Uzaktan algılanmış hiperspektral görüntülerin uzamsal-izgesel piksel sınıflandırması

Abstract

Uzaktan algılanan hiperspektral görüntülerin sınıflandırılması son yıllarda birçok araştırmanın konusu olmuştur. Hiperspektral görüntüler sivil ve askeri alanda, tarım, yer bilimi, tıp, savunma ve güvenlik, hedef belirleme, şehir planlama gibi farklı disiplinlerdeki birçok alanda kullanılmaktadır. Bu tez çalışmasında uzaktan algılanan hiperspektral görüntünün her bir pikseline uygun bir sınıf etiketi atanması probleminde, ROSIS sensörüne ait Pavia Üniversitesi veri seti üzerinde, hiperspektral verinin spektral (izgesel) bilgisi ile birlikte uzamsal bilginin ayrı ayrı ve birlikte kullanılmasının evrişimsel sinir ağları ağları ile eğitilerek sınıflandırma başarına etkileri incelenmiştir. Ayrıca sadece spektral bilgiyi içeren vektörler ile uzamsal bilgiyi de içeren tensörler aynı anda farklı evrişimsel sinir ağları ile eğitilmiş ve kaynaştırma yönteminin sınıflandırma başarımına etkisi incelenmiş ve karşılaştırmalar yapılmıştır.

Classification of remotely sensed hyperspectral images has been the subject of many researchers in recent years. Hyperspectral imagery is used in many disciplines such as civil and military field, agriculture, location science, medicine, defense and security, goal setting, city planning. In this thesis, assigning a class tag to each pixel of the remotely sensed hyperspectral view was applied to the Pavia University dataset of the ROSIS sensor and spectral (spectral) information of hyperspectral data and the spatial and temporal effects of spatial and temporal information on the success of classifications in training with neural networks. Furthermore, only the vectors containing spectral information and the tensors including spatial information are trained with different convolutional neural networks at the same time and the effect of the fusing method on the classification performance was examined and compared.