Hiperspektral veride doğrusal olmayan karışma durumu için bolluk haritalarının elde edilmesi

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2018

Tezin Dili: Türkçe

Öğrenci: YÜCEL ÇİMTAY

Danışman: HAKKI GÖKHAN İLK

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Hiperspektral görüntülemede, bir piksele ait spektrum tipik olarak birkaç farklı materyalin yansıma spektrumunun karışımından meydana gelmektedir. Hiperspektral ayrıştırma, karışımdaki son öğelerin bolluk değerlerinin belirlenmesi işlemidir. Hiperspektral karışım probleminin çözümü için birçok farklı model uygulanmıştır. En basit olanı doğrusal karışım modelidir. Fakat karışım olgusunun çoğunlukla doğrusal olmadığı tespit edilmiştir. Bu yüzden homojen karışım modeli ve bilineer modeller uygulanmıştır. Modellerin çoğunluğu materyallerden veya materyaller arasında sadece yansıma durumunu ele almışlardır. Fakat özellikle bitki ekili bölgeler düşünüldüğünde soğurma ve iletim özellikleri de spektral karışımı etkileyen önemli faktörler haline gelmektedirler. Bu nedenle soğurma ve iletim özellikleri de spektral karışım probleminde dikkate alınmalıdır. Tezde uygulanan ayrıştırmada materyallerin iletim ve soğurma spektrumları da ele alınmıştır. Bolluk haritalarının kestirimi bitki örtüsü sınıflandırmada yaygın olarak kullanılmıştır. Bu nedenle bolluk değer kestirimindeki hassasiyet, sınıflandırma hassasiyetini de etkilemektedir. Tezde hiperspektral görüntülerin spektral ayrıştırması ve bitki örtüsünün sınıflandırılması için yeni bir bilineer model geliştirilmiştir. Model, iletim, soğurma ve yansıma spektrumlarını dikkate alarak spektral ayrıştırma ile bitki örtüsü sınıflaması yapmaktadır. Tezde elde edilen sonuçlar, önerilen yöntemin piksel kestirim hatası yönünden doğrusal model ve en çok bilinen bilineer modellere üstünlük sağladığını göstermektedir. Bununla birlikte, yöntemin sınıflandırma başarısı anlamında Spektral Açı Eşleyici (Spectral Angle Mapper) ve Eşleşen Filtre (Matched Filter) gibi çok bilinen sınıflandırma yöntemlerine üstünlük sağladığı görülmüştür