KENAR KORUYUCU FİLTRELER KULLANARAK SAR GÖRÜNTÜLERİNİN SINIFLANDIRILMASI
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: BARIŞ AKKUŞ
Asıl Danışman (Eş Danışmanlı Tezler İçin): Ali Can Karaca
Eş Danışman: Ahmet Elbir
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
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.