Hiperspektral uydu görüntülerinin ileri tekniklerle sınıflandırılması

Abstract

Uydular aracılığıyla elde edilen görüntüler arazi örtüsüne ait detayların belirlenmesinde temel veri kaynaklarından biridir. Yakın zamana kadar çok bantlı görüntüler ile gerçekleştirilen arazi ölçüsü belirleme işlemleri hiperspektral algılayıcıları kullanımlarını artması neticesinde daha farklı bir noktaya evrilmiştir. Band sayısı arttıkça, yeryüzü nesnelerinin yansıtım karakterini tanımlamak kolaylaşsa da makine öğrenmesi tekniklerinin öğrenme süreçlerini zorlaştırmaktadır. Bu durum, hiperspektral uydu görüntülerinin sınıflandırılmasında tercih edilen sınıflandırma tekniğinin kontrol parametre tercihlerini, multispektral görüntü sınıflandırmaya nazaran, çok daha önemli bir hale getirmektedir.Bu tez kapsamında Destek Vektör Makineleri, Karar Ağaçları, Torbalama Karar Ağaçları, Lineer Diskriminant, K-En Yakın Komşuluk, Altuzay En Yakın Komşuluk, Naive Bayes gibi temel makine öğrenmesi tekniklerine ek olarak temel derin öğrenme modellerinde oto-kodlayıcıların da kontrol(ayar) parametrelerine göre performans değişimlerine ilişkin derinlemesine analizler yapılmıştır. Deneysel uygulamalarda Salinas-A ve Indian Pines verisetleri tercih edilmiştir. Elde edilen bulgularda kontrol parametrelerinin doğru tercih edilmesi durumunda oldukça etkin sonuçlar edilebileceği gösterilmiştir.

Images obtained by satellites are one of the main data sources in determining the details of the land cover. As the number of bands increases, it becomes easier to define the reflection characteristics of earth objects, but it makes the learning processes of machine learning techniques more difficult. This makes the control parameter preferences of the preferred classification technique for the classification of hyperspectral satellite images much more important than the multispectral image classification.Within the scope of this thesis, in addition to basic machine learning techniques such as Support Vector Machines, Decision Trees, Bagging Decision Trees, Linear Discriminant, K-Nearest Neighborhood, Subspace K-Nearest Neighborhood, Naive Bayes, auto-encoders in basic deep learning models according to control(tuning) parameters. In-depth analyzes of performance changes were made. In experimental applications, Salinas-A and Indian Pines datasets were preferred. In the obtained findings, it has been shown that very effective results can be obtained if the control parameters are chosen correctly.