Improving classification accuracy of quickbird imagery

Çok bantlı ve pankromatik uydu görüntüleri görüntü birleştirme metotları ile birleştirilerek mekânsal çözünürlüğü yüksek zenginleştirilmiş yeni görüntüler elde edilebilmektedir. Bu çalışmada, çeşitli metodların çok bantlı ve pankromatik uydu görüntüleri üzerinde sonuçları incelenmiştir. Görüntü birleştirme yöntemi olarak literatürde çok yaygın olarak kullanılan yoğunluk renk dönüşümü, temel bileşenler analizi ve dalgacık dönüşümü görüntü birleştirme teknikleri kullanılmıştır.Eğiticili sınıflandırma yöntemi, eğiticisiz sınıflandırmanın aksine, karşılaşılmamış olan ve dolayısıyla bilinmeyen örnekleri sınıflandırabilmek için algoritmayı eğitecek bilinen örnek verilere ihtiyaç duyar. Görüntü sınıflandırması için yaygın olarak bilinen eğiticili öğrenme algoritmalardan En Çok Olabilirlik ve Destek Vektör Makineleri kullanılmıştır.Birleştirilmiş görüntüler daha iyi mekansal çözünürlüğe sahiptirler. Yeni renklerin ya da yapay yapıların eklenmesiyle oluşan spektral bozulmalar, özellikle Destek Vektör Makineleri gibi doğrusal olmayan sınıflandırma metotlarının genel doğruluğunu azaltır. Çalışmada, spektral bozulmalar ile oluşan sınıflandırma hatalarını azaltan görüntü iyileştirme metotları önerilmiş ve test edilmiştir. Temel bileşenler analizine dayanan bir görüntü zenginleştirme tekniği, uygulanan diğer tekniklere göre daha uygun bulunmuştur.Görüntü iyileştirme teknikleri uygulandıktan sonra oluşan görüntüde sınıf ayrılabilirliği referans olarak alınan orijinal görüntüye göre daha yüksektir. Orijinal görüntünün sınıflandırılmış sonucu genel geçer bir karşılaştırma ölçüsü olan karşılaştırmalı değerlendirme tekniği kullanılarak, genel doğruluk alanındaki artma bulunmuştur. Görüntü birleştirme ve görüntü zenginleştirme metotlarının sınıflandırma sürecine dahil olması ile sınıflandırma algoritmalarının doğruluklarının arttırılmasının mümkün olduğu anlaşılmıştır. Bu bulguyu destekleyen sonuçlar tezin ilgili bölümlerinde verilmiştir.