Hiperspektral görüntü ve LiDAR verisinin derin öğrenme ile sınıflandırılması

Uzaktan algılama teknolojisi, askeri ve sivil olmak üzere pek çok alanda etkin bir şekilde kullanılmaktadır. Bu teknoloji güvenlik alanında kullanıldığında, hassas ve güvenilir görüntüleme sistemlerine ihtiyaç duyulmaktadır. Gelişmiş algılayıcılar sayesinde, görüntülenen bölgenin nitelikleri hakkında oldukça ayrıntılı bilgi içeren veriler elde edilebilmektedir. Karmaşık ve doğrusal olmayan bir yapıya sahip olan bu zengin içerikli veriler ileri düzey makine öğrenmesi algoritmaları ile birleştirilince, bir insanın gözlemleyerek elde edeceği bilgiden çok daha fazlası, ayrıntılı ve hızlı bir şekilde çıkarılabilir. Bu tez, farklı tipteki algılayıcılarla elde edilmiş hiperspektral görüntü (HSG) ve LiDAR verisinin birleştirilerek, bu verilerin görüntülediği bölgedeki yüzey materyallerinin yüksek isabet oranı ile sınıflandırılmasını hedeflemiştir. Bu hedef doğrultusunda, makine öğrenmesi alanındaki en güncel konu olan Derin Öğrenme'den faydalanılmıştır. Yapay sinir ağları ile kurulan çok katmanlı derin mimarilerin kullanıldığı Derin Öğrenme, son yıllarda uzaktan algılamada hedef tespiti ve sınıflandırma problemlerinin çözümünde ilk tercihlerden biri haline gelmiştir. Kendi içinde çok geniş alt konular barındıran Derin Öğrenme, Evrişimsel Sinir Ağı yapılarıyla bu tezdeki problemin asıl çözümü olmuştur. Yapılan deneylerde farklı sayıda katmandan oluşan sinir ağı modelleri test edilmiş ve sonuçlara göre modellerin parametreleri için en uygun değerler belirlenmiştir. Hiperspektral görüntü ve LiDAR verisi, eniyilenen modellerle sınıflandırılmış, sınıflandırma sonuçları, tezde önerilen birleştirme yöntemi ile birleştirilmiştir. Tezde önerilen yöntemlerin başarısının ölçülmesi için Houston – ABD üzerinden alınan ve kentsel bölgeyi görüntüleyen bir veri kümesi kullanılmıştır. Bu veri kümesinin içerdiği çeşitli zorluklar nedeniyle bir takım ön işlemlere ve farklı tipte veriler bulunduğu için sınıflandırma sonrası işlemlere ihtiyaç duyulmuştur. Ön işlemlerden ilki, sınıflandırma sonucunda düşük isabet oranına sebep olan bulut gölgesinin etkisini azaltmak için geliştirilen gölge kestirimi ve düzeltme yöntemidir. Hiç bir işlem görmemiş HSG ile yapılan sınıflandırma sonucunda başarım %77.71 iken gölge düzeltildikten sonra bu başarım \%81.49'a çıkmaktadır. Ayrıca bu aşamada elde edilen gölge haritası veri birleştirme aşamasında da kullanılmaktadır. Bir sonraki aşama olan gürültü filtrelemede Yön Bağımlı Nüfuz Filtreleme (YBNF) tercih edilmiştir. Görüntülenen bölgenin kentsel alan olması sebebiyle görüntüde keskin hatlar bulunmaktadır ve gürültü, YBNF sayesinde görüntüdeki keskin hatlar kaybedilmeden azaltılabilmektedir. Filtreleme işlemi sonucunda isabet oranı %83.56'ya çıkmaktadır. Ön işlemlerin sonuncusu olan EMAP (Extended Morphological Attribute Profiles ise LiDAR verisinden uzamsal bilgileri çıkarmak için kullanılmıştır. Bu uzamsal bilgilerin sınıflandırılması sonucu elde edilen başarı \%56.87 iken, sınıflandırma sonrası işlem olarak önerilen birleştirme yöntemi kullanılarak HSG ile birleştirildiğinde başarı %89.12'ye çıkmaktadır. Son olarak uygulanan Çoğunluk Oylaması ile düzenlileştirilen sınıflandırma sonucu %93.88'dir.