Geri Dön

Development of machine learning algorithms for enhancement and classification of remotely sensed hyperspectral images

Uzaktan algılanan hiperspektral görüntülerin iyileştirilmesi ve sınıflandırılması için makine öğrenmesi algoritmalarının geliştirilmesi

  1. Tez No: 877249
  2. Yazar: TUĞCAN DÜNDAR
  3. Danışmanlar: DOÇ. DR. TANER İNCE
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Gaziantep Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 107

Özet

Hiperspektral görüntüleme, geniş bir aralıktaki birçok bitişik spektrum üzerinden bir bölgenin yansıyan parlaklığını ölçme işlemidir. Farklı arazi örtüsü malzemeleri, ışığı belirli bir dalga boyunda farklı şekilde emer ve yansıtırlar. Spektral bantların çokluğu ve nesnelerin farklı yansıma özellikleri nedeniyle her maddenin kendine ait bir spektral imzası vardır. Hiperspektral görüntü sınıflandırma, bu imzaları kullanarak nesneleri verimli yöntemlerle sınıflandırmaya çalışan bir araştırma alanıdır. Bu yöntemler, sadece spektral bilgiyi kullanan spektral yöntemler ve sınıflandırma sonuçlarını geliştirmek için hiperspektral görüntüdeki yerel bilgileri de kullanan uzamsal-spektral yöntemler olmak üzere iki kategoriye ayrılır. Bu tez kapsamında üç yeni uzamsal-spektral hiperspektral görüntü sınıflandırma yöntemi önerilmiştir. İlk yöntemde ağırlıklı ve etiket-tutarlı ortak-seyrek sınıflandırıcı önerilmiştir. İkinci çalışmada ise yerellik-kısıtlı ortak-seyrek ve ağırlıklı düşük-rank tabanlı yöntem önerilmiştir. Son yöntemde ise rastgele yamalar ağının kılavuzlu filtresi ve rahatlatılmış işbirlikçi temsil tabanlı yaklaşım önerilmiştir. Deneyler gerçek veri setleri üzerinde gerçekleştirilmiştir. Sonuçlar, önerilen yöntemlerin sınıflandırma doğruluğu ölçütleri açısından son yöntemlerden daha iyi performans gösterdiğini doğrulamıştır.

Özet (Çeviri)

Hyperspectral imaging is a process of measuring the reflected radiance of a region over a wide-range of many contiguous spectrum. The distinct land cover materials absorb and reflect the light differently at a certain wavelength. Due to the plenty of spectral bands and the different reflection characteristics of the objects, each substance has its own spectral signature. Hyperspectral image classification is a research field that attempts to classify the objects using these signatures by the efficient methods. These methods are divided into two categories that is the spectral methods which use only the spectral information and the spatial-spectral methods which also use the local information in the hyperspectral image to enhance the classification results. Within the scope of this thesis, three new spatial-spectral hyperspectral image classification methods have been proposed. In the first method, weighted and label-consistent joint-sparse classifier has been proposed. In the second study, locality-constraint joint-sparse and weighted low-rank based method has been suggested. As for the last method, guided filter of random patches network and relaxed collaborative representation based approach has been proposed. The experiments have been performed on the real datasets. The results have confirmed that the proposed methods outperform the recent methods in terms of classification accuracy metrics.

Benzer Tezler

  1. Train set complexity tunning for imbalance learning

    Dengesiz öğrenme için eğitim seti karmaşıklığının ayarlanması

    MEHMET ULAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. MEHMET ALİ ERGÜN

  2. Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  3. High-resolution soil salinity mapping using machine learning based regression and classification methods

    Makine öğrenimi tabanlı regresyon ve sınıflandırma yöntemlerini kullanarak yüksek çözünürlüklü toprak tuzluluğu haritalaması

    AYLİN YILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  4. Büyük boyutlu veriler için metasezgisel yöntemler ile öznitelik indirgemede yeni bir yaklaşım geliştirilmesi

    Developing a new approach to feature selection with metaheuristic methods for large scale data

    ESİN AYŞE ZAİMOĞLU

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NİLÜFER YURTAY

  5. Servikal vertebral ölçümler ve makine öğrenmesi algoritmaları ile elde edilen iskelet yaşının, el bilek radyografilerinden elde edilen iskelet yaşı ve maturasyon dönemi ile karşılaştırmalı olarak değerlendirilmesi

    Comparative evaluation of skeletal age obtained by cervical vertebral measurements and machine learning algorithms with skeletal age and maturation period obtained from hand wrist radiographs

    İREM KARAMEHMETOĞLU

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiRecep Tayyip Erdoğan Üniversitesi

    Ortodonti Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MERVE GONCA