Classification of hyperspectral images with ensemble learning methods

---

Tezin Türü: Doktora

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

Tezin Onay Tarihi: 2019

Tezin Dili: İngilizce

Öğrenci: UĞUR ERGÜL

Danışman: Gökhan Bilgin

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Hiperspektral görüntüleme yüksek frekanslarda yüzlerce sıralı bant elde edilmesine imkan tanıyan bir uzaktan algılama teknolojisidir. Hipersepktral görüntüleyiciler, elektromanyetik spektrumda optik bölge olarak adlandırılan kısımda çalışarak 10-20nm dalga boyu aralıklarında görüntü elde edilmesini sağlarlar. Bu teknolojinin her geçen gün savunma sanayi, kimya, ormancılık, tarım, şehir planlama, tıp gibi bir çok disiplinde kullanımı artmaktadır. Gelişmekte olan hiperspektral görüntüleme, beraberinde bu görüntülerin ileri düzeyde analiz edilmesine olan ihtiyacı da artırmaktadır. Bu sebeple örüntü tanıma ve makina öğrenmesi alanlarında hiperspektral görüntü işleme konuları sıklıkla işlenmeye başlanmıştır. Sınıflama başarımlarının artırılması ve gelişmiş görüntü analizinin yapılabilmesi için bu tez çalışmasında çoklu örnek öğrenme, çoklu sınıflayıcı sistemler ve çekirdek yöntemler üzerinde durulmuştur. Önerilen yöntemlerde uzamsal bilginin de kullanımına önem gösterilmiştir. Önerilen çoklu sınıflayıcı topluluk örnek öğrenme yaklaşımında hiperspektral görüntüler üzerinde bulunan etiketsiz alanların da kullanımına olanak sağlanmıştır. Torbalama ve rastsal özellik alt uzayı seçimi gibi yöntemler kullanılmış ve sınıflama başarımının artırılması hedeflenmiştir. Bu yaklaşımda karar ağaçları, destek vektör makineleri, k-enyakın komşu gibi temel sınıflayıcı yöntemler kullanılmıştır. Birden fazla çekirdek yönteminin bir araya getirilerek kullanılması hiperspektral görüntüler gibi bileşik dağılıma sahip veriler için etkin bir yöntem sunar. Fakat önerilmiş olan çoklu çekirdek öğrenme yöntemleri genellikle karmaşık optimizasyon prosedürlerine ihtiyaç duyar. Bunun önüne geçmek için artırım (boosting) tabanlı bir topluluk öğrenme yöntemi sunulmuştur. Melez çekirdeklerle beraber uzamsal bilginin kullanımına olanak tanıyan kompozit çekirdekler de işin içine katılmış ve gelişmiş hiperspektral görüntü analizinin yapılması amaçlanmıştır. Melezleştirilmiş kompozit çekirdek artırım adı verilen bu yöntemde temel sınıflayıcı olarak aşırı öğrenme makinası kullanılmıştır. Önerilen bu yöntem her ne kadar yüksek başarımlar vermiş olsa da melez çekirdekler ile kompozit çekirdeklerin oranının manuel belirlenmesi gerekmektedir. Bu sebeple çoklu kompozit çekirdek aşırı öğrenme makinesi ismi verilen bir diğer yöntem önerilmiştir. Bu yöntemde, melez ve kompozit çekirdekler topluca girdi olarak sunulmuş ve aşırı öğrenme makinesi tabanlı optimizasyon algoritması ile her bir çekirdeğin ağırlık değeri otomatik olarak belirlenmiştir. Aşırı öğrenme makinesi çoklu sınıflamaya olanak tanıdığı için hesaplama zamanından tasarruf edilmiş ve daha az karmaşık bir yolla sonuca ulaşılmıştır. Önerilen yöntemler yer doğrusu bilgisine sahip hiperspektral görüntüler üzerinde test edilmiştir. Elde edilen sonuçlar literatürde bulunan önde gelen yöntemlerle kıyaslanmıştır. Bu kıyaslamalarda hem nümerik hem de istatistiki yöntemler kullanılmıştır. Ayrıca elde edilen sınıflandırma haritaları da karşılaştırma amacıyla deneysel sonuçlarla beraber sunulmuştur.