Özet:
Hiperspektral görüntüleme yüzlerce dar ve bitişik bandı kullanabilmeye imkân tanıyan ve gelişmekte olan bir uzaktan algılama teknolojisidir. Hiperspektral görüntüleyiciler elektromanyetik spektrumda görünür bölge olarak adlandırılan kısımdan, uzak kızıl ötesi spektral bant aralığına kadar olan bölgede çalışarak yüzlerce dar ve bitişik bant içeren görüntüleri elde edebilmektedirler. Bir önceki teknoloji olan multispektral görüntüler genellikle 4 ile 7 arasında 300 ile 400 nm genişliğe sahip bant içermekteyken hiperspektral görüntülerde bu sayı yüzler mertebesinde ifade edilir ve yaklaşık olarak bant genişlikleri 10 ile 20nm arasındadır. Hiperspektral görüntüler gün geçtikçe farklı disiplinlerde farklı amaçlar için kullanılmaya başlanmıştır. Bunlar arasında başta yer bilimleri olmak üzere savunma, tıp, kimya, ormancılık, tarım, şehir planlama, çevresel gözlem, hedef belirleme gibi alanlar yer alır. Hiperspektral görüntülerin daha iyi anlaşılıp yorumlanabilmesi için eğiticili ve eğiticisiz sınıflama yöntemlerine başvurulur. Bu tez çalışmasında eğiticisiz sınıflama yöntemlerinden bölütleme/kümeleme yöntemleri kesin referans bilgisi içermeyen görüntüler için kullanılırken, referans bilgisi içeren görüntüler için eğiticili sınıflama yöntemlerine başvurulmuştur. Ayrıca zaman ve alan karmaşıklıklarının azaltılabilmesi için boyut indirgeme yöntemlerinden yararlanılmıştır. Hiperspektral görüntülerde boyut indirgenmesi, bant seçim yöntemleri ve özellik çıkarım yöntemleri ile sağlanır. Bu çalışmada görüntülerin boyutunun azaltılması aşamasında özellik çıkarım yöntemlerinden olan temel bileşen analizi (TBA) ve çekirdek temel bileşen analizi (ÇTBA) kullanılmıştır. Bu yöntemler ayrıca öz-uzaya geçme açısından bant seçim yöntemlerine göre avantaj sağlamaktadır. Hiperspektral verilerin uzamsal ve spektral bilgilerinin beraberce kullanılması sınıflandırma başarımını arttıran bir yaklaşım sunar. Bu tez çalışmasında spektral ve uzamsal bilgilerin beraberce kullanılmasını sağlayan iki farklı öznitelik çıkarım yöntemi sunulmuştur. Yöntemlerden ilki her bir piksel için yerel ortak değişinti matrislerini kullanarak öznitelik çıkarımı yapmaktayken ikincisi yerel ortak değişinti matrislerini çoklu çözünürlük analizi ile birlikte kullanarak öznitelik çıkarımı yapmaktadır. Öznitelik çıkarımı ile yeni hiperspektral imzalara sahip olan görüntüler üzerinde k-ortalamalar kümeleme algoritması (KOK), bulanık C-ortalamalar (BCO), Gustafson-Kessel(GK) ve beklenti maksimizasyonu (BM) yöntemleri kullanılarak bölütleme yapılmıştır. Etiket bilgisine sahip görüntüler üzerinde ise destek vektör makinası (DVM) ve rastgele orman (RO) sınıflandırıcıları kullanılarak sınıflama işlemi gerçekleştirilmiştir. Elde edilen eğiticili ve eğiticisiz sınıflama sonuçları nesnel karşılaştırma kıstasları kullanılarak değerlendirilip yorumlanmıştır.
