Evrişimsel Sinir Ağları Kullanılarak Hiperspektral Görüntülerin Sınıflandırılması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: İstanbul Üniversitesi-Cerrahpaşa, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: ALİ GÜNDÜZ
Danışman: Zeynep Orman
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Hiperspektral görüntüleme, görünür ve kısa dalga kızılötesi spektrumları arasında yer alan geniş bir spektral aralığı boyunca detaylı ve sürekli bir spektral görüntü sağlar. Hiperspektral görüntüler, binlerce spektral bant içerebilen, nesnelerin veya arazinin derinlemesine bir görüntüsünü barındırır. Bu yüzden, gözle görülemeyen karmaşık detayları içerir ve dolayısıyla, bu görüntülerin analizi maden keşfi, tarım, çevresel izleme ve askeri istihbarat gibi çeşitli sektörlerde pek çok uygulama alanında son derece önemlidir. Hiperspektral görüntülerin etkin bir şekilde kullanılabilmesi için, bu tür görüntülerin dikkatli bir şekilde sınıflandırılması gereklidir. Sınıflandırma, bir görüntünün her bir pikselini önceden belirlenmiş sınıflara veya kategorilere atama sürecidir. Hiperspektral görüntülerin sınıflandırılması, derin bir uzmanlık ve özen gerektiren karmaşık bir süreçtir. Hiperspektral görüntüler, büyüklük ve boyut açısından geniş bir alanı kaplar ve her bir piksel, yüzlerce hatta binlerce spektral bant içerebilir. Dolayısıyla, bu bollukta bilgi, sınıflandırma ve analiz için devasa bir veri hacmi oluşturur. Hiperspektral görüntülerin doğru bir şekilde sınıflandırılması, genellikle spektral ve mekansal bilgilerin uzmanlıkla birleştirilmesini gerektirir. Spektral bilgi, her bir pikselin elektromanyetik spektrum boyunca ne kadar ışığı yansıttığını ve emdiğini ifade eder. Diğer yandan, mekansal bilgi, piksellerin bir görüntü içindeki yerleşimini ve birbiriyle olan ilişkilerini açığa çıkarır. Bu iki bilgi türünün bir araya getirilmesi, hiperspektral görüntülerin tam ve doğru bir şekilde sınıflandırılmasında kritik bir rol oynar. Bunun için, hem spektral hem de mekansal bilgiyi kapsayan ve bu bilgileri etkili bir şekilde entegre eden bir yöntemin kullanılması gerekmektedir. Hiperspektral Görüntülerin tam ve doğru bir şekilde sınıflandırılması genellikle, güçlü modelleme ve öğrenme yetenekleri sayesinde bu süreci yönetebilen makine öğrenmesi veya derin öğrenme teknikleri ile gerçekleştirilir. Hiperspektral görüntülerin sınıflandırılması, veriye gömülü zengin bilgilerin ortaya çıkarılmasına yardımcı olur ve bu sayede daha bilinçli ve doğru kararlar alabilmemize olanak sağlar. Bu tez çalışması, hiperspektral görüntü sınıflandırması için evrişimli sinir ağları kullanan bir yaklaşım önermektedir. Bu amaçla, ilk olarak, hiperspektral görüntülerin karakteristikleri ve bu görüntülerin sınıflandırılmasıyla ilgili mevcut teknikler ve literatürde bu alanda yapılmış çalışmalar incelenmiştir. Bu kapsamlı literatür taraması, hiperspektral görüntü sınıflandırma sürecinde karşılaşılan zorlukları ve potansiyel araştırma fırsatlarını ortaya koymaktadır. İkinci aşamada, hem spektral hem de mekansal özelliklerin derinlemesine analizine odaklanan yenilikçi bir model önerilmiştir. Önerilen bu model, evrişimli sinir ağları (Convolutional Neural Networks - CNN) ve tekrarlayan sinir ağları (Recurrent Neural Networks - RNN) teknolojilerinin birleşimini kullanmaktadır. Bu iki güçlü ağ yapısının hibritleştirilmesi, hiperspektral görüntülerin karmaşıklığını yönetme ve daha etkili bir sınıflandırma gerçekleştirme yeteneği sunmuştur. Çalışmanın devamında ise, hiperspektral görüntü sınıflandırma alanında kullanılan çeşitli veri kümeleri araştırılmıştır. Tez çalışması kapsamında oluşturulan modelin ilgili veri kümeleri üzerinde uygulanmasıyla elde edilen sonuçlar, literatürde son yıllarda gerçekleştirilen çalışmalarda önerilen başarılı modeller ile elde edilen sonuçlarla karşılaştırılmıştır. Son olarak, önerilen modelin genel başarısı ve diğer modellere kıyasla artı ve eksi yönleri irdelenmiştir.