tezin amacı, stratejik olarak uygulanan aktif öğrenme yinelemeleriyle birlikte, boyut azaltma yöntemlerini kenar koruyucu filtrelerle entegre ederek literatürdeki mevcut CNN-AL-MRF çerçevesini geliştirmektir. Kapsamlı analiz beş farklı kenar koruyucu filtre içerir: Ağırlıklı En Küçük Kareler (WLS), Ortak Histogram Ağırlıklı Ortanca Filtre (Joint WMF), Hızlı Global Görüntü Yumuşatma (FGS), Bilateral Filtre (BF), and Static/dynamic (SD) ortalama (AVG) ve temel bileşen analizi (PCA) teknikleri ile. Kenar koruyucu yumuşatma filtreleri ile boyutsallık azaltma yöntemlerinin sinerjisi, hiperspektral görüntülerin analizini geliştirir. Bu iyileştirme, gürültüyü ve gereksiz ayrıntıları azaltırken önemli kenarları koruyarak özelliklerin doğru şekilde çıkarılmasına ve sınıflandırılmasına olanak tanır. Bu yöntem sınıflandırma performansını artırmanın yanı sıra görüntü kalitesini de korur. Bağlamsal bilgilerin Markov rastgele alanları ile ve Markov olmadan incelenmesi bu projenin önemli bir unsurudur. Önerilen çerçeveyi, kaynak kullanımını ne kadar iyi dengelediğini ve HSI'yi uygun şekilde sınıflandırmak için uygun maliyetli bir yol sağladığını görmek için iyi bilinen üç veri kümesi üzerinde test ettik. Sonuç olarak tezimiz, boyut azaltma teknikleri ve kenar koruyucu filtreler uygulayarak sınırlı sayıda örnek için güçlü bir hiperspektral sınıflandırma çerçevesi sunmaktadır.
Özet (Çeviri)
Hyperspectral images with high spectral resolution allow the identification and differentiation of land cover materials. It is undeniable that hyperspectral image classification is critical for applications including military operations, environmental monitoring, geological research, and agriculture. However, pixel labeling is a tedious and resource-intensive procedure and thus calls for an enhanced approach that achieves good results even with a small sample size. Since hyperspectral images are high-dimensional, traditional algorithms have difficulty recognizing them efficiently, due to their computational complexity. In response, cutting-edge technologies such as DL, AL, and ML have great potential to manage and extract actionable insights from hyperspectral data. Classifiers based on AL have become a particularly effective strategy for hyperspectral images, especially in a very small set of training samples. Iterative sampling techniques entail regularly feeding the classifier model with new labeled pixels corresponding to those that will increase the model's performance compared to random sampling. Thus, active learning algorithms have become more popular in many remote sensing applications. Using a set of unlabeled samples, AL iteratively selects the most informative samples. It is also important to select the classifier in AL. To increase accuracy as the number of samples decreases, CNNbased classification techniques use this methodology by selectively training on the most relevant data. The objective of this thesis is to enhance the existing CNN-AL-MRF framework in the literature by integrating dimensionality reduction methods with edge-preserving filters, coupled with strategically implemented AL iterations. The comprehensive analysis incorporates five different edge-preserving filters: weighted least squares (WLS), joint histogram weighted mean filter (joint WMF), fast global smoothing filter (FGS), binary filter (BF), and static/dynamic (S/D) with techniques averaging (AVG) and principal component analysis (PCA). The synergy of dimensionality reduction methods with edge-preserving smoothing filters enhances the analysis of hyperspectral images. This improvement allows for the accurate extraction and classification of features by preserving crucial edges while mitigating noise and unnecessary details. This method not only improves the classification performance but also maintains the image quality. Examining contextual information with and without Markov random fields is a key element of this project. We tested the proposed framework on three well-known datasets to see how well it balances resource usage and provides a cost-effective way to properly classify HSI. In conclusion, our thesis provides a powerful hyperspectral classification framework for limited sample numbers by applying dimensionality reduction techniques and edge preserving filters.
Benzer Tezler
- Hyperspectral image classification with active learning and Bayesian convolutional neural networks
Aktif öğrenme ve Bayes evrişimsel sinir ağları ile hiperspektral görüntü sınıflandırma
MAHMOOD SIDDEEQ QADIR QADIR
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN BİLGİN
- Hiperspektral görüntülerde yarı güdümlü öğrenme teknikleri
Semi supervised learning techniques on hyperspectral images
MUHAMMET SAİD AYDEMİR
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- Uzaktan algılama teknolojileri kullanılarak denizlerde kirliliğin izlenmesi: Marmara Denizi örneği
Monitoring of pollution in the sea using remote sensing technologies: The case of the Sea of Marmara
BUSE TIRMANOĞLU
Yüksek Lisans
Türkçe
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
- Offshore oil slick detection with remote sensing techniques
Uzaktan algılama teknikleri ile denizel petrol sızıntılarının tespiti
SERTAÇ AKAR
Yüksek Lisans
İngilizce
2007
Jeodezi ve FotogrametriOrta Doğu Teknik ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. M. LÜTFİ SÜZEN
DOÇ. DR. NURETDİN KAYMAKÇI
- Hiperspektral görüntülerin yüksek doğruluklu sınıflandırılması
Hyperspectral image classification with high accuracy
BEGÜM DEMİR
Doktora
Türkçe
2010
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. SARP ERTÜRK