Yazar "Ersoy, Okan" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim Yok
    Öğe
    Fast texture classification of denoised SAR image patches using GLCM on Spark
    (Tubitak Scientific & Technological Research Council Turkey, 2020) Ozcan, Caner; Ersoy, Okan; Ogul, Iskender Ulgen
    Classification of a synthetic aperture radar (SAR) image is an essential process for SAR image analysis and interpretation. Recent advances in imaging technologies have allowed data sizes to grow, and a large number of applications in many areas have been generated. However, analysis of high-resolution SAR images, such as classification, is a time-consuming process and high-speed algorithms are needed. In this study, classification of high-speed denoised SAR image patches by using Apache Spark clustering framework is presented. Spark is preferred due to its powerful open-source cluster-computing framework with fast, easy-to-use, and in-memory analytics. Classification of SAR images is realized on patch level by using the supervised learning algorithms embedded in the Spark machine learning library. The feature vectors used as the classifier input are obtained using gray-level cooccurrence matrix which is chosen to quantitatively evaluate textural parameters and representations. SAR image patches used to construct the feature vectors are first applied to the noise reduction algorithm to obtain a more accurate classification accuracy. Experimental studies were carried out using naive Bayes, decision tree, and random forest algorithms to provide comparative results, and significant accuracies were achieved. The results were also compared with a state-of-the-art deep learning method. TerraSAR-X images of high-resolution real-world SAR images were used as data.
  • Küçük Resim Yok
    Öğe
    Hiperspektral görüntülerin sınıflandırılmasında farklı boyut indirgeme yöntemlerinin karşılaştırılması
    (2021) Yıldırım, Mehmet Zahid; Özcan, Caner; Ersoy, Okan
    Günümüzde gittikçe önem kazanan uzaktan algılamada, araştırmacılar çeşitli spektral imzalar arasındaki ilişkileri bulmak için dünyanın yüzeyini temsil eden yüksek boyutlu verileri kullanırlar. Özellikle görüntüler, farklı malzemelerin özelliklerini yansıtan yüzlerce yüksek çözünürlüklü banttan oluşabilirler. Bununla birlikte, yüksek boyutlu uzayda çok sayıda farklı bantların bulunması, bu özelliklerin yorumlanmasını zorlaştırabilmektedir. Uzaktan algılama verilerinin ön-işlemesi için boyutsallık problemine bağlı olarak çeşitli zorluklar ile karşılaşılmaktadır. Bu alanda ortaya çıkan araştırmalar, bunun zor bir problem olduğunu ve tüm sorunlara tek bir çözüm olmadığını ortaya koymaktadır. Bununla birlikte, son çalışmalar katmanlı uzay öğrenme tekniklerinin hiperspektral görüntülerin ön işlemesinde çok önemli bir çözüm olduğunu göstermektedir. Bu çalışmada, en güncel katmanlı uzay yerleştirme yöntemlerinin hiperspektral veriler üzerindeki performansı karşılaştırmalı olarak analiz edilmiştir. Her bir yöntemin bu alanda en çok kullanılan iki farklı veri seti kullanılarak boyut indirgeme uygulaması gerçekleştirilmiş ve en yakın komşu (1NN) sınıflandırması ile performansı doğrulanmıştır. Elde edilen sonuçlara göre karşılaştırılan katmanlı uzay yerleştirme yöntemlerinin hiperspektral verilerin sınıflandırılmasında sınıf bazlı farklılıklar olsa da başarılı sonuçlar verdiği görülmektedir. Ayrıca her bir yöntemin çalışma zamanı grafik olarak sunulmuş ve hangi yöntemin daha hızlı çalıştığı sebepleriyle birlikte açıklanmıştır.
  • Küçük Resim Yok
    Öğe
    Optimization based manifold embedding for hyperspectral image classification and visualization
    (Taylor & Francis Ltd, 2021) Yildirim, Mehmet Zahid; Ozcan, Caner; Ersoy, Okan
    Remote sensing and interpretation of hyperspectral images are becoming an increasingly important field of research. High dimensional hyperspectral images consist of hundreds of bands and reflect the properties of different materials. The need for more detail about objects and the improvement of sensor resolutions have resulted in the generation of higher size hyperspectral data. Many years of research have shown that there are many difficulties in the pre-processing of these data due to their high dimensionality. Recent studies have revealed that manifold learning techniques are a very important solution to this problem. However, as the complexity of the data increases, the performance of these methods cannot reach a sufficient level. This letter proposes a particle swarm-based multidimensional field embedding method inspired by the force field formulation to increase the performance. Detailed comparative analyses of the proposed method were made for Botswana and Kennedy Space Center (KSC) data. It is also shared in the results of other popular datasets. Experimental results show that the proposed method is superior to existing manifold embedding methods in classification accuracy and visualization of hyperspectral data. In addition, an optimization-based solution is presented to the problem of parameter determination of existing embedding methods.