Tez No	İndirme	Tez Künye	Durumu
499523		Hiperspektral görüntülerin sınıflandırılmasında uzamsal-spektral yaklaşımlar / Spatial-spectral approaches in classification of hyperspectral images Yazar:HASAN ALİ AKYÜREK Danışman: YRD. DOÇ. DR. BARIŞ KOÇER Yer Bilgisi: Selçuk Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2018 106 s.
Hiperspektral görüntüleme, materyaller hakkında çok miktarda spektral bilgi veren yüksek teknoloji görüntüleme teknolojisidir. Her pikselin spektral bilgileri, spektral imza veya spektral eğri olarak adlandırılan bir vektörle temsil edilen, dalga boyu aralığındaki yansıma / transmitans değerlerini içermektedir. Spektral bilgi elde edilen görüntü alanı üzerindeki materyal tiplerinin ayrışmasını öngörmek için kullanılmaktadır. Çok boyutlu formundan dolayı, hiperspektral görüntü sınıflandırması zor bir konudur. Hiperspektral görüntüler radyometrik gürültülerden de etkilenmektedir. Hiperspektral görüntülerin spektral çözünürlüğü yüksek olmakla birlikte, uzamsal çözünürlüğü oldukça düşüktür. Düşük uzamsal çözünürlüğü nedeniyle, spektral imzalar genellikle karışık spektrum bilgisini içermektedir. Hiperspektral görüntülerin sınıflandırma performansını iyileştirmek için, karışık spektrum bilgileri ile ele alınması çok önem arz etmektedir. Öte yandan, uzamsal bilgi, hiperspektral görüntü sınıflandırması bağlamında spektral bilgi kadar önemlidir. Sınıflandırma doğruluğunu iyileştirmek için, birçok araştırmacı filtreleme, öznitelik çıkarma ve sınıflandırma yöntemlerinin geliştirilmesine odaklanmaktadır. Bu çalışmada bir adet filtreleme temelli spektral-uzamsal öznitelik çıkarım yöntemi, bir adet daha az etiketlenmiş veri ile daha yüksek sınıflandırma başarımı elde etmek adına yarı öğreticili öznitelik çıkarım yöntemi ve bir adet spektral benzerlik temelli çok ölçekli filtreleme yöntemine sahip bir spektral-uzamsal önişleme yöntemi geliştirilmiştir. Geliştirilen ilk yöntemde üç boyutlu gaussian filtresini ve üç boyutlu yerel olmayan ortalamalar filtresini birleştiren bir uzamsal-spektral filtrelemeye dayalı öznitelik çıkarma yöntemi üzerine odaklanılmıştır. Bu yöntem üç ana aşamadan oluşmaktadır. Birincisi, üç boyutlu uzayda uzamsal-spektral bilgi filtrelemeyi içeren bir ön-işleme basamağıdır. İkincisi, filtrelenmiş verilerin fonksiyonel öznitelikleri çıkarmaktır. Sonuncusu ise çıkarılan öznitelikleri seri füzyon stratejisi ile birleştirerek, hiperspektral görüntü piksellerini sınıflandırmak için kullanılmasıdır. İkinci yöntemde ise hiperspektral uzaktan algılama görüntülerinin sınıflandırma doğruluğunu iyileştirmek için, yarı-öğreticili Bulanık Komşuluk Korunmalı Analiz (SFNPA) olarak adlandırılan bir yarı-öğreticili öznitelik çıkarma yöntemi geliştirilmiştir. Yarı öğreticili öznitelik çıkarma yöntemleri, veri madenciliği ve makine öğrenmesi alanlarında önemli bir odak noktasıdır. Bu yöntemler, etiketlenmiş ve etiketlenmemiş verilerin bir kombinasyonundan öğrenmeye dayalı geliştirilmiş yöntemlerdir. Geliştirilen yöntem, öğreticisiz bir öznitelik çıkarımı yöntemi olan Temel Bileşen Analizi (PCA) yöntemini ve öğreticili Bulanık Komşuluk Korumalı Analiz (FNPA) yöntemini birleştirerek, yarı öğreticili şemayı FNPA'ya uygularken PCA'nın ayrıştırma kabiliyetini ve FNPA'nın bulanık komşuluk koruması kabiliyeti ile birleştirmektedir. Son olarak, hiperspektral görüntü sınıflandırmasının doğruluğunu iyileştirmek için, spektral benzerlik temelli çok ölçekli filtreleme yöntemine sahip bir spektral-uzamsal önişleme yöntemi geliştirilmiştir. Spesifik olarak, ilgili her piksel vektörü için kayan komşuluk işlemi, spektral benzerliklerini kullanarak gerçekleştirilmektedir. İlgili pikselin yeni spektral eğrisini belirlemek için komşuluk penceresinde ilgili piksele benzerliği yüksek olan pikseller daha büyük ağırlığa sahip olmaktadır. Elde edilen spektral eğriler, spektral ve uzamsal bilgileri etkin bir şekilde bütünleştirir ve bu nedenle orijinal spektral eğriler yerine sınıflandırma sırasında kullanılmaktadır. Ağırlıkların belirlenebilmesi için yaygın olarak kullanılan spektral benzerlik ölçüleri ve Fréchet mesafesine dayalı yeni önerilen spektral benzerlik ölçütü kullanılmaktadır. Deneyler erişime açık popüler hiperspektral uzaktan algılama görüntüleri üzerinde gerçekleştirilmiştir. Geliştirilen yöntemler, iyi bilinen yöntemlerle karşılaştırılmıştır. Deneysel sonuçlar, geliştirilen yöntemlerin hiperspektral görüntü sınıflandırma görevindeki yöntemlere kıyasla üstün performans elde ettiğini göstermektedir.
Hyperspectral imaging is a high-tech imaging technology that provides a lot of spectral information about materials. The spectral information of each pixel includes the reflection / transmittance values in the wavelength range, represented by a vector called a spectral signature or spectral curve. The spectral information is used to predict the decomposition of material types on the acquired image area. Due to its multidimensional form, hyperspectral image classification is a difficult issue. Hyperspectral images are also affected by radiometric noises. Although the spectral resolution of the hyperspectral images is high, the spatial resolution is very low. Due to its low spatial resolution, spectral signatures often contain mixed spectrum information. In order to improve the classification performance of hyperspectral images, it is very important to deal with mixed spectrum information. On the other hand, spatial information is as important as spectral information in the context of hyperspectral image classification. In order to improve classification accuracy, many researchers focus on developing filtering, feature extraction and classification methods. In this study, we developed a spectral-spatial feature extraction method based on three-dimensional filtering, a semi-supervised feature extraction method to obtain higher classification performance with less labeled data, and a spectral-spatial preprocessing method with spectral similarity based multi-scale filtering method. The first method focuses on a spatial-spectral filtering based feature extraction method that combines a three-dimensional gaussian filter and a three-dimensional non-local mean filter. This method consists of three main stages. The first is a pre-processing step involving spatial-spectral information filtering in three-dimensional space. The second is to extract the functional features of the filtered data. The last is used to classify hyperspectral image pixels by combining the extracted features with a serial fusion strategy. In the second method, a semi-supervised feature extraction method called semi-supervised fuzzy neighborhood preserving analysis(SFNPA) has been developed to improve the classification accuracy of hyperspectral remote sensing images. Semi-supervised feature extraction methods are an important focus in the areas of data mining and machine learning. These methods are based on learning from a combination of labeled and unlabeled data. The developed method incorporates PCA's decomposition ability and FNPA's fuzzy neighborhood preserving ability when applying the semi-supervised scheme to the FNPA by vii combining the Principal Component Analysis (PCA) method which is an unsupervised feature extraction method and the Fuzzy Neighborhood Protected Analysis(FNPA) which is the supervised one. Finally, a spectral-spatial preprocessing method with a spectral similarity-based multi-scale filtering method has been developed to improve the accuracy of hyperspectral image classification. Specifically, the sliding neighborhood operation for each target pixel vector is performed using spectral similarities. In order to determine the new spectral curve of the target pixel, the pixel with high relative similarity in the neighborhood window has a larger weight. The obtained spectral curves effectively integrate spectral and spatial information, and used in the classification instead of the original spectral curves. To determine the weights, we use the spectral similarity measures commonly used and the newly proposed spectral similarity measure based on the Fréchet distance. Experiments were conducted on public popular hyperspectral remote sensing images. The developed methods are compared with well known methods. Experimental results show that the developed methods have superior performance than compared methods.