GELİŞTİRİLMİŞ KATMANLI UZAY YERLEŞTİRME YÖNTEMLERİ KULLANILARAK HİPERSPEKTRAL GÖRÜNTÜLERİN SINIFLANDIRILMASI VE GÖRSELLEŞTİRİLMESİ

Abstract

ÖZET

Birçok uzaktan algılama uygulaması, yüksek boyutlu bir uzayda bulunan gerçek dünya nesnelerinin anlamlı ve yorumlanabilir kalıplarını ortaya çıkarmaya dayanır. Özellikle görüntüler, farklı malzemelerin özelliklerini yansıtan yüzlerce yüksek çözünürlüklü banttan oluşabilir. Bu işi kolaylaştırmak için, bu tür büyük verilerin karakter özelliklerini koruyarak daha düşük boyutlarda temsil edilmesi gerekmektedir. Boyutsallık problemine bağlı olarak bu tür büyük verilerin analizi ve işlenmesi birçok zorluğu da yanında getirmektedir. Son yıllarda yapılan çalışmalar bu zorlukların üstesinden gelmek için bir boyut indirgeme yaklaşımı olan katmanlı uzay (manifold) öğrenme tekniklerinin oldukça önemli bir çözüm olduğunu göstermektedir. Ancak, bu tekniklerinde karmaşıklığı artan verilerde bazı dezavantajları ve yeterli olmadığı durumlar oluşmaktadır. Bu tez çalışmasında, manifold öğrenme tekniklerinin bu dezavantajlarından ve çözüm önerilerinden bahsedilmektedir. Bu kapsamda, iki farklı çalışma ile iki yeni geliştirilmiş manifold yerleştirme yöntemi önerilmektedir. İlk yöntem, literatürde bulunan popüler manifold yerleştirme yöntemlerinin hibrit bir yaklaşımla güçlü yönlerinin birlikte kullanılmasını esas almaktadır. İkinci yöntemde ise, optimizasyon tabanlı bir çözüm önerilmektedir. Önerilen yöntemlerin başarısı popüler hiperspektral veri setleri ile test edilmektedir. Her iki çalışmada da mevcut yöntemlere göre sınıflandırma başarısı artırılmakta, kalabalık problemine çözüm getirilmekte ve daha iyi görselleştirmeler sunulmaktadır.

ABSTRACT

Many remote sensing applications rely on uncovering meaningful and interpretable patterns of real-world objects located in a high-dimensional space. In particular, images can consist of hundreds of high-resolution bands that reflect the properties of different materials. To facilitate this work, such big data should be represented in lower dimensions while preserving their character traits. Depending on the dimensionality problem, the analysis and processing of such big data brings with it many difficulties. Recent studies show that manifold learning techniques, which is a dimension reduction approach, are a very important solution to overcome these difficulties. However, as the complexity of the data increases, these techniques have some disadvantages, and their performance are not sufficient.

In this thesis, these disadvantages and solution suggestions of manifold learning techniques are mentioned. In this context, two new improved manifold embedding methods are proposed in two different studies. The first method is based on a hybrid approach that combines the strengths of the popular manifold embedding methods in the literature. In the second method, an optimization-based solution is proposed. The success of the proposed methods is tested with popular hyperspectral datasets. In both studies, classification accuracy is increased, crowding problem is solved and better visualizations are presented according to existing methods.