Uzaktan algılama görüntülerinin süperpiksel tabanlı sınıflandırılması

Abstract

Bu tezde uzaktan algılamada yaygın olarak kullanılan Sentetik Açıklı Radar (SAR) ve hiperspektral görüntülerin sınıflandırılması için süperpiksel tabanlı yaklaşımlar kullanılmıştır. Mevcut süperpiksellerin yanında uzaktan algılama imgeleri için karışım tabanlı süperpiksel yöntemi (MISP) ve Gauss karışım modeli (GKM) süperpiksel yöntemini önermekteyiz. Tezin içeriği üç bölümden oluşmaktadır. İlk bölümde bilgisayarla görme alanındaki görüntüler için önerilen düzgelenmiş kesim, turbo piksel, entropi oranı süperpikselleri (ERS), basit doğrusal yinelemeli kümeleme (SLIC), doğrusal spektral kümeleme (LSC) ve hızlı-kaydırma (QS) süperpiksel yöntemleri, SAR görüntüleri için önerilen MISP ve PILS süperpiksel yöntemleri ve hiperspektral imgeler için önerilen GKM süperpiksel yöntemi anlatılmaktadır. İkinci bölümde SAR imgeleri içerisindeki şehir, arazi, göl gibi farklı bölgelerin sınıflandırılmasında süperpiksellerin başarımı denenmiştir. Süperpikseller elde edildikten sonra k-ortalamalar, sıradüzensel ve GKM gibi kümeleme algoritmaları ile denetimsiz olarak sınıflandırılmaktadır. Bilgisayarla görme alanındaki süperpiksel yöntemleri ve bu tezde önerilen MISP yönteminin başarımları karşılaştırıldığında MISP yönteminin diğer yöntemlere göre daha iyi sonuçlar verdiği görülmektedir. Üçüncü bölümde süperpikseller hiperspektral imge içerisindeki farklı yeryüzü bölgelerinin sınıflandırılmasında kullanılmıştır. Geleneksel spektral sınıflandırmanın yanında tez kapsamında uzamsal olarak piksellerin komşuluk bilgisini içeren süperpikseller kullanılarak uzamsal-spektral sınıflandırma yöntemini kullanmaktayız. Spektral tabanlı sınıflandırma yöntemlerine oranla uzamsal-spektral sınıflandırma yaklaşımıyla performans artışı sağlanmaktadır.

In this thesis, superpixel based approaches are used to classify SAR and hyperspectral images which are commonly used in remote sensing. Beside state-of-the-art superpixel methods, we propose mixture-based superpixel (MISP) and Gauss mixture model (GKM) superpixel methods specific to remote sensing images. The thesis is organized as three sections. In the first section, we present the superpixel methods in the computer vision literature such as normalized cuts, turbo pixel, entropy rate superpixels (ERS), simple linear iterative clustering (SLIC), linear spectral clustering (LSC) and quick-shift (QS), specific methods to SAR images such as MISP and PILS and specific to hyperspectral images as GKM superpixel method. In the next section the performance of superpixels are evaluated in terms of classifying different region such as urban, land, lake etc. in SAR image. After obtained the superpixels, they are unsupervised classified with commonly used k-means, hierarchical and GKM algorithms. When the test results of proposed in this thesis MISP method and the computer vision superpixel methods are compared, it is shown that MISP outperforms the other methods. In the third section the superpixel methods are used to classify the different areas in the hyperspectral image. Beside traditional based spectral classification methods, in this thesis we refer to spatial-spectral classification method using superpixels that include neighborhood information of the pixels in the spatial domain. In comparison with spectral based classification methods spatial-spectral classification approach increases the classification performance.