Tez No	İndirme	Tez Künye	Durumu
587961		Classification of hyperspectral images with ensemble learning methods / Hiperspektral görüntülerin topluluk öğrenme yöntemleri ile sınıflandırılması Yazar:UĞUR ERGÜL Danışman: DOÇ. DR. GÖKHAN BİLGİN Yer Bilgisi: Yıldız Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2019 115 s.
Hiperspektral görüntüleme yüksek frekanslarda yüzlerce sıralı bant elde edilmesine imkan tanıyan bir uzaktan algılama teknolojisidir. Hipersepktral görüntüleyiciler, elektromanyetik spektrumda optik bölge olarak adlandırılan kısımda çalışarak 10-20nm dalga boyu aralıklarında görüntü elde edilmesini sağlarlar. Bu teknolojinin her geçen gün savunma sanayi, kimya, ormancılık, tarım, şehir planlama, tıp gibi bir çok disiplinde kullanımı artmaktadır. Gelişmekte olan hiperspektral görüntüleme, beraberinde bu görüntülerin ileri düzeyde analiz edilmesine olan ihtiyacı da artırmaktadır. Bu sebeple örüntü tanıma ve makina öğrenmesi alanlarında hiperspektral görüntü işleme konuları sıklıkla işlenmeye başlanmıştır. Sınıflama başarımlarının artırılması ve gelişmiş görüntü analizinin yapılabilmesi için bu tez çalışmasında çoklu örnek öğrenme, çoklu sınıflayıcı sistemler ve çekirdek yöntemler üzerinde durulmuştur. Önerilen yöntemlerde uzamsal bilginin de kullanımına önem gösterilmiştir. Önerilen çoklu sınıflayıcı topluluk örnek öğrenme yaklaşımında hiperspektral görüntüler üzerinde bulunan etiketsiz alanların da kullanımına olanak sağlanmıştır. Torbalama ve rastsal özellik alt uzayı seçimi gibi yöntemler kullanılmış ve sınıflama başarımının artırılması hedeflenmiştir. Bu yaklaşımda karar ağaçları, destek vektör makineleri, k-enyakın komşu gibi temel sınıflayıcı yöntemler kullanılmıştır. Birden fazla çekirdek yönteminin bir araya getirilerek kullanılması hiperspektral görüntüler gibi bileşik dağılıma sahip veriler için etkin bir yöntem sunar. Fakat önerilmiş olan çoklu çekirdek öğrenme yöntemleri genellikle karmaşık optimizasyon prosedürlerine ihtiyaç duyar. Bunun önüne geçmek için artırım (boosting) tabanlı bir topluluk öğrenme yöntemi sunulmuştur. Melez çekirdeklerle beraber uzamsal bilginin kullanımına olanak tanıyan kompozit çekirdekler de işin içine katılmış ve gelişmiş hiperspektral görüntü analizinin yapılması amaçlanmıştır. Melezleştirilmiş kompozit çekirdek artırım adı verilen bu yöntemde temel sınıflayıcı olarak aşırı öğrenme makinası kullanılmıştır. Önerilen bu yöntem her ne kadar yüksek başarımlar vermiş olsa da melez çekirdekler ile kompozit çekirdeklerin oranının manuel belirlenmesi gerekmektedir. Bu sebeple çoklu kompozit çekirdek aşırı öğrenme makinesi ismi verilen bir diğer yöntem önerilmiştir. Bu yöntemde, melez ve kompozit çekirdekler topluca girdi olarak sunulmuş ve aşırı öğrenme makinesi tabanlı optimizasyon algoritması ile her bir çekirdeğin ağırlık değeri otomatik olarak belirlenmiştir. Aşırı öğrenme makinesi çoklu sınıflamaya olanak tanıdığı için hesaplama zamanından tasarruf edilmiş ve daha az karmaşık bir yolla sonuca ulaşılmıştır. Önerilen yöntemler yer doğrusu bilgisine sahip hiperspektral görüntüler üzerinde test edilmiştir. Elde edilen sonuçlar literatürde bulunan önde gelen yöntemlerle kıyaslanmıştır. Bu kıyaslamalarda hem nümerik hem de istatistiki yöntemler kullanılmıştır. Ayrıca elde edilen sınıflandırma haritaları da karşılaştırma amacıyla deneysel sonuçlarla beraber sunulmuştur.
Hyperspectral imaging is a remote sensing technology that enables the acquisition of hundreds of consecutive bands in high frequencies. Hyperspectral sensors allow to capture images between 10-20nm wavelength intervals by operating in an area called the optic region of the electromagnetic spectrum. The application of this technology is increasing day by day in a number of disciplines including the defense industry, chemistry, forestry, agriculture, urban planning, and medicine. Developing hyperspectral imaging increases the need for advanced analysis of these images. For this reason, hyperspectral image processing subjects are being processed frequently in the fields of pattern recognition and machine learning. In this thesis, multiple instance learning, multiple classifier systems and kernel methods are emphasized in order to increase classification performance and to perform advanced image analysis. The use of spatial information in the proposed methods is also emphasized. In the proposed multiple instance ensemble learning approach, the use of unlabeled areas on hyperspectral images was provided. Methods such as bagging and random feature subspace selection have been used to increase the classification performance. In this approach, base classifiers such as decision trees, support vector machines, and k-nearest neighbors are used. Combining more than one kernel methods provides an efficient way to manage data with a compound distribution, such as hyperspectral images. However, the proposed multiple kernel learning methods often require complex optimization procedures. In order to address this issue, a boosting-based ensemble learning method is presented. Hybrid kernels are taken into consideration together with composite kernels which allow the use of spatial information, and it is aimed to perform advanced hyperspectral image analysis. Although this proposed method has shown high performance, the ratio of hybrid and composite kernels should be determined manually. For this reason, another method called multiple composite kernel extreme learning machine is proposed. In this method, hybrid and composite kernels are presented as an aggregated input, and the weight value of each kernel is determined automatically with an extreme learning machine based optimization algorithm. Since the extreme learning machine allows for multiple classification, the overloading calculation time is avoided and the result is achieved in a less complicated way. The proposed methods have been tested on hyperspectral images with ground-truth information. Obtained results are compared with state-of-the-art methods in the literature. Both numerical and statistical methods are used in these comparisons. In addition to that, the obtained classification maps are presented together with the experimental results for comparison purposes.