SAR imgelerinin anlambilimsel sınıflandırılması

Abstract

Çok geniş bir kullanım alanına sahip sentetik açıklık radar(SAR) sistemlerindeki iyileştirmelerle birlikte yüksek çözünürlükte SAR imgeleri elde edilmeye başlanmış ve bunun sonucunda çok fazla bilgi içeren bu imgelerin piksel tabanlı sınıflandırılması yerine anlambilimsel sınıflandırılma ihtiyacı artmıştır. Bu tezde farklı öznitelik çıkarma ve sınıflandırma yöntemleri kullanılarak SAR imgelerinin anlambilimsel sınıflandırılmasında en etkin algoritmalar belirlenmeye çalışılmıştır. Piksel tabanlı sınıflandırma yaparken çözünürlükle birlikte artan işlem yükünün üstesinden gelmek için yama tabanlı anlambilimsel sınıflandırma algoritmaları tercih edilmiştir. Farklı türde öznitelik çıkarma yöntemleri ile elde edilen öznitelikleri sınıflandırmada, bireysel sınıflandırıcıların yanında topluluk öğrenmesine dayalı sınıflandırıcılar da kullanılarak anlambilimsel sınıflandırmada etkinlikleri incelenmiştir. Yaklaşık seyreltik çok terimli bağlanım (YSÇLB) yöntemi, SAR imgelerinin sınıflandırılmasın da ilk defa kullanılmış ve diğer sınıflandırma yöntemlerine yakın sonuçlar elde edilmiştir.The improvements in synthetic aperture radar (SAR) systems having a very wide range of applications lead to obtain high resolution SAR images and consequently to increase the need for semantic classification instead of pixel-based classification of these images containing a lot of information. In this thesis, different feature extraction and classification methods are used to determine the most efficient algorithms for semantic classification of SAR images. Patch-based semantic classification algorithms are preferred to overcome processing load increasing with resolution while making pixel based classification. By using classifiers based on ensemble learning besides individual classifier for classification of features obtained using different feature extraction methods, the effectiveness of these classifiers are examined. Approximate sparse multinomial logistic regression (ASMLR) method is proposed for SAR images classification for the first time and approximate results to other classification methods is obtained.