HYPERSPECTRAL IMAGE CLASSIFICATION USING AN ACTIVE DEEP LEARNING FRAMEWORK INCLUDING EDGE PRESERVING FILTERS

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: İngilizce

Öğrenci: ZAINAB DHEYAA MOHAMMED AL-SAMMARRAIE

Danışman: Ali Can Karaca

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Yüksek spektral çözünürlüğe sahip hiperspektral görüntüler, arazi örtüsü malzemelerinin tanımlanmasına ve ayırt edilmesine olanak sağlar. Hiperspektral görüntü sınıflandırmanın askeri operasyonlar, çevresel izleme, jeolojik araştırmalar ve tarım gibi uygulamalar için kritik olduğu inkar edilemez. Ancak piksel etiketleme sıkıcı ve kaynak yoğun bir prosedürdür ve bu nedenle küçük bir örnek boyutuyla bile iyi sonuçlar elde eden gelişmiş bir yaklaşım gerektirir. Hiperspektral görüntüler yüksek boyutlu olduğundan, geleneksel algoritmalar, hesaplama karmaşıklıkları nedeniyle bunları verimli bir şekilde tanımakta zorluk çeker. Buna karşılık, derin öğrenme, aktif öğrenme ve makine öğrenimi gibi en son teknolojiler, hiperspektral verilerden eyleme geçirilebilir içgörüleri yönetme ve çıkarma konusunda büyük bir potansiyele sahiptir. Aktif öğrenmeye (AL) dayalı sınıflandırıcılar, özellikle çok küçük bir eğitim örnekleri kümesinde hiperspektral görüntüler için özellikle etkili bir strateji haline gelmiştir. Yinelemeli örnekleme teknikleri, sınıflandırıcı modelinin, rastgele örneklemeyle karşılaştırıldığında modelin performansını artıracak olanlara karşılık gelen yeni etiketli piksellerle düzenli olarak beslenmesini gerektirir. Böylece aktif öğrenme algoritmaları birçok uzaktan algılama uygulamasında daha popüler hale gelmiştir. Aktif öğrenme, bir dizi etiketlenmemiş örnek kullanarak yinelemeli olarak en bilgilendirici örnekleri seçer. Aktif öğrenmede sınıflandırıcının seçimi de önemlidir. Örnek sayısı azaldıkça doğruluğu artırmak için CNN tabanlı sınıflandırma teknikleri, en ilgili veriler üzerinde seçici olarak eğitim vererek bu metodolojiyi kullanır. Bu tezin amacı, stratejik olarak uygulanan aktif öğrenme yinelemeleriyle birlikte, boyut azaltma yöntemlerini kenar koruyucu filtrelerle entegre ederek literatürdeki mevcut CNN-AL-MRF çerçevesini geliştirmektir. Kapsamlı analiz beş farklı kenar koruyucu filtre içerir: Ağırlıklı En Küçük Kareler (WLS), Ortak Histogram Ağırlıklı Ortanca Filtre (Joint WMF), Hızlı Global Görüntü Yumuşatma (FGS), Bilateral Filtre (BF), and Static/dynamic (SD) ortalama (AVG) ve temel bileşen analizi (PCA) teknikleri ile. Kenar koruyucu yumuşatma filtreleri ile boyutsallık azaltma yöntemlerinin sinerjisi, hiperspektral görüntülerin analizini geliştirir. Bu iyileştirme, gürültüyü ve gereksiz ayrıntıları azaltırken önemli kenarları koruyarak özelliklerin doğru şekilde çıkarılmasına ve sınıflandırılmasına olanak tanır. Bu yöntem sınıflandırma performansını artırmanın yanı sıra görüntü kalitesini de korur. Bağlamsal bilgilerin Markov rastgele alanları ile ve Markov olmadan incelenmesi bu projenin önemli bir unsurudur. Önerilen çerçeveyi, kaynak kullanımını ne kadar iyi dengelediğini ve HSI'yi uygun şekilde sınıflandırmak için uygun maliyetli bir yol sağladığını görmek için iyi bilinen üç veri kümesi üzerinde test ettik. Sonuç olarak tezimiz, boyut azaltma teknikleri ve kenar koruyucu filtreler uygulayarak sınırlı sayıda örnek için güçlü bir hiperspektral sınıflandırma çerçevesi sunmaktadır.