Tez No	İndirme	Tez Künye	Durumu
644956		U-net tabanlı evrişimli sinir ağı ile uzaktan algılanmış görüntülerden otomatik bina tespiti / Automatic building detection from remotely sensed images with u-net based convolutional neural network Yazar:İBRAHİM DELİBAŞOĞLU Danışman: PROF. DR. MÜFİT ÇETİN Yer Bilgisi: Yalova 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 Türkçe 2020 152 s.
Uzaydan ve havadan çekilen görüntülerdeki spektral ve uzamsal çözünürlüğün artması ile birlikte, bina ve ağaç gibi nispeten küçük nesnelerin tanınmasına olanak sağlanmıştır. Dolayısıyla uzaktan algılanmış görüntülerden nesne tanıma ve nesne bölütleme üzerine yapılan çalışmaların önemi giderek artmıştır. Hiperspektral (HS) görüntülerin işlenmesinde bina bölütleme doğruluğunu ve işlem hızını arttırmak için yüksek spektral veri boyutunun düşürülmesine ne ihtiyaç duyulabilmektedir. Bu amaçla HS veri setinde spektral bant seçme işlemi yapılarak en fazla bilgiyi içeren bir spektral bant alt kümesi oluşturulmuştur. Literatürdeki çeşitli benzerlik kriterleri ve arama yöntemleri incelenerek, HS görüntülerdeki yapısal bilgiyi de göz önüne alan hiyerarşik kümelemenin kullanıldığı iki yeni bant seçme yöntemi geliştirilmiştir. Ayrıca HS bir görüntüdeki iki spektral bandın birbirlerine benzerliğini ölçen yeni bir metrik önerilmiştir. Sonuçlar uydu ve yakın mesafe HS görüntüleri olmak üzere içerik olarak farklı iki veri seti üzerinden kıyaslanmıştır. Spektral bant seçme sürecinin ardından ise, bina bölütlemesine yönelik literatürdeki klasik ve modern görüntü işleme temelli yöntemler incelenmiş, hangi yöntemlerin kullanıldığı ve çalışmaların ne aşamada olduğu araştırılmıştır. Tez çalışması kapsamında, görüntü işlemede farklı problemlerin çözümünde son derece başarılı sonuçlar veren derin öğrenme temelli yöntemler de kullanılmıştır. Bu kapsamda, Unet temelli iki yeni nesne bölütleme mimarisi geliştirilmiştir. Tez çalışmasında kullanılan çok bantlı (MS) ve HS veri setlerine uygulanan yeni mimariler ile daha az eğitim adımı neticesinde daha iyi performanslar elde edildiği görülmüştür. Ayrıca, HS veri seti için önerilen band seçme ve bina bölütleme yöntemleri bir arada kullanılarak sonuçlar analiz edilmiştir.
With the increase in spatial resolution of satellite and aerial imagery, it is allowed to recognize relatively small objects such as buildings and trees. Thus, studies on object recognition and object segmentation have started to be performed in aerial images. It may be necessary to reduce the huge spectral dimension to increase processing speed and building segmentation accuracy in HS image processing. For this purpose, it is aimed to select a subset of the bands containing the most information by performing the band selection process in HS images. Various similarity criteria and search methods in the literature are investigated and two band selection methods using hierarchical clustering by taking structural information in images into consideration are proposed. Also a new metric is defined that measures the similarity of the two bands in the HS image. The results were compared on two different data sets: satellite and close-range images. After the spectral band selection process, classical and modern image processing based studies are carried out for building segmentation, it is investigated that which methods are used as popular and the stage of the studies in the literature. In the thesis, deep learning based methods which became very popular in solving different problems in image processing, are investigated. Two efficient Unet-based object segmentation architectures are proposed. Two different data sets consisting of MS and HS images are used for performance comparison, and it is shown that better performances have been achieved with the proposed architectures as a result of fewer training steps. Also, the results are analyzed using the proposed band selection and building segmentation methods on the labeled HS data set.