ARAZİ ÖRTÜSÜ VE KULLANIMI İÇİN SAR GÖRÜNTÜLERİNİN SINIFLANDIRILMASINDA TOPLULUK ÖĞRENME TABANLI YAKLAŞIM

Abstract

ÖZET

Sentetik açıklıklı radar (SAR), yüksek çözünürlüklü görüntü elde etmek için büyük anten yerine anten dizisi kullanma fikrine dayanan uzaktan algılama sistemidir. Yeryüzünün coğrafi, biyolojik ve fiziksel incelemeleri için su kaynaklarının, yeşillik alanların gelişimlerinin izlenmesi, yeryüzü şekillerindeki değişimlerin takibi gibi uygulamalarda SAR görüntülerinden yararlanılmaktadır. Gelişen teknoloji, birçok yüksek boyutlu SAR görüntüsünün kaydedilmesine ve yorumlanmasına olanak sağlamaktadır. Ancak veri boyutlarının büyümesi nedeniyle öznitelikler artmakta ve analiz zorlaşmaktadır. Bu nedenle, otomatik özellik çıkarımı yapabilen derin öğrenme algoritmalarına ihtiyaç duyulmaktadır. Önerilen bu çalışmada, SAR görüntülerinin derin öğrenme modelleri kullanılarak beş sınıfa ait farklı arazi örtüsü ve kullanımının topluluk öğrenme tabanlı bir yaklaşım ile sınıflandırılması sağlanmıştır. Algoritma çalışma süresi minimum seviyede tutularak sınıflandırma performansının artırılması

için yoğun bağlantıların ve transfer öğrenme yöntemlerinin avantajları bir araya getirilerek yeni bir yöntem geliştirilmiştir. Geliştirilen yöntem hızlı ve yüksek doğrulukta görüntülerin sınıflandırılmasını sağlamaktadır. Bu yöntem, yüksek performans sergileyen derin öğrenme modelleri ve ilave katmanların bir araya geldiği bir yapıya sahiptir. Bu yapı, topluluk öğrenme yaklaşımını benimseyerek, hem doğruluk hem de performans açısından artış sağlamaktadır. Ayrıca oluşturulan modelde güncellenen parametre sayısı azaltılarak modelin gereksiz özellikleri öğrenmesinden kaçınılmış ve bu sayede yüksek performans sağlanmıştır.

Deneysel çalışmalar kapsamında SAR görüntülerinde çevresel faktörlerden kaynaklı olarak var olan benek gürültüsünün de ele alındığı analizler gerçekleştirilmiştir. Görüntülerdeki kenar ve noktasal saçıcıların bozulmasını önleyerek homojen bölgelerin yumuşatılmasını sağlayan seyreklik güdümlü benek azaltma (SDD) filtresi kullanılarak gürültü probleminin önüne geçilmiş ve arazi örtüsü ve kullanımının sınıflandırılması yüksek başarımla gerçekleştirilmiştir. Çalışmada, SAR görüntülerinde arazi örtüsü ve kullanımı farklı derin öğrenme yöntemleri ile sınıflandırılarak ele alınmıştır ve kapsamlı olarak incelenmiştir. Önerilen SAR DenseNet-tabanlı Topluluk Öğrenme Ağı (SARDE-Net), yakın tarihli literatürdeki diğer derin öğrenme sınıflandırıcıları ile karşılaştırılmış ve %98,77 doğruluk, %98,81 kesinlik, %98,64 duyarlılık ve %98,72 f1-skoru metrikleri ile en yüksek sonuçları elde etmiştir. Önerilen modelin karmaşık görüntüler içeren büyük veri kümelerine de uygulanabileceği doğrulanmıştır.

ABSTRACT

Synthetic Aperture Radar (SAR) is a remote sensing system based on the idea of using an antenna array instead of a large antenna to obtain high resolution images. SAR images are used for geographical, biological and physical investigations of the earth in applications such as monitoring the development of water sources, vegetation areas and tracking changes in landforms. Developing technology enables the recording and interpretation of many high-dimensional SAR images. However, as the data size grows, the number of features increases and analysis becomes difficult. Therefore, there is a need for deep learning algorithms that can perform automatic feature extraction. In this proposed study, an ensemble learning based approach is used to classify five classes of different land cover and land use using deep learning models of SAR images. A new method is developed by combining the advantages of dense connections and transfer learning methods to improve classification performance while minimizing algorithm runtime. The proposed method provides fast and highly

accurate image classification. This method has a structure that combines high-performing deep learning models and additional layers. By adopting an ensemble learning approach, this structure increases both accuracy and performance. In addition, by reducing the number of parameters updated in the model, the model avoids learning unnecessary features and thus achieves high performance.

Within the scope of the experimental studies, the speckle noise in SAR images due to environmental factors was also analyzed. By using a sparsity-driven despeckling (SDD) filter, which smoothes homogeneous regions by preventing the distortion of edge and point scatterers in the images, the noise problem is avoided and the classification of land cover and use is performed with high success. In this study, land cover and use in SAR images are analyzed in detail by using different deep learning methods. The proposed SAR DenseNet-based Ensemble Learning Network (SARDE-Net) was compared with other deep learning classifiers in recent literature and achieved the highest results with 98.77% accuracy, 98.81% precision, 98.64% recall and 98.72% f1-score metrics. It is verified that the proposed model can be applied to large datasets containing complex images.