Kaynaştırılmış Görüntülerden Elde Edilen Doku Özellikleri ile DVM Sınıflandırma Performansının İyileştirilmesi

IF 1.6 Q3 GEOSCIENCES, MULTIDISCIPLINARY

Geomatik Pub Date : 2019-12-01 DOI:10.29128/GEOMATIK.507613

V. Yilmaz

{"title":"Kaynaştırılmış Görüntülerden Elde Edilen Doku Özellikleri ile DVM Sınıflandırma Performansının İyileştirilmesi","authors":"V. Yilmaz","doi":"10.29128/GEOMATIK.507613","DOIUrl":null,"url":null,"abstract":"Goruntu kaynastirma cok bantli (CB) goruntulerin konumsal detay kalitesinin pankromatik (PAN) goruntuler yardimiyla arttirilarak butunlesik goruntuler elde edilmesidir. Kaynastirilmis bir goruntudeki doku bilgisinin siniflandirma islemine entegre edilmesi siniflandirma isleminin dogruluguna olumlu yonde katki yapacaktir. Bu calismada Brovey, Multiplicative (MCV), PCA (Principal Component Analysis), Gram-Schmidt (GS), HPF (High-Pass Filtering), Wavelet, Ehlers ve HCS (Hyperspherical Colour Sharpening) kaynastirma yontemleri kullanilarak bir WorldView-2 CB goruntusu ile bir WorldView-2 PAN goruntusu kaynastirilmistir. Elde edilen kaynastirilmis goruntuler Watershed bolutleme (WB) algoritmasi ile bolutlenmistir. Elde edilen bolutlerden dort adet esdizimlilik doku ozelligi cikartilmistir. Cikartilan bu doku ozellikleri destek vektor makineleri (DVM) siniflandiricisina entegre edilerek goruntu uzerindeki siniflarin birbirinden ayrilabilirliginin arttirilmasi irdelenmistir. Deneysel sonuclar butun kaynastirma yontemlerinden elde edilen doku ozelliklerinin siniflandirma dogrulugunu belli bir oranda arttirdigini gostermektedir. Wavelet ve Ehlers kaynastirma yontemlerinden elde edilen doku ozelliklerinin siniflandirma dogrulugunu %20.4 ve %18.9 oraninda arttirarak bu alanda en basarili kaynastirma yontemleri olduklari tespit edilmistir.","PeriodicalId":33776,"journal":{"name":"Geomatik","volume":"20 1","pages":""},"PeriodicalIF":1.6000,"publicationDate":"2019-12-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"2","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Geomatik","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.29128/GEOMATIK.507613","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q3","JCRName":"GEOSCIENCES, MULTIDISCIPLINARY","Score":null,"Total":0}

引用次数: 2

Abstract

Goruntu kaynastirma cok bantli (CB) goruntulerin konumsal detay kalitesinin pankromatik (PAN) goruntuler yardimiyla arttirilarak butunlesik goruntuler elde edilmesidir. Kaynastirilmis bir goruntudeki doku bilgisinin siniflandirma islemine entegre edilmesi siniflandirma isleminin dogruluguna olumlu yonde katki yapacaktir. Bu calismada Brovey, Multiplicative (MCV), PCA (Principal Component Analysis), Gram-Schmidt (GS), HPF (High-Pass Filtering), Wavelet, Ehlers ve HCS (Hyperspherical Colour Sharpening) kaynastirma yontemleri kullanilarak bir WorldView-2 CB goruntusu ile bir WorldView-2 PAN goruntusu kaynastirilmistir. Elde edilen kaynastirilmis goruntuler Watershed bolutleme (WB) algoritmasi ile bolutlenmistir. Elde edilen bolutlerden dort adet esdizimlilik doku ozelligi cikartilmistir. Cikartilan bu doku ozellikleri destek vektor makineleri (DVM) siniflandiricisina entegre edilerek goruntu uzerindeki siniflarin birbirinden ayrilabilirliginin arttirilmasi irdelenmistir. Deneysel sonuclar butun kaynastirma yontemlerinden elde edilen doku ozelliklerinin siniflandirma dogrulugunu belli bir oranda arttirdigini gostermektedir. Wavelet ve Ehlers kaynastirma yontemlerinden elde edilen doku ozelliklerinin siniflandirma dogrulugunu %20.4 ve %18.9 oraninda arttirarak bu alanda en basarili kaynastirma yontemleri olduklari tespit edilmistir.

查看原文本刊更多论文

求助全文

约1分钟内获得全文求助全文

来源期刊

Geomatik

自引率

33.30%

发文量

审稿时长

30 weeks