Tez No	İndirme	Tez Künye	Durumu
223732		Border feature detection and adaptation: a new algorithm for classification of remote sensing images / Sınır öz niteliklerinin belirlenmesi ve adaptasyonu: Uzaktan algılama görüntülerinin sınıflandırılması için yeni bir algoritma Yazar:N. GÖKHAN KASAPOĞLU Danışman: PROF.DR. BİNGÜL YAZGAN ; PROF.DR. OKAN K. ERSOY Yer Bilgisi: İstanbul Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering ; Jeodezi ve Fotogrametri = Geodesy and Photogrammetry Dizin:Sınıflama yöntemleri = Classification methods ; Uzaktan algılama = Remote sensing ; İşaret işleme = Signal processing	Onaylandı Doktora İngilizce 2007 98 s.
Uzaktan algılama datalarının sınıflandırılmasında, genellikle, eğitim için kullanılanörneklerin sayısı sınırlıdır. Sınırlı sayıda eğitim kümesi elemanı, özellikle öznitelikvektörünün boyutunun büyük olduğu hiperspektral datalarda, parametriksınıflayıcıların kullanımını kısıtlar. Bu yüzden, bu çalışmada, sınır özniteliklerininbelirlenmesi ve adaptasyonu algoritması (SÖBA) tanıtılmıştır. SÖBA algoritması ikibölümden oluşur. İlk aşamada sınır öznitelik vektörlerinin başlangıç değerleri uyguneğitim kümesi elemanlarından atanır. Bu atama işlemiyle yönetilebilir sayıda sınırözniteliği vektörü elde edilir. Daha sonra uygulanan adaptasyon işlemiyle, learningvector quantization' na (LVQ) benzer bir yapıda öğrenme süreci gerçekleştirilerek sınırözniteliklerinin, sonuç değerlerine ulaşması hedeflenir. Sınıflandırma sonuç sınıröznitelik vektörlerine olan en yakın 1 komşuluk (1-NN) kuralı uyarınca yapılır. Ekolarak, SÖBA algoritmasının sınır öznitelik vektörlerinin başlangıç değerlerine veeğitim kümesi elemanlarının eğitimde kullanılma sırasına bağlı olarak her çalışmasındakabul edilebilir derecede farklı sonuçlar vermesi, konsensüs yapılarda kullanılması içinelverişli bir özelliktir. Böylece birçok defa çalıştırılan SÖBA kararlarınınbirleştirilmesiyle tek bir sınıflayıcının aldığı karardan çok daha doğru kararlar eldeedilir.Anahtar Kelimeler: Uzaktan algılama, Hiperspektral data sınıflandırma, Konsensüs
In general, there is a limited number of training samples in remote sensing dataclassification. Use of parametric classification algorithms has some difficulties related toappropriate parameter estimation, especially for hyperspectral data which has a verylarge number of attributes (bands, features). In this study, border feature detection andadaptation algorithm (BFDA) is introduced as a nonparametric classifier to overcomeclassification problems with a limited number of training samples. The BFDA consist oftwo parts. In the first part of the algorithm, some selected training samples are assignedas initial reference vectors called border feature vectors. In the second part of thealgorithm, the border feature vectors are moved to the decision boundary by using anadaptation process which has some similarity with learning vector quantizationalgorithm (LVQ). At the end of the adaptation process, border feature vectors reachtheir final values. The method next uses the 1- Nearest Neighbor (1-NN) algorithm withthese border feature vectors. In addition, the BFDA?s performance is related to ordersof the training vectors. Therefore, the results of the individual runs of the BFDA areconvenient to be combined by an appropriate consensual rule.Keywords: Remote sensing, Hyperspectral data classification, Consensual classification