İnsansız hava araçları için hiperspektral görüntü sınıflandırma algoritmalarının geliştirilmesi

Hiperspektral görüntüleme birçok dar dalgaboyunda nesnelerden yansıyan ışık spektrumunun ölçümüdür. Hiperspektral görüntülerdeki (HSG) yüksek spektral çözünürlük, arazi örtüsü maddelerinin tanımlanmasını ve ayırt edilmesini sağlar. Bu nedenle de hiperspektral görüntüleme askeri, gözetleme, mineraloji ve tarım gibi çeşitli alanlarda kullanılmaktadır. Bu alanlarda, bir HSG'nin piksellerinin sınıflandırılması yoğun olarak çalışılmaktadır. Seyrek gösterim tabanlı sınıflandırıcılar, sınıflandırma amaçları için güçlü bir araç olmuştur. Bu sınıflandırıcılar, spektral piksellerin bir eğitim sözlüğünde aynı sınıf etiketine sahip birkaç örnekle gösterilebileceği fikrini kullanır. Son çalışmalar, HSG'de uzamsal bilginin spektral bilgiye ek olarak kullanılmasının sınıflandırma performansını arttırdığını göstermiştir. Bu tez kapsamında, sınıflandırma işleminin başarısını arttırmak için, hem spektral hem de uzamsal bilgiyi kullanan iki yeni seyrek gösterim tabanlı sınıflandırma yöntemi geliştirilmiştir. İlk çalışmada, farklı bölge ölçeklerini kullanarak yerel bir alanda uzamsal bilgi elde etmek için çok ölçekli süperpikseller (ÇÖS'ler) kullanılmıştır. Bu alanlardaki pikseller, seyrek gösterim sınıflandırıcısı ile ortaklaşa sınıflandırılır ve daha sonra sınıflandırma haritaları oluşturulur. Kenarlardaki yanlış sınıflandırmaları düzeltmek için bu sınıflandırma haritalarına rehberli filtre (RF) uygulanır. İkinci çalışmada, test pikseli ile benzer spektral özelliklere sahip olan komşu pikseller, spektral eşleştirme yöntemleri ile seçilmekte ve diğerleri gözardı edilmektedir. Önerilen yöntemlerin uygulanabilirliğini doğrulamak için, performans yaygın olarak kullanılan iki hiperspektral veri setinde değerlendirilmiştir. Deneysel sonuçlar, önerilen algoritmaların literatürdeki diğer ilgili yöntemlerle karşılaştırıldığında iyi bir performans sergilediğini göstermektedir.