Geri Dön

Kenar koruyucu filtreler kullanarak SAR görüntülerinin sınıflandırılması

Classification of SAR images using edge preserving filters

PDF İndir

  1. Tez No: 989342
  2. Yazar: BARIŞ AKKUŞ
  3. Danışmanlar: DOÇ. DR. ALİ CAN KARACA, DR. AHMET ELBİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Sentetik Açıklıklı Radar (SAR) sistemleri, her türlü hava koşulunda veri sağlayabilmeleri ve yüzeylerin yapısal ayrıntılarını ortaya çıkarabilmeleri nedeniyle uzaktan algılamada önemli bir yere sahiptir. Ancak SAR, eşfazlı (koherent) görüntüleme yapısına sahiptir ve aynı çözünürlük hücresindeki çoklu yansımaların girişimi benek (speckle) gürültüsüne neden olur. Bu gürültü sınıf sınırlarını bulanıklaştırarak doğruluğu düşürür ve özellikle kentsel–tarımsal ayrımı zorlaştırır. Ayrıca geri saçılım; dalga boyu, polarizasyon ve hedef geometrisine bağlı olarak değiştiği için aynı sınıf içinde ölçümler belirgin biçimde farklılaşabilir. Bu nedenle, gürültüyü bastırırken kenar bütünlüğünü koruyan kenar koruyucu filtrelerin sınıflandırma öncesinde kullanımı kritiktir. Kenar koruyucu filtreler (EPF), komşu pikselleri kontrollü biçimde homojenleştirerek sınıf içi varyansı azaltır ve arazi örtülerinin daha yüksek doğrulukla ayrılmasını destekler. Bu tezde, benek gürültüsünü bastırma ve sınıf sınırlarını koruma amacıyla EPF'lerin SAR sınıflandırmasına etkileri incelenmektedir. Bu kapsamda, kenar koruyucu filtreleme yaklaşımları dört karşılaştırmalı veri kümesi (SFBay_C, SFBay_L, Flevo_C, Flevo_L) üzerinde sistematik olarak analiz edilmiştir. SVM, Random Forest ve KNN tabanlı sınıflandırıcılarda filtreleme öncesi ve sonrası performanslar kapsamlı biçimde karşılaştırılmış; EPF kullanımının özellikle SVM tabanlı sınıflandırmalarda genel doğrulukta (OA) belirgin artışlar sağladığı görülmüştür. Ayrıca yöntemlerin, yer gerçeğine (GT) daha yakın ve daha düzgün sınıflandırma haritaları ürettiği gözlemlenmiştir. Bu bulgular üzerine inşa edilen ikinci aşamada, EPF ile işlenmiş SAR verisi PCA ile daha kompakt bir özellik uzayına indirgenmiş ve yama tabanlı temsil kullanılarak SVM ile sınıflandırılmıştır. Önerilen PCA+EPF+SVM yaklaşımı, dört veri kümesinde yaklaşık %97–%99 genel doğruluk aralığına ulaşmıştır. Ayrıca sınıflandırma için çok az örnek seçildiğinde, eğitim kümesinin aynı sınıfı yeterince temsil edememesi nedeniyle performansın düşmesi beklenen bir durumdur. Bu tezde kullanılan EPF ve PCA adımları, sınırlı örnekle öğrenilen karar sınırlarını daha kararlı hale getirerek az etiketli senaryolarda dahi yüksek doğruluk ve hesaplama açısından yönetilebilir bir çerçevenin mümkün olduğunu göstermektedir. Sonuç olarak bu tez, EPF tabanlı ön işleme adımını boyut azaltma ve geleneksel makine öğrenmesi yöntemleriyle bütünleştirerek; benek gürültüsünü bastırma ve sınıf ayrışmasını eş zamanlı iyileştiren, güçlü ve uygulanabilir bir SAR görüntü sınıflandırma yaklaşımı sunmaktadır.

Özet (Çeviri)

Synthetic Aperture Radar (SAR) systems play a crucial role in remote sensing because they can acquire data under all weather conditions and reveal structural details of the Earth's surface. However, SAR relies on coherent imaging, where the interference of multiple scatterers within the same resolution cell produces speckle noise. This noise blurs class boundaries, reduces classification accuracy, and especially complicates the discrimination between urban and agricultural areas. In addition, backscattering depends on wavelength, polarization, and target geometry, which can cause significant measurement variability even within the same class. For these reasons, applying edge-preserving filters (EPFs) before classification is critical, since they suppress noise while maintaining edge integrity. By homogenizing neighboring pixels in a controlled manner, EPFs reduce intra-class variance and support more accurate land-cover discrimination. In this thesis, the impact of EPFs on SAR image classification is systematically investigated with the goal of suppressing speckle noise while preserving class boundaries. Edge-preserving filtering approaches are evaluated on four comparative datasets: SFBay_C, SFBay_L, Flevo_C, and Flevo_L. Classification performance before and after filtering is comprehensively compared using SVM, Random Forest, and KNN classifiers. The results show that EPFs yield notable improvements in overall accuracy, particularly for SVM-based classifications. They also produce smoother classification maps that are closer to the ground truth. Building on these findings, a second stage is developed in which EPF-processed SAR data are projected into a more compact feature space using PCA and then classified with SVM using a patch-based representation. The proposed PCA+EPF+SVM method achieves approximately 97% to 99% overall accuracy across the four datasets. When very few training samples are used, a performance drop is expected because the training set may not sufficiently represent each class. The EPF and PCA steps employed in this thesis demonstrate that even in low-label scenarios, high accuracy and a computationally manageable framework are achievable by stabilizing decision boundaries learned from limited samples. Overall, the thesis presents a practical and effective SAR image classification approach that simultaneously improves speckle suppression and class separability by integrating EPF-based preprocessing with dimensionality reduction and traditional machine learning methods.

Benzer Tezler

  1. Tez No

    855007

    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

    ZAINAB DHEYAA MOHAMMED AL-SAMMARRAIE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ CAN KARACA

  2. Tez No

    739678

    Görüntü işlemede finsler geometrisi yaklaşımları

    Finsler geometry approaches in image processing

    HAYDAR KILIÇ

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SALİM CEYHAN

  3. Tez No

    839554

    Kentsel alanlarda askeri harekât ve operasyonlar: Grozni (I-II), dökme kurşun, koruyucu kenar, II. Felluce ve Musul

    Military operations in urban areas: Grozny (I-II), cast lead, protective edge, II. Fallujah, Mosul

    FATİH TÜMLÜ

    Doktora

    Türkçe

    Türkçe

    2022

    Savunma ve Savunma TeknolojileriMilli Savunma Üniversitesi

    Güvenlik Araştırmaları Ana Bilim Dalı

    DOÇ. DR. CENKER KORHAN DEMİR

  4. Tez No

    318925

    Local scour characteristics around semi-circular end bridge abutments with and without collars

    Koruyucu plakalı ve plakasız yarı dairesel köprü kenar ayakları etrafında oluşan yerel oyulmaların karakteristikleri

    FATİME TEKİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    İnşaat MühendisliğiOrta Doğu Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. METE KÖKEN

  5. Tez No

    687371

    Multi-exposure image fusion with edge preserving smoothing filter

    Çoklu pozlamalı görüntü füzyonu kenar koruyucu yumuşatma filtresi

    IBRAHEM BAYAN YASIN ALABDULLAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    Assist. Prof. Dr. SEFER KURNAZ

Geri Dön