Hiperspektral ve LİDAR verilerinin öznitelik ve karar seviyelerinde tümleştirilmesi ve derin evrişimli sinir ağlarıyla sınıflandırılması

Gelişen yeni nesil uzaktan algılama teknolojisi ile birlikte, elektromanyetik spektrumda yüzlerce farklı dalga boyunda görüntü alınabilmektedir. Bu verilere ek olarak ışık ile algılama teknolojisi ile uzaktaki nesneler ile algılayıcı arası mesafe tayin edilebilmektedir. İki farklı kaynaktan elde edilen bu bilgiler bir bölgeye ait anlamsal bölütleme çözümlemesine girdi oluşturmaktadır. Bu tez çalışması ile HSG (Hiperspektral Görüntü) ve LiDAR (Light Detection and Ranging – Işık ile Algılama ve Menzil Tayini) verisi bulunan bölgelere ait iki farklı veri kümesinin anlamsal bölütlemesinin yüksek başarımla gerçekleştirilmesi amaçlanmıştır. Özellikle Hiperspektral veri kümesinin sınıflandırılmasında kullanılan klasik yöntemlerin dışında olan ve son yıllarda görüntülerin anlamsal bölütlenmesinde etkileyici sonuçlar veren derin evrişimli sinir ağları (DESA) ile sınıflandırma işlemi gerçekleştirilmiştir. Tez kapsamında gerçekleştirilen çalışmada problem iki basamakta ele alınmıştır. Öncelikle Hiperspektral ve LiDAR bilgilerinin tümleştirilmesi ardından sınıflandırmanın sonuçlandırılması gerçekleştirilmiştir. Spektral ve yükseklik bilgilerine ek bilgi sağlaması amacıyla farklı yapısal elemanlar ile morfolojik profil haritaları (EMAP – Extended Morphological Attribute Profiles), HSG ve LiDAR verilerine özel olarak oluşturulmuştur. İlk tümleştirme yöntemi olarak önerilen sınıflandırıcı kararlarının tümleştirilmesi kapsamında, spektral ve morfolojik profil haritalarına özel olarak DESA kurulumları gerçekleştirilmiş ve sınıflandırıcı sonuçları oluşturulmuştur. Sınıflandırıcı sonuçları ile sağlanan test verisinin hangi olasılıkla hangi sınıfta yer alabileceği bilgisi kullanılarak eş ağırlık katsayısı ile sınıflandırıcı sonuçları tümleştirilmiş ve genel bir sınıflandırıcı oluşturulmuştur. Bu yöntem ile Muufl veri kümesinin sınıflandırılmasında en iyi sonuçlar elde edilmiştir. İkinci yöntem olan ve özellikle yarışma verisi olan Houston veri kümesinde etkileyici sonuçlar elde edilmesini sağlayan boyutsal tümleştirmede ise, öncelikle farklı yükseklik, morfolojik ve spektral bilgilerin boyutsal olarak tümleştirilmesi sağlanmıştır. Sonrasında iyileştirilmiş AlexNet'in ilk evrişim katmanında yer alan filtreler ile bu tümleştirilmiş verinin öznitelikleri çıkarılmıştır. Öznitelikleri çıkarılmış bu veri kümesine özel DESA kurulumu gerçekleştirilmiş ve sınıflandırma sonuçlarının diğer çalışmalar ile karşılaştırılması gerçekleştirilmiştir. Houston veri kümesinde bulut kaynaklı gölgelemeye yönelik herhangi bir düzeltmenin yapılmadığı çalışmalar arasında en yüksek başarım değeri %93.97 bu yöntem ile elde edilmiştir. Derin evrişimsel sinir ağlarının son yıllarda oldukça popüler olması sonucunda, bu ağların birçok yeni alanda uygulanabilirliği sorgulanmaktadır. Hiperspektral veri kümelerinin sınıflandırılmasında da oldukça etkili sonuçlar verebildiği bu tez kapsamında çıkarılan önemli sonuçlardan bir tanesidir. Ancak spektral bilgileri destekleyecek biçimsel ve uzamsal bilgilerin DESA'ya girdi olarak verilmesini sağlamak gerekliliği çalışmadan çıkarılan en önemli sonuçlardan bir tanesidir. Buna ek olarak DESA ile sınıflandırma AlexNet modelinin ilk evrişim katmanında yer alan filtrelerin HSG'lerde kullanılabilirliği gösterilmiştir.