Hiperspektral veri sınıflandırma için boyut indirgeme yöntemlerinin başarımlarının karşılaştırılması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2014
Tezin Dili: Türkçe
Öğrenci: ALİ ÖMER KOZAL
Danışman: HAKKI ALPARSLAN ILGIN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Hiperspektral algılayıcılar, devamlı ve düşük dalga boyu aralıklarında yüzlerce spektral banda sahip yüksek boyutlu görüntüler üretmektedir. Bu bantlar genel olarak elektromanyetik spektrumun görünür bölgesi ve kızılötesi aralığını içermektedir. Alınan bu yüksek boyutlu veri sayesinde bir bölgenin hiperspektral görüntü verisi kullanılarak, diğer görüntü verilerine göre daha yüksek sınıflandırma başarımı sağlanabilmektedir. Ancak çok sayıda banda sahip bu verilerin sınıflandırılması için yüksek işlem gücü ve işlem süresi gerekmektedir. Bu yüzden, hiperspektral görüntülerin sınıflandırılması aşamasında, artıklıkları azaltmak ve daha az boyutta veri kullanılarak sınıflandırma performansını arttırabilmek için boyut indirgeme yöntemleri kullanılması gereklidir. Bu tez çalışmasında, Hiperspektral görüntülerin sınıflandırılması sürecinde yapılacak boyut indirgeme aşaması için farklı boyut indirgeme yöntemlerinin sınıflandırma açısından başarımları ve hesaplama performansları karşılaştırılmıştır. Sınıflandırıcı olarak Destek Vektör Makineleri ve En Yakın Komşuluk Sınıflandırıcı kullanılmıştır. Çalışmanın ilk aşamasında hiperspektral verilere alt örnekleme yaparak sınıflandırma başarımı ve işlem süresi açısından sınıflandırma performansları incelenmiştir. Boyut indirgeme tekniklerinin kullandığı veri azaltılarak işlem süresi ve sınıflandırma başarımlarındaki performans değişiklikleri ortaya konmuştur. İkinci aşama olarak, iki farklı çoğunluk oylaması yöntemi kullanarak sınıflandırma başarımının artışı denenmiştir. Son olarak boyut laneti olarak da bilinen; yüksek boyutlu verilerin sınıflandırılmasında, eğitim verisinin yetersiz kalması ile sınıflandırma performansındaki düşüş etkisi incelenmiş; farklı boyut indirgeme tekniklerinin bu olgunun etkisini azaltabildiği ortaya konmuştur.