Search

Weather conditions appear as an unchangeable structure. However, determining and determining weather conditions can help individuals plan their physical activities. In the study, it has been tried to perform different sky images and weather detection processes with image classification methods, which is one of the popular work subjects in the computer field in recent years. In the study, a data set consisting of images with different weather conditions and resolutions was used. The number of images in the data set has been increased by using various data augmentation methods. The feature maps of the images were obtained by applying image processing techniques to the images. In the next part of the study, the classification process was carried out on the images with an accuracy rate of 96.4% using the DenseNet image classification model., Hava durumu koşulları değiştirilemez bir yapı olarak karşımıza çıkmaktadır. Ancak hava koşullarının tespit edilip belirlenmesi bireylerin fiziksel aktivitelerini planlamasında yardımcı olabilmektedir. Yapılan çalışmada farklı gökyüzü görüntüleri ile hava durumu tespiti işlemlerini son yıllarda bilgisayar alanında popüler çalışma konularından biri olan görüntü sınıflandırma yöntemleriyle gerçekleştirilmeye çalışılmıştır. Çalışmada farklı hava koşullarına ve çözünürlüklere sahip görüntüden oluşan veri seti kullanılmış. Görüntüler üzerinde görüntü işleme teknikleri uygulanarak görüntülerin özellik haritaları çıkarılmıştır. %96.4 doğruluk oranı ile sınıflandırma işlemi gerçekleştirilmiştir. Gerçekleştirilen sınıflandırma sayesinde doğruluk oranı yüksek, kısa zamanlı ve maliyeti düşük hava durumu tespiti gerçekleştirilebilir.

Hyperspectral Images (HSI) are employed in many fields, owing to the high spectral resolution that offer. Classification of HSIs is a challenging process due to the high spectral resolution of the images. In this regard, the performance of various Machine Learning (ML) algorithms in the classification of HSGs have been investigated. Especially, Convolutional Neural Networks (CNN) architectures, have been specially developed for the classification of HSIs. Due to the high cost of hyperspectral imaging instruments, obtaining HSI datasets is challenging. In recent years, the costs of new generation hyperspectral imaging systems developed for manned and unmanned aerial vehicles (UAV) have been decreasing, and it has become possible to obtain high spatial resolution and cost-effective HSIs. In this study, it is aimed to examine the performance of various ML algorithms in the classification of HSIs with different spectral and spatial resolutions obtained from various platforms. In this context, satellite-based HyRANK Loukia, manned aircraft-based Chikusei and UAV-based WHU-Hi HanChuan images were classified using Support Vector Machines, Random Forest and CNN algorithms. When the classification performances were examined, it was seen that the highest overall accuracy values were obtained by CNN as 87.78%, 99.82% and 96.89% for the data sets, respectively., Hiperspektral Görüntüler (HSG), sağladığı yüksek spektral çözünürlük sayesinde birçok alanda kullanım alanına sahiptir. HSG’lerin sınıflandırılması, görüntülerin yüksek spektral çözünürlüğü sebebiyle zorlayıcı bir süreçtir. Bu bağlamda HSG’lerin sınıflandırılmasında birçok Makine Öğrenme (MÖ) algoritmasının performansı araştırılmıştır. Özellikle Derin Öğrenmenin alt dallarından biri olan Evrişimli Sinir Ağları (ESA) tabanlı birçok ağ mimarisi HSG’lerin sınıflandırılması için özel olarak geliştirilmiştir. Hiperspektral görüntüleme sistemlerinin (HGS) yüksek maliyetleri sebebiyle veri setlerinin elde edilmesi zordur. Son yıllarda insanlı ve insansız hava araçları (İHA) için geliştirilen yeni nesil hiperspektral görüntüleme sistemlerinin maliyetleri giderek düşmekte olup yüksek mekânsal çözünürlüklü ve uygun maliyetli HSG elde edilmesi mümkün hale gelmiştir. Bu çalışmada çeşitli platformlardan elde edilmiş farklı spektral ve uzamsal çözünürlükteki HSG’lerin sınıflandırılmasında çeşitli MÖ algoritmalarının performansının incelenmesi amaçlanmıştır. Bu kapsamda uydu tabanlı HyRANK Loukia, hava aracı tabanlı Chikusei İHA tabanlı WHU-Hi HanChuan isimli görüntüler Destek Vektör Makineleri, Rastgele Orman ve ESA algoritmaları kullanılarak sınıflandırılmıştır. Sınıflandırma performansları incelendiğinde en yüksek genel doğruluk değerleri veri setleri için sırasıyla %87,78, %99,82 ve %96,89 olarak ESA tarafından elde edildiği görülmüştür.

Accurate land cover information is necessary for successful monitoring, planning and management of the land cover features. Thanks to free-access satellite images, studies have focused on the creation of more accurate thematic maps, which have been used as a base data in many applications. The cloud-based Google Earth Engine (GEE) service makes it easier to access, store and process these satellite images. This study aims to improve the accuracy of a land cover map produced with the Sentinel-2 satellite image. For this purpose, as the very first step, study site was classified using only traditional bands of the Sentinel-2 data. To improve the classification accuracy, Sentinel-1 Synthetic Aperture Radar (SAR) data, Advanced Land Observing Satellite (ALOS) World 3D data, various spectral indices and gray-level co-occurrence matrix (GLCM) features were added to the traditional bands of the Sentinel-2 data, leading to a multi-source classification process. In this study, where the city center of Trabzon was selected as the study area, the accuracy of the land cover map produced using the Random Forest (RF) classification algorithm was increased from 83.51% to 92.78% with the auxiliary data used., Yeryüzü nesnelerinin başarılı bir şekilde izlenmesi, planlanması ve yönetimi için yüksek doğruluklu arazi örtüsü bilgisi gereklidir. Ücretsiz erişilebilen uydu görüntüleri sayesinde, birçok uygulamada temel altlık verisi olarak kullanılabilen yüksek doğruluklu tematik haritaların oluşturulmasına yönelik çalışmalar yoğunlaşmıştır. Bulut tabanlı Google Earth Engine (GEE) platformu, bu tür uydu görüntülerine erişmeyi, depolamayı ve işlemeyi kolaylaştırmaktadır. Bu çalışma, Sentinel-2 uydu görüntüsü ile üretilmiş bir arazi örtüsü haritasının doğruluğunu artırmayı amaçlamaktadır. Bu amaçla, ilk aşamada, çalışma alanı Sentinel-2 verilerinin yalnızca geleneksel bantları kullanılarak sınıflandırılmıştır. Daha sonra, sınıflandırma doğruluğunu iyileştirmek için Sentinel-2 görüntüsünün geleneksel bantlarına Sentinel-1 Yapay Açıklıklı Radar (SAR) verisi, Gelişmiş Arazi Gözlem Uydusu (ALOS) 3 boyutlu sayısal yükseklik modeli verileri, çeşitli spektral indeksler ve Gri Seviyeli Eşdizimlilik Matrisi (GLCM) özellikleri eklenerek çok kaynaklı bir sınıflandırma prosedürü geliştirilmiştir. Trabzon ilinin şehir merkezinin çalışma bölgesi olarak seçildiği bu çalışmada, Rastgele Orman (RF) sınıflandırma algoritması kullanılarak üretilen arazi örtüsü haritasının doğruluğu kullanılan yardımcı veriler ile %83.51'den %92.78'e yükseltilmiştir.

Uzaktan algılanmış görüntülerden elde edilen doku bilgisi yardımıyla yüksek doğruluklu arazi örtüsü haritalarının üretilmesi mümkündür. Kaynaştırılmış bir görüntüdeki doku bilgisinin sınıflandırma işlemine entegre edilmesinin sınıflandırma işleminin doğruluğuna olumlu yönde katkı yapması muhtemeldir. Bu çalışmada Brovey, Multiplicative (MCV), PCA (Principal Component Analysis), Gram-Schmidt (GS), HPF (High-Pass Filtering), Wavelet, Ehlers ve HCS (Hyperspherical Colour Sharpening) kaynaştırma yöntemleri kullanılarak bir WorldView-2 ÇB görüntüsü ile bir WorldView-2 PAN görüntüsü kaynaştırılmıştır. Elde edilen kaynaştırılmış görüntüler Watershed bölütleme (WB) algoritması ile bölütlenmiştir. Elde edilen bölütlerden dört adet eşdizimlilik doku özelliği çıkartılmıştır. Çıkartılan bu doku özellikleri destek vektör makineleri (DVM) sınıflandırıcısına entegre edilerek görüntü üzerindeki sınıfların birbirinden ayrılabilirliğinin arttırılması irdelenmiştir. Deneysel sonuçlar bütün kaynaştırma yöntemlerinden elde edilen doku özelliklerinin sınıflandırma doğruluğunu belli bir oranda arttırdığını göstermektedir. Wavelet ve Ehlers kaynaştırma yöntemlerinden elde edilen doku özelliklerinin sınıflandırma doğruluğunu %20.4 ve %18.9 oranında arttırarak bu alanda en başarılı kaynaştırma yöntemleri oldukları tespit edilmiştir.

Oftalmolojide, insan gözündeki anatomik yapıları ve anomalilikleri yakalamak için bir retina görüntüleme yöntemi olan fundus görüntüleme ve erken fundus taraması, oftalmolojik hastalıkların neden olduğu körlüğü önlemenin etkili ve ekonomik bir yoludur. Klinik olarak, tıbbi kaynakların yetersizliği nedeniyle manuel teşhis zaman alıcıdır. Hastalığa ait tanı, teşhis ve tedavi durumunu geciktirebilir. Günümüzde hızlı ve otomatik hastalık tespiti, oftalmologların iş yükünü azaltmak için kritik ve acildir. Oftalmologlar, gözün ve çevresindeki yapıların doğrudan veya dolaylı olarak görselleştirilmesi yoluyla örüntü tanımaya dayalı olarak hastalıkları teşhis eder. Oftalmoloji alanının hastalık tespitinde fundus görüntülerine olan bu bağlılığı, derin öğrenme mimarilerinden yararlanmak için mükemmel bir zemin hazırlamıştır. Bu tez çalışmasının temel amacı, yapay zekâ odaklı oküler hastalıkların sınıflandırma probleminin çözümlenmesini sağlamaktır. Bu kapsamda, hastaların sağ ve sol gözlerinden alınan renkli fundus görüntüleri ve her bir görüntüye ait hastalık teşhis anahtar kelimeleri olan eğitim verisi kullanılarak oküler hastalık sınıflandırması için farklı derin konvolüsyonel sinir ağı modelleri oluşturmak, bu modellerin eğitimini gerçekleştirmek, model eğitimi sonrası, test fundus görüntü kümesi kullanılarak oluşturulan modellerin hastalık sınıflandırma performans ölçütleri olan kappa değeri, F1 skoru, Eğri altında kalan alan (Area Under Curve-AUC) ve bu üç ölçütün ortalaması olan Final skoru değerlerinin hesaplanması, modellerin sınıflandırma performansının bu ölçütlere göre değerlendirilmesi, en iyi skora sahip modelin oküler hastalıkların sınıflandırılmasında kullanılması ve literatüre önerilmesi amaçlanmıştır. Yöntem: Konvolüsyonel sinir ağları (CNN), güçlü özellik öğrenme yeteneği ile fundus görüntüleri üzerinde dikkate değer bir başarı elde etmiştir ve derin öğrenmenin gelişmesiyle birlikte, oftalmoloji alanında hastalıklar üzerine yapılan araştırmalar hız kazanmıştır. Yapılan araştırmaların çoğu sadece tek bir hastalığa odaklanmıştır. Göz dibi taraması sırasında, oftalmologlar genellikle binoküler fundus görüntüsünde çoklu hastalık teşhisi verirler. Gerçek tıbbi senaryoyu karşılayabilmek için 2019 yılında ilk kez 8 farklı hastalık sınıfı içeren binoküler fundus görüntülerinden oluşan halka açık Oküler Hastalık Akıllı Tanıma (ODIR) veri seti yayınlanmıştır. v Bulgular: Bu tez çalışmasında, oftalmolojik hastalıklara ait görüntülerinin sınıflandırılması için literatürde State of the Art Modelleri olarak adlandırılan ve üç başarılı model olan Inceptionv3, VGG16 ve ResNet50 CNN mimarisi oluşturulmuştur. Ön-eğitimli ImageNet ağırlıkları kullanılarak, her bir model için öznitelik çıkarımı elde edildikten sonra modellerin hastalık sınıflandırma performansları değerlendirilmiştir. Uluslararası Oküler Hastalık Akıllı Tanıma Yarışması tarafından sağlanan veri seti üzerinde eğitilen ve test edilen modeller için sırası ile Final skoru değerleri VGG16 modeli için, 0.677, Inceptionv3 modeli için 0.669, ResNet50 modeli için 0.628 bulunmuştur. Sonuç: Elde edilen yüksek doğruluk, AUC, F1 skoru, kappa değeri ve son üç ölçütün ortalaması olan en yüksek Final skor değerine sahip CNN modeli olan VGG16 modelinin fundus görüntülerinin sınıflandırılmasında kullanılabileceğini; Tıp Fakültelerinin Oftalmoloji alanında uzmanlara tanı aşamasında yardımcı bir destek rolü üstlenebileceği ve bu alanda gelecekte kullanılabilir sistemler tasarlanabileceğini göstermektedir Fundus imaging and early fundus scanning, a retinal imaging method to capture anatomical structures and anomalies in the human eye in ophthalmology, is an effective and economical way to prevent blindness caused by ophthalmologic diseases. Clinically, manual diagnosis is time consuming due to the scarcity of medical resources. Diagnosis, diagnosis and treatment of the disease may delay. Fast and automated disease detection today is critical and urgent to reduce the workload of ophthalmologists. Ophthalmologists diagnose diseases based on pattern recognition through direct or indirect visualization of the eye and surrounding structures. This commitment of the field of ophthalmology to fundus images in disease detection has laid the perfect groundwork for taking advantage of deep learning architectures. The main purpose of this thesis is to solve the classification problem of ocular diseases focused on artificial intelligence. In this context, creating different deep convolutional neural network models for ocular disease classification by using color fundus images taken from the right and left eyes of the patients and the education data, which are the disease diagnosis keywords of each image, to train these models, after the model training, the test fundus image set Calculation of the disease classification performance criteria such as kappa value, F1 score, Area Under Curve (AUC) and Final score values which are the average of these three criteria, evaluation of the classification performance of the models according to these criteria, It is aimed to be used in the classification of diseases and suggested to the literature. Method: Convolutional neural networks (CNN) have achieved remarkable success on fundus images with their powerful feature learning ability, and with the development of deep learning, research on diseases in the field of ophthalmology has gained momentum. Most of the research has focused on only one disease. During fundus scanning, ophthalmologists usually diagnose multiple diseases on a binocular fundus image. In order to meet the real medical scenario, a public Ocular Disease Intelligent Recognition (ODIR) data set consisting of binocular fundus images containing eight different disease classes was published for the first time in 2019. vii Results: In this thesis, three successful models Inceptionv3, VGG16 and ResNet50, which are called State of the Art Models in the literature, were created for the classification of images of ophthalmologic diseases. The disease classification performances of the models were evaluated after feature extraction was obtained for each model using pre-trained ImageNet weights. Final score values for the models trained and tested on the data set provided by the International Ocular Disease Intelligent Recognition Competition were 0.677 for the VGG16 model, 0.669 for the Inceptionv3 model, and 0.628 for the ResNet50 model, respectively. Conclusion: The obtained high accuracy, AUC, F1 score, kappa value and the highest Final score value of the CNN model, which is the average of the last three criteria, can be used in classification of fundus images; It shows that Medical Faculties can play an auxiliary role to support specialists in the field of ophthalmology at the diagnosis stage and those systems can be designed in the future

Uzaktan algılama (UA) ile elde edilen görüntüler dünya yüzeyindeki nesneler hakkında detaylı bilgi toplanmasını mümkün kılmaktadır. Elde edilen görüntülerin sınıflandırılmasıyla oluşturulan arazi örtüsü haritaları kaynakların izlenmesi, çevresel değişimin tespiti ve planlama gibi birçok alanda geniş bir kullanım alanına sahiptir. Dolayısıyla harita kullanıcıları doğru ve güvenilir arazi örtüsü haritalarına ihtiyaç duymaktadır. Temel sınıflardan oluşan haritaların üretilmesi için multispektral sensörlerden elde edilmiş veriler yeterli olurken, özellikle tür içi farklılar içeren sınıflar da dahil olmak üzere detaylı sınıfların bulunması bu verilerin sınıflandırma için yeterli spektral bilgiyi sağlayamamasına yol açmaktadır. Bu durumda yüzlerce dar aralıkta banda sahip olan hiperspektral görüntülerin, nesneler hakkında daha detaylı spektral yansıtım bilgisini sunmaktadır. Hiperspektral görüntülerin geleneksel yöntemlerle sınıflandırılması hesaplama zorluğu sebebiyle yetersiz kalmaktadır. Bu durumda Makine Öğrenme (MÖ) ve Derin Öğrenme (DÖ) gibi yöntemler kullanıcılara bu tarz verilerde birçok avantaj sunmaktadır. Bu tez kapsamında MÖ yöntemlerinden Destek Vektör Makineleri, Rastgele Orman, DÖ’de özellikle görüntü sınıflandırma alanında yaygın olarak kullanılan Evrişimli Sinir Ağı (ESA) kullanılmıştır. Çalışmada kullanılan ESA mimarileri yapısal özelliklerine göre 2B ESA ve 3B+2B ESA olarak isimlendirilmiştir. Yöntemlerin karşılaştırılması 176 bant spektral ve 30 metre konumsal çözünürlüklü HyRANK, 144 bant ve 2,5 metre konumsal çözünürlüklü DFC13 ile 202 bant ve 3,7 metre konumsal çözünürlüklü Salinas Scene veri setleri ile gerçekleştirilmiştir. Modellerde eğitim veri setinin etkisini araştırmak amacıyla her veri seti için 30%, 50% ve 70% eğitim veri kümesi oranları test edilmiştir. Çalışma sonucunda ESA modellerinin hiperspektral görüntülerin sınıflandırılmasında kullanımının yüksek doğruluk sağladıkları görülmüştür. Eğitim veri kümesi boyutunun araştırılması aşamasında ise beklendiği üzere 70% eğitim verisi kullanımının en yüksek doğruluğu sağladığı, bunun yanında 30% veri seti kullanımının da tatmin edici bir sınıflandırma doğruluğu sağladığı söylenebilir. Remotely sensed images enable to collect detailed information about objects on the earth's surface. Land cover maps created by classifying the remotely sensed images have a wide range of uses in many areas such as monitoring resources, detecting environmental change and planning. Therefore, map users need accurate and reliable land cover maps. Images which obtained from multispectral sensors is sufficient to produce maps consisting of basic classes. However, the existence of detailed classes that including classes with intra-species differences causes these data to not provide sufficient spectral information for classification. In this case, hyperspectral images with hundreds of narrow bands offer more detailed spectral reflection information about objects. Classification of hyperspectral images by traditional methods is insufficient due to calculation difficulties. In this case, methods such as Machine Learning and Deep Learning offer many advantages to users in such data. In this thesis, Support Vector Machines, Random Forest, and Convolutional Neural Network (CNN), which are widely used in the field of image classification in Deep Learning were used for classifying hyperspectral images. The CNN architectures used in the study are named as 2D CNN and 3D + 2D CNN according to their structural features. Comparison of the methods was performed with HyRANK (176 band spectral and 30 meter spatial resolution), DFC13 (144 band and 2,5 meter spatial resolution), Salinas Scene (202 band and 3,7 meter spatial resolution) data sets. In order to investigate the effect of training data set on models, 30%, 50% and 70% training data set ratios were tested for each data set. As a result of the study, it was seen that the use of CNN models for classification of hyperspectral images provided high accuracy. When investigating the size of the training dataset, it can be said that the use of 70% training data provides the highest accuracy as expected, while the use of 30% data set provides a satisfactory classification accuracy.

Over the past few decades, cases of skin cancer have increased enormously. It is getting most popular cause of deaths in men/woman’s even in both developed and undeveloped countries. If skin cancer can’t be treated in early stages, it can go down in human skin and spread quickly to other parts in the body. Melanoma causes luckily become visible to sufferers creating an opportunity to detect in early stages. The recent advent of deep learning methods for computer - aided diagnosis has allowed the development of intelligent healthcare imaging-based diagnostic systems that can facilitate the human experts in making informed decisions about a patient's condition. In this report will focus on the problem of skin lesion classification, specifically the detection of skin cancer (melanoma) in early stages, and present a deep learning (Convolution Neural Network) based approach to classify the dermoscopic image containing a skin lesion as cancerous or benign. We have identified what methodology and parameters to use to replicate this study. In this report we have tried to brought in light that how deep networks and convolutional neural networks are taking the place of handcrafted feature extractors in different image classifications Son birkaç on yılda, cilt kanseri vakaları muazzam bir şekilde arttı. Hem gelişmiş hem de gelişmemiş ülkelerde bile erkek / kadın ölümlerinin en popüler nedenini alıyor. Cilt kanseri erken aşamalarda tedavi edilemezse, insan cildine inerek vücudun diğer bölgelerine hızla yayılabilir. Melanom, hastalara şans eseri görünür hale gelir ve erken aşamalarda tespit etme fırsatı yaratır. Bilgisayar destekli teşhis için derin öğrenme yöntemlerinin yakın zamanda ortaya çıkışı, insan uzmanların bir hastanın durumu hakkında bilinçli kararlar vermesini kolaylaştırabilecek akıllı sağlık hizmeti görüntüleme tabanlı teşhis sistemlerinin geliştirilmesine izin verdi. Bu raporda, cilt lezyonu sınıflandırması sorununa, özellikle deri kanserinin (melanom) erken evrelerde saptanmasına odaklanılacak ve bir deri lezyonu içeren dermoskopik görüntüyü kanserli veya iyi huylu. Bu çalışmayı tekrarlamak için hangi metodolojiyi ve parametreleri kullanacağımızı belirledik. Bu raporda, derin ağların ve evrişimli sinir ağlarının, farklı görüntü sınıflandırmalarında el yapımı özellik çıkarıcıların yerini nasıl aldığına ışık tutmaya çalıştık. No sponsor

Hacimsel görselleştirme yüzey görselleştirmeye göre daha yüksek işlem yükü gerektirir. Teknolojinin gelişmesine paralel olarak hacimsel görselleştirmeye olan ilgi son yıllarda artmıştır. Hacimsel görselleştirmede önemli zorluklardan bir tanesi ilgi duyulan bölgelerin transfer fonksiyonları aracılığı ile çıkarımıdır. Bu tez çalışmasında hacimsel görselleştirmede karşılan bu zorluğun çözümü için yüzey görselleştirmede sıklıkla kullanılan sınıflandırma temelli yaklaşım uygulanmıştır. Bu tezde önerilen yaklaşımda hacimsel görselleştirme işlemi iki aşamada gerçekleştirilmektedir. İlk aşamada görüntü işleme ile yerel sınırlar çıkartılmakta ve bu sınırlar makine öğrenmesi yöntemi ile birleştirilerek ilgi duyulan bölge (İDB) belirlenmektedir. İkinci aşamada ise bir transfer fonksiyonu aracılığı ile İDB hacimsel olarak görselleştirilmektedir. Önerilen yaklaşımın başarım analizi yapılırken gürültünün İDB ve hacimsel görüntü üzerindeki etkisi araştırılmıştır. Başarım analizi sonucunda önerilen yaklaşımın hacimsel görselleştirmeyi iyileştirdiği görülmüştür. Volumetric visualization requires higher processing load than surface visualization. In parallel with the development of technology, interest in volumetric visualization has been increased in recent years. One of the major challenges in volumetric visualization is the extraction of regions of interest through transfer functions. In this thesis, a classificationbased approach, which is frequently used in surface visualization, has been applied to solve this challenge in volumetric visualization. In the approach proposed in this thesis, volumetric visualization process is carried out in two stages. In the first stage, local boundaries are extracted with the image processing and the region of interest (ROI) is determined by combining these boundaries with the machine learning methods. In the second stage, ROI is visualized volumetrically by using a transfer function. While analysing the performance of the proposed approach, the effect of the noise on the ROI and the volumetric image was investigated. As a result of the performance analysis, it was seen that the proposed approach improved the volumetric visualization.

In this thesis, machine learning algorithms were compared for object-based classification of multi-date Sentinel-1 SAR and Sentinel-2 optical satellite images of agricultural summer crops grown in Gediz plain. The machine learning algorithms used in the study were DT (Decision Tree), RF (Random Forest) and SVM (Support Vector Machines). In addition to the original bands of Sentinel-1 and Sentinel-2 satellite images, NDVI (Normalized Difference Vegetation Index) bands and texture (dissimilarity, entropy, homogeneity, angular second moment, correlation and correlation) bands were also calculated and used in the classification process. Eight images selected between April and November 2017 of the Sentinel-1 and Sentinel-2 satellite images have been used in the study. The selected dates of Sentinel-1 satellite images were 13 April, 1 May, 1 June, 30 June, 31 July, 5 September, 11 October and 16 November 2017, while the dates selected for Sentinel-2 satellite images were 10 April, 3 May, 2 June, 2 July, 1 August, 7 September, 10 October and 16 November 2017. In the first step of the study segments were created by performing multi-resolution image segmentation. Features were calculated for each of the generated segments. The classification process was carried out through object-based DT, RF and SVM algorithms. Different combinations of Sentinel-1, Sentinel-2 original bands, texture bands and NDVI bands were used in the classification process. When only the original bands are used in classification, the highest classification accuracy for Sentinel-1 images was obtained by the RF algorithm (90.48%). Similarly, for the Sentinel-2 images, the highest classification accuracy was also calculated by the RF algorithm (90.96%). When the images of both satellites were used together (Sentinel-1 + Sentinel-2 + NDVI), the highest accuracy (%93,37) was given by the SVM algorithm and this was the highest accuracy value obtained in this study. Based on the results, when the combination of features were evaluated, the texture and standart deviation bands did not increase the classification accuracy, whereas they decreased the accuracy. The reduction in the accuracy varies between 1% and 5% depending on the combination of features and the classfication algorithm used. On the other hand, when Sentinel-1 original bands were used in combination with Sentinel-2 bands, the positive effect of Sentinel-1 bands on the classification accuracy was approximately 1-2% in all combinations. In addition, in the feature combinations where Sentinel-1 bands were used alone, very high accuracy values have been calculated. Finally, when NDVI mean values were considered, it was seen that NDVI bands have increased the accuracy in all feature combinations and algorithms. Furthermore, high accuracy values were achieved when the classification was carried out using the NDVI bands only.The overall accuracy of 92,65% was calculated when classification was carried out using the RF algorithm and NDVI bands only. İÇİNDEKİLER ÖZET i ABSTRACT ii TEŞEKKÜR v İÇİNDEKİLER vi TABLOLAR vii ŞEKİLLER viii KISALTMALAR xi 1. GİRİŞ 1 1.1. Tezin Amacı 5 1.2. Geçmiş Çalışmalar 6 1.3. Kullanılan Yazılımlar 10 1.4. Tezin Organizasyonu 11 2. YÖNTEM 12 2.1. Çalışma Alanı ve Veriler 12 2.1.1. Uydu Görüntüleri Tarihlerinin Seçimi 13 2.1.2. Arazi Gerçeği Verileri 24 2.2. Uydu Görüntüleri 27 2.2.1. Sentinel-1 Uydu Görüntüleri – SAR ( Sentetik Açıklıklı Radar) 27 2.2.2. Sentinel-2 Optik Uydu Görüntüleri 28 2.3. Makine Öğrenme Algoritmaları 30 2.3.1. Karar Ağacı 30 2.3.2. Rastgele Orman 32 2.3.3. Destek Vektör Makineleri 34 2.4. Görüntülerin İşlenmesi ve Sınıflandırılması 36 2.4.1. Eğitim ve Test Verilerinin Oluşturulması 42 2.4.2. Sentinel-1 SAR Uydu Görüntülerine Ön-İşlemelerin Uygulanması 45 2.4.3. Görüntü Segmentasyonu 46 2.4.4. Eğitim ve Test Alanlarına Özellik Değerlerinin Aktarılması 52 2.4.5. Sınıflandırma 55 2.4.6. Doğruluk Analizleri 57 3. BULGULAR ve KARŞILAŞTIRMALAR 60 3.1. Karar Ağacı Algoritması İle Elde Edilen Sonuçlar 69 3.2. Rastgele Orman Algoritması İle Elde Edilen Sonuçlar 72 3.3. Destek Vektör Makineleri İle Elde Edilen Sonuçlar 76 3.4. KA, DVM ve RO Algoritmalarıyla Elde Edilen Sınıflandırma Sonuçlarının Ürün Bazında Karşılaştırılması 78 4. SONUÇLAR 84 KAYNAKLAR 87 5. EKLER 96 ÖZGEÇMİŞ 112 Bu çalışmada, Gediz ovasında yetiştirilen tarımsal yaz ürünlerinin çok zamanlı Sentinel-1 SAR ve Sentinel-2 optik uydu görüntülerinden nesne-tabanlı sınıflandırması için makine öğrenme algoritmalarının karşılaştırması yapılmıştır. Çalışmada kullanılan makine öğrenme algoritmaları KA (Karar Ağacı), RO (Rastgele Orman) ve DVM (Destek Vektör Makineleri) dir. Çalışmada ayrıca Sentinel-1 ve Sentinel-2 uydu görüntülerinin orijinal bantlarına ek olarak NDVI (Normalize Edilmiş Bitki İndeksi Farkı) bitki indeksi bantı ve farklılık (dissimilarity), entropi (entropy), homojenlik (homogeneity), açısal ikinci moment (angular second moment), korelasyon (correlation) ve kontrast (contrast) doku bantları da hesaplanmış ve sınıflandırma işleminde kullanılmıştır. Çalışmada Sentinel-1 ve Sentinel-2 uydu görüntülerinin, Nisan-Kasım 2017 tarihleri arasında belirlenen 8 tarihe ait görüntüleri kullanılmıştır. Sentinel-1 uydusu için seçilen görüntü tarihleri 13 Nisan, 1 Mayıs, 1 Haziran, 30 Haziran, 31 Temmuz, 5 Eylül, 11 Ekim ve 16 Kasım 2017 iken Sentinel-2 uydu görüntüleri için seçilen görüntü tarihleri 10 Nisan, 3 Mayıs, 2 Haziran, 2 Temmuz, 1 Ağustos, 7 Eylül, 10 Ekim ve 16 Kasım 2017 olarak belirlenmiştir. Çalışmada öncelikle çoklu çözünürlük görüntü segmentasyonu işlemi yapılarak segmentler oluşturulmuştur. Oluşturulan segmentlerden her segmente ait özellikler hesaplanmıştır. Sınıflandırma işlemi KA, RO ve DVM algoritmalarıyla segment tabanlı gerçekleştirilmiştir. Sınıflandırma işleminde ayrıca Sentinel-1, Sentinel-2 orijinal bantları, doku özellikleri ve NDVI bitki indeksinden oluşan farklı kombinasyonlar kullanılmıştır. Sınıflandırmada yalnız orijinal bantlar kullanıldığında Sentinel-1 görüntüleri için en yüksek sınıflandırma doğruluğu (%90,48) RO algoritması ile elde edilmiştir. Sentinel-2 görüntüleri için yine en yüksek sınıflandırma doğruluğu (%90,96) RO algoritması ile hesaplanmıştır. Her iki uyduya ait görüntüler birlikte kullanıldığında (Sentinel-1+ Sentinel-2+NDVI) ise, en yüksek doğruluğu (%93,37) DVM algoritması vermiştir. Bu doğruluk oranı çalışmada elde edilen en yüksek sınıflandırma doğruluğudur. Elde edilen sonuçlara göre özellik kombinasyonları değerlendirdiğinde, doku ve standart sapma bantları sınıflandırma doğruluğunu arttırmamış aksine azaltmıştır. Doğruluktaki bu azalma, kullanılan özellik kombinasyonu ve algoritmaya göre %1 - %5 arasında değişmektedir. Öte yandan, Sentinel-1 orijinal bantlarının, Sentinel-2 bantlarıyla birlikte kullanıldığı kombinasyonlarda Sentinel-1 bantlarının sınıflandırma doğruluğuna olumlu etkisi tüm kombinasyonlarda yaklaşık %1-2 kadar olmuştur. Ayrıca, sadece Sentinel-1 bantlarının kullanıldığı kombinasyonlarda oldukça yüksek doğruluk değerlerine ulaşılmıştır. Son olarak NDVI ortalama değerlerine bakıldığında NDVI bantlarının tüm özellik kombinasyonları ve algoritmalarda doğruluğu arttırıcı etkisi olduğu görülmüştür. Bunun yanı sıra sınıflandırmada yalnızca NDVI bantları kullanıldığında bile yüksek doğruluk değerlerine ulaşılmıştır. Sadece NDVI bantlarının RO algoritmasıyla sınıflandırıldığı işlem sonucunda %92,65 genel doğruluk değeri hesaplanmıştır.

Konvolüsyonel sinir ağları (Convolutional Neural Networks - CNN) yüz tanıma, hasta teşhisi, nesne algılama ve resim sınıflandırma gibi birçok alanda oldukça başarılı olarak kullanılmaktadır. CNN, görüntü veri kümeleri üzerinde sınıflandırma işlemi gerçekleştirir. Önce görüntü veri kümelerini sayısal dizilere çevirir, daha sonra bu sayısal verileri sınıflandırma işlemine tabi tutar. CNN'de oluşturulan model sınıflandırma başarısını doğrudan etkilemektedir, dolayısıyla her görüntü veri kümesine uygun bir CNN modeli tasarlamak gerekmektedir. Bu tez çalışmasında, Kaggle web sitesinden 10 farklı çiçek türünün 210 görüntüsünden oluşan çiçek resimleri veri kümesi ele alınarak, bu çiçek resim veri kümesine uygun bir CNN modeli tasarımı önerilmiştir. Önerilen CNN modeli üzerinde çiçek resim veri kümesinin daha iyi başarı ile sınıflandırma işlemini gerçekleştirmesi için çiçek resimleri üzerinde 4 farklı açıda yansıtma ve döndürme işlemleri ile veri kümesinin büyüklüğü arttırılmıştır. Çiçek resimleri veri kümesi üzerinde hem renkli olarak hem de gri olarak sınıflandırma işlemi yapılmıştır. Önerilen CNN modeli üzerinde sınıflandırma başarıları 5-fold çapraz doğrulama ile elde edildikten sonra renkli veri kümesinin sınıflandırma sonuçları gri sınıflandırma sonuçları ile karşılaştırılmıştır. Deneysel sonuçlara göre önerilen CNN modeli renkli ve gri veri kümeleri için sırasıyla %84 ve %47 test sınıflandırma başarıları elde etmiştir. Elde edilen sınıflandırma test sonuçlarına göre önerilen CNN modeli renkli veri kümesi üzerinde daha iyi bir performans göstermiştir., Convolutional Neural Networks (CNN) is used very successfully in many areas such as face recognition, patient diagnosis, object detection and picture classification. The CNN performs the classification on the image data sets, first converts the image data sets to numerical arrays, then subject the numerical data to the classification process. The model created in CNN directly affects the success of the classification, so it is necessary to design a CNN model suitable for each image data set. In this thesis, a flower image dataset consisting of 210 images of 10 different flower species from Kaggle website is considered and a CNN model design suitable for this flower image dataset is proposed. On the proposed CNN model, the data set was increased implementing 4 different angles of reflection and rotation on the flower images in order to achieve better classification results of the flower image data set. Flower images were graded both in color and gray on the dataset. The classification successes on the proposed CNN model were obtained by 5-fold cross validation and the results of the color data set were compared with the gray classification results. According to experimental results, the proposed CNN model achieved 84% and 47% test classification successes for color and gray data sets, respectively. According to the obtained classification test results, the proposed CNN model performed better on the color dataset.

Yeni araç ve teknolojilerin gelişmesiyle insanlar olağanüstü görsel veri artışına tanık olmaktadır. Bu görsel verilerin bilgisayarlar tarafından anlamlandırılabilmesi için, görüntü sınıflandırma yöntemlerine ihtiyaç duyulmaktadır. Görüntü sınıflandırma; verilen görüntülerden öznitelik çıkarımı yapılarak önceden belirlenmiş sınıflara görüntülerin atanması işlemidir. Bu tez kapsamında görüntü sınınflandırma problemine çözüm üretebilmek amacıyla, derin öğrenmenin bir alt dalı olan evrişimli yapay sinir ağları kullanılmıştır. Sinir ağlarının modellerinde kullanılacak hiperparametrelerin belirlenmesi işleminin optimizasyonu için ise genetik algoritmalardan faydalanılmıştır. Çalışmada en uygun evrişimli sinir ağı modelinin bulunması için, katman sayısı, katmanlardaki nöron sayıları, aktivasyon fonksiyonları ve iyileştirici fonksiyonlar ayrı ayrı parametre setleri olarak sinir ağı oluşturan birime verilir. İlk olarak sinir ağı popülasyonları rastgele üretilir. Daha sonra bu popülasyonlara genetik algoritma ile seçilim uygulanır ve en iyi sonucu veren parametreler belirlenir. Deneysel çalışmada, geliştirilen sistemin farklı verisetleri üzerindeki başarıları ve çalışma süreleri ölçülmüştür., With the development of new tools and technologies, people are witnessing an extraordinary increase in visual data. In order for these visual data to be interpreted by computers, image classification methods are needed. Image classification; is the process of assigning images to predetermined classes by extracting attribute from given images. In this thesis, convolutional neural networks, which is a sub-branch of deep learning, has been used in order to produce a solution to the image classification problem. Genetic algorithms were used for optimization of hyperparameters to be used in neural network models. In order to find the most suitable convolutional neural network model in the study, the number of layers, the number of neurons in the layers, activation functions and optimization functions were given to the neural network modelling units as separate sets of parameters. Firstly, neural network populations has been generated randomly. Then the selection has been applied to these populations with genetic algorithm and the parameters that yield the best results are determined. In the experimental study, the successes and working times of the developed system on different datasets were measured.

Yüksek Lisans Tezi, Kentsel mekân dinamik bir yapıda olup sürekli değişim göstermektedir. Kent, yaygın, parçalı, dağınık ve sınırsız bir gelişim gösteriyorsa alan yazınında buna "kentsel yayılma" denmektedir. Üniversite kurmak gibi büyük yatırım kararları nüfusun, ekonomik faaliyetlerin ve kamu hizmetlerinin coğrafi mekânda dağılışına etki etmektedir. İdari ve akademik çevrelerde üniversitelerin kente etkileri gündem oluşturan, sıkça tartışılan ve üzerinde çalışılan bir konu halini almıştır. Üniversiteler, "komşu çevre" olarak adlandırılan alanların aktifleşmesinde ve canlandırılmasında önemli aktörlerdir. Bu tezin amacı kentsel alanın yayılması üzerinde üniversite yatırımlarının etkisini araştırmaktır. Bu bağlamda tez kapsamında Ortadoğu Teknik Üniversitesi, Hacettepe Üniversitesi Beytepe Yerleşkesi, İhsan Doğramacı Bilkent Üniversitesi, Başkent Üniversitesi Bağlıca Yerleşkesi, Atılım Üniversitesi, Ufuk Üniversitesi Dr. Rıdvan Ege Yerleşkesi ve Çankaya Üniversitesi Merkez Yerleşkesi'nin Güneybatı Ankara'nın yayılma sürecine etkileri incelenmiştir. Çalışma alanının seçilmesinde bölgenin tarihsel gelişimi ile kısa erimli ve tutarsız planlarla üretilen parçalı kentsel yapısı etkili olmuştur. Üniversite yerleşkeleri etrafındaki kentsel büyüme, farklı dönemlerdeki uydu görüntülerinin piksel tabanlı kontrollü sınıflandırılması ile elde edilen alan büyüklüklerinin karşılaştırılması yöntemi ile incelenmiştir. Yerleşkelerin öğrenci sayısı, yapılı alan büyüklüğü ve kent merkezine olan uzaklığı gibi çeşitli parametreler ışığında üniversitelere etki alanı çizilmiş ve araştırma, etki alanı içerisinde sürdürülmüştür. Sonuçlar tezin "üniversite yatırımlarının kentsel fonksiyonları, çevresinde toplama potansiyeli olduğu" savını destekler niteliktedir. Çalışmanın, kentsel işlev alanları ile kentsel yayılma olgusu arasındaki ilişkiyi sorgulayan araştırmacılar için yol gösterici olduğu ve kent formunun şekillenmesi ile ilgili sayısal yöntemlerle yapılan çalışmalar açısından örnek olabileceği düşünülmektedir. Çalışmaya farklı parametreler eklenerek alternatif yöntemlerle çalışma konusunun detaylandırılabileceği veya dönüştürülebileceği düşünülmektedir., Urban space has a dynamic structure and changes continuously. If the city shows a extensive, fragmented, dispersed and unlimited development, it is called "urban sprawl" in the literature. Large investment decisions, such as establishing a university, affect the geographical distribution of population, economic activities and public services. In administrative and academic circles, the effects of universities on the city has become an issue that is frequently discussed and studied. Universities are important actors in the activation and revitalization of areas called neighboring environments. The aim of this thesis is to investigate the effect of university investments on the spread of urban area. In this context, the effects of the Middle East Technical University, Hacettepe University Beytepe Campus, Ihsan Doğramacı Bilkent University, Baskent University Baglica Campus, Atılım University, Ufuk University Ridvan Ege Campus and the Cankaya University Merkez Campus on the spread process of Southwestern Ankara were examined. The historical development of the region and the fragmented urban structure produced by short-term and inconsistent plans were effective in selecting the study area. Urban sprawl around university campuses was measured by pixel-based controlled classification method. Then, urban developments in different periods were compared. In the light of various parameters such as the number of students, the size of the built area and the distance to the city center, the impact area for the universities was drawn and the research was carried out within the impact area. The results support the argument that the thesis has the potential to gather university investments around urban functions. It is thought that this study will help researchers questioning the relationship between urban function areas and urban sprawl phenomenon. The study can be an example in terms of the studies conducted with the numerical methods related to shaping the urban form. It is thought that working with alternative methods can be elaborated or transformed by adding different parameters.

In this thesis, the summer crops of the Gediz Plain have been detected using object-based classification with random forest (RF) algorithm from the multi-date Sentinel-2 satellite images of the year 2017. The detected crops are pepper, corn, eggplant, wheat, tomato, cotton, grapes, clover and olive that heavily exist in Gediz Plain. The ground truth data were collected through field works as well as using the farmer registration system (FRS). The FRS data have been checked parcel by parcel and confirmed with the fieldworks. The classification process using RF algorithm was carried out as segment based. 8 satellite images (April 10th, May 3rd, June 2nd, July 2nd, August 1st, September 7th, October 10th and November 16th), covering the study area were selected. Normalized Difference Vegetation Index (NDVI) bands were generated from each of the selected satellite images. Before the classification process, multi resolution image segmentation was carried out using the original bands (Blue, Green, Red and Near Infrared) and the NDVI bands. Then, for each image segment, the spectral features mean and standard deviation and texture measurements homogeneity, difference, and entropy were generated. Object based RF classification was carried out using the original bands, NDVI bands and feature bands. Furthermore, the NDVI images of May, July, September, and October were determined as the most important four features by using the variable importance function of the RF algorithm and the classification processes were carried out with different combinations of these four features. Based on the achieved results, texture and standard deviation bands did not increase the accuracy of classification, on the contrary, it decreased in small quantities. The combination of features, which has the highest K ̂ (Khat-Kappa) value of 0.9365 were the original bands + NDVI bands. The K ̂ value of 0.9156 was calculated as a result of the classification with the most important four features. The most important three features May, July, and September NDVI bands were used in the single-date classifications. For these dates, the K ̂ values were computed as 0.5865, 0.6349 and 0.5738, respectively. As a result of the classification of the most important three features with their binary combinations, the K ̂ values were computed as 0.7678 for the May-NDVI and July-NDVI combination, 0.8628 for the May-NDVI and September-NDVI combination, and 0.8452 for the July-NDVI and September-NDVI combination. Since the out of bag (OOB) data, which are used for the verification in RF algorithm are selected randomly, even if other parameters are the same, the accuracy would change in each classification process. Furthermore, number of trees (ntree) and number of random features (mtry), which are the parameters of RF algorithm, affect the classification accuracy. In order to obtain the highest accuracy within all these variables, an application (Random Forest with the Highest Accuracy-RFHA) was written in R program to increase the accuracy of the RF algorithm. Depending on band combination, the rate of increase in accuracy was was up to 3%. Bu tez çalışmasında, Gediz ovasında tarımsal yaz ürünleri, 2017 yılına ait çok zamanlı Sentinel-2 uydu görüntülerinden Rastgele Orman (RO) algoritması ile nesne-tabanlı sınıflandırma yapılarak tespit edilmiştir. Tespit edilen ürünler Gediz ovasında yoğun biçimde bulunan biber, buğday, domates, mısır, patlıcan, pamuk, üzüm, yonca ve zeytindir. Arazi gerçeği verileri yapılan arazi çalışmalarından ve çiftçi kayıt sistemi (ÇKS) verisi kullanılarak oluşturulmuştur. ÇKS verileri parsel parsel incelenmiş ve arazi çalışmaları ile doğrulanmıştır. Sınıflandırma işlemi RO algoritması ile segment tabanlı yapılmıştır. Çalışma alanını kapsayan 8 uydu görüntüsü (10 Nisan, 3 Mayıs, 2 Haziran, 2 Temmuz, 1 Ağustos, 7 Eylül, 10 Ekim ve 16 Kasım) seçilmiştir. Seçilen her uydu görüntüsünden NDVI (Normalized Difference Vegetation Index–Normalleştirilmiş Fark Bitki İndeksi) bantları üretilmiştir. Sınıflandırma işleminden önce, orijinal bantlar (Mavi, Yeşil, Kırmızı ve Yakın Kızılötesi) ve NDVI bantları kullanılarak çoklu çözünürlük görüntü segmentasyonu yapılmıştır. Sonra, her görüntü segmenti için spektral özellikler olan ortalama ve standart sapma ile doku ölçümü özellikleri olan homojenlik, farklılık ve entropi değerleri hesaplanarak bu özellikleri gösteren bantlar oluşturulmuştur. Orijinal bantlar, NDVI bantları ve özellik bantları kullanılarak nesne-tabanlı RO sınıflandırma işlemi yapılmıştır. Çalışmada ayrıca, en önemli dört özellik (bant), RO algoritmasının en önemli özellik fonksiyonu ile Mayıs, Temmuz, Eylül ve Ekim NDVI görüntüleri olarak tespit edilmiş olup sınıflandırma işlemleri söz konusu dört özelliğin farklı kombinasyonları ile de gerçekleştirilmiştir. Elde edilen sonuçlara göre, doku ve standart sapma bantları sınıflandırma doğruluğunu artırmamış, aksine, az miktarda da olsa, düşürmüştür. En yüksek doğruluğa sahip olan özellik kombinasyonu, 0,9365 K ̂ (Khat-Kappa) değeri ile Orijinal bantlar + NDVI bantlarıdır. En önemli 4 özellik ile yapılan sınıflandırma sonucunda 0,9156 K ̂ değerine ulaşılmıştır. Tek tarihle yapılan sınıflandırmalarda, en önemli üç özellik olan Mayıs, Temmuz ve Eylül NDVI bantları kullanılmıştır. Bu tarihler için K ̂ değerleri sırasıyla 0,5865, 0,6349, 0,5738 olarak hesaplanmıştır. En önemli üç özelliğin ikili kombinasyonları ile yapılan sınıflandırmalar neticesinde K ̂ değerleri, Mayıs - NDVI ile Temmuz – NDVI için 0,7678, Mayıs - NDVI ile Eylül – NDVI için 0,8628 ve Temmuz - NDVI ile Eylül – NDVI için 0,8452 için olarak hesaplanmıştır. RO algoritmasında doğrulama için kullanılan Genelleştirilmiş Hatalar (Out of Bag – OOB) verisi rastgele seçildiği için diğer parametreler aynı bile olsa, yapılan her sınıflandırma işleminde doğruluk değişebilmektedir. Ayrıca, RO algoritmasının iki parametresi olan ağaç sayısı (ntree) ve rastgele özellik sayısı (mtry) sınıflandırma doğruluğunu etkilemektedir. Tüm bu değişkenler içinde en yüksek doğruluğu elde etmek için R programında bir uygulama (En Yüksek Doğruluklu Rastgele Orman–EYDRO) hazırlanarak RO algoritmasının doğruluğu artırılmıştır. Doğruluk artış oranı bant kombinasyonuna göre değişmekle birlikte yaklaşık %3 oranına kadar çıkmıştır.

Derin sinir ağları görüntü sınıflandırma üzerinde başarılı bir şekilde uygulanmak- tadır. Görüntüde tespit edilen nesnelerin ne olduğunu anlanması büyük bir ilgi görmektedir. Derin sinir ağlarının gömülü sistemler üzerinde kullanılması oldukça fazla hafıza ve güçlü işlemci teknolojileri gerektirmektedir. Bu tezin amacı gömülü bir sistem üzerinde görüntü sınıflandırma işleminin ne kadar başarılı bir şekilde yapıldığını gözlemlemektir. Bu çalışmada sadece 3 GB hafıza kullanarak geliştiri- len mimari ile %85.9 oranında doğruluk elde edilmiştir. Önerilen mimari 4 saat içerisinde eğitilerek, 0.7 ms içersinde sınıflandırma sonucunu üretmektedir., Deep Neural Network is successfully applied for image classification problems. The understanding of what object is detected in the image is great interested. The prupose of this article is that image classification problem and tracking classified object could be applied in real time systems. The aim of this thesis is image classification process is observing how successful in an embedded system. In this work, proposed architecture has only 3 GB memory with accuracy %85.9. It trains in 4 hour,and outputs the classification result in 0.7 ms.

Bu araştırmada, korunan alanlarda sabit bir kameradan elde edilen görüntülerden ülke ekonomisine av turizmi ile katma değeri olan yaban hayvanlarının tür tespiti yapılarak sayımının yapılmasına yönelik görüntü işleme tabanlı bir sistem geliştirilmiştir. Gerçek zamanlı fotokapan videolarından alınan görüntü sahnelerinden önce gauss karma modelleri (GMM) tekniği kullanılarak arka plan görüntüsü çıkarılmıştır. Sonra videonun arka plan ve ön plan görüntülerinden yaban hayvanlarının fiziksel ve renksel öznitelikleri çıkarılmıştır. Hareketliliğin çok olduğu doğal yaşamda anlık elde edilen gerçek zamanlı kompleks bir görüntü sahnesinde geliştirilen alan testi, öznitelik testi ve renk testi kriterleri ile hedeflenen yaban hayvanın tespit edilmesi sağlanmıştır. Yaban hayvanı tür tespitinde %100 doğruluk oranı elde edilmiştir. Yüksek başarım oranının yakalanması için destek vektör makineleri (DVM) ve yapay sinir ağı (YSA) tekniği ile karşılaştırmalı olarak sınıflandırma yapılmıştır. Son olarak anlık görüntüde etiketlendirilen hayvanın takibi ve sayımı yapılmıştır. Geliştirilen yöntemler ile yaban hayvanı envanterine yönelik tür tespitinin %100 başarı oranı ile insan gücüne gerek duymadan, daha düşük maliyetli kamera sistemleri ve bilgisayar yazılımı ile yapılabileceği görülmüştür. In this study, an image processing based assistant system was developed for the detection of wild animals which are added value with hunting tourism to the country's economy from the images obtained from a fixed camera in the protected areas. A background image was extracted using gaussian hybrid models (GMM) technique before image scenes taken from real-time photocapane videotapes. Then, from the background and foreground images of the video, physical and color attributes of wild animals were extracted. In a real-time complex image scene that is instantaneous in nature, where there is a lot of movement, developed field test, feature test and color test criteria are used to determine the targeted wild animal. 100% accuracy rate was obtained for wild animal species detection. In order to capture the high throughput rate, classification was made with support vector machines (DVM) and artificial neural network (YSA) technique. Finally, the snapshot was tagged and counted. With the developed methods, it has been seen that species determination for wild animal inventory can be done with lower cost camera systems and computer software without the need of human power with 100% success rate.

Computer aided detection (CAD) systems helps the detection of abnormalities in medical images using advanced image processing and pattern recognition techniques. CAD has advantages in accelerating decision-making and reducing the human error in detection process. In this study, a CAD system is developed which is based on morphological reconstruction and classification methods with the use of morphological features of the regions of interest to detect brain tumors from brain magnetic resonance (MR) images. The CAD system consists of four stages: the preprocessing, the segmentation, region of interest specification and tumor detection stages. The system is evaluated on REMBRANDT dataset with 497 MR image slices of 10 patients. In the classification stage the performance of CAD has achieved accuracy of 93.36% with Decision Tree Algorithm, 94.89% with Artificial Neural Network (Multilayer Perceptron), 96.93% with K-Nearest Neighbour Algorithm and 96.93% with Meta-Learner (Decorate) Algorithm. These results show that the proposed technique is effective and promising for detecting tumors in brain MR images and enhances the classification process to be more accurate. The using morphological reconstruction method is useful and adaptive than the methods used in other CAD applications. Bilgisayar destekli tespit (BDT) sistemleri görüntü işleme ve örüntü tanıma tekniklerini kullanarak medikal görüntülerdeki normal olmayan yapıların tespit işlemine yardımcı olmaktadır. BDT sistemleri karar verme sürecini hızlandırırken bu süreçteki insan hatası olasılığını da azaltarak fayda sağlamaktadır. Bu çalışmada beyin MR görüntülerinde tespit edilen ilgi alanlarını biçimsel öznitelikler kullanılarak yeniden yapılandırılması ve sınıflandırılmasını yapabilen bir BDT sistemi geliştirilmiştir. Geliştirilen sistem önişleme, bölütleme, ilgi alanı belirleme ve tümör tespiti olmak üzere dört aşamadan oluşmaktadır. Geliştirilen sistem 10 hastaya ait 497 kesit görüntüsünden oluşan REMBRANDT veri setiyle değerlendirilmiştir. Sınıflandırma işleminde sistemin performansı karar ağaçları ile %93,36, yapay sinir ağları ile %94,89, K-en yakın komşu ile algoritması ile %96,93 ve Meta-Learner algoritması ile %96,93 doğruluk oranlarına erişmiştir. Bu sonuçlar önerilen yöntemin MR görüntülerinden beyin tümörü tespitinde etkin olduğunu ve sınıflandırma işleminin performansını arttırdığını göstermektedir. Kullanılan biçimsel yapılandırma yöntemi diğer BDT uygulamalarına uyarlanabilecek şekilde geliştirilmiştir.

Uydu görüntüleri ve hava fotoğrafları uzaktan algılamanın temel altlıklarındandır. Bunlar konuma dayalı birçok projelendirme çalışmalarının da temel kaynaklarıdır. Günümüzde analog ve analitik sistemler, bilgisayar teknolojisindeki gelişmeler ile birlikte yerini dijital sistemlere bırakması sonucunda görüntülerin işlenmesi, iletimi ve depolanması en önemli sorun olmuştur. Bu çalışmada Landsat 8 (10 bant, 30 m çözünürlüklü) uydu görüntüsü; MrSID, ECW ve JPEG2000 görüntü formatlarıyla kayıpsız, 10:1, 20:1, 30:1, 40:1, 50:1/60:1 oranında kayıplı sıkıştırılarak yeni görüntüler elde edilmiştir. Orijinal ve sıkıştırılmış görüntülerde piksel tabanlı (en büyük olasılık yöntemi) sınıflandırma gerçekleştirilmiştir. Sınıflandırma doğruluğunun tespiti, sınıflandırma sonucunda elde edilen verilerin gerçek yeryüzü değerlerini temsil eden referans verilerle karşılaştırılarak yapılır. Referans veri olarak Vexcel UltracamX dijital hava kamerası ile çekilen (4 bantlı, 30 cm çözünürlüklü) hava fotoğraflarından üretilen ortofoto görüntü kullanılmıştır. 120 referans noktasında; referans görüntü sınıfı ile kayıpsız ve farklı oranlarda sıkıştırılmış kayıplı görüntülerdeki sınıflar hata matrisi yöntemi ile karşılaştırılarak sınıflandırma doğruluğu tespit edilmiştir. Yapılan uygulamalar sonucunda; özellikle kayıpsız ve düşük oranlarda sıkıştırılmış görüntülerin sınıflandırma için kullanılabileceği görülmüştür., Satellite image and air photograph are basics of remote perception. Also, these are main sources of location based projects. Nowadays, digital systems substitute for analog and analytic systems with developing of computer technology. However, image processing, transfer and storage started to be major issue. At the end of this study, Landsat 8 (10 band, 30m resolution) satellite images were used to get new images. New images being compressed lossless were obtained in MrSID, ECW and JPEG2000 formats. Also, other new images were obtained as being compressed with ratios of 10:1, 20:1, 30:1, 40:1, 50:1/60:1 as being lossy. The original and compressed images were classified base on pixel (the greatest classification method). In order to detect the accuracy of classification; data obtained by classification must be compared with the reference data that represents real surface images. Ortophoto images that were obtained by air photographs which were taken by Vexcel UltracamX digital air camera (4 band, 30 cm resolution) were used as reference data. At 120 reference points, lossless compressed reference images were compared with reference lossy compressed images in different ratios to detect classification accuracy. At the end of these studies, especially images which were compressed lossless and in low ratios can be used for classification.

Karaciğer, hayati önem taşıyan birçok metabolik faaliyette kritik rol almaktadır. Dolayısıyla karaciğerde meydana gelen rahatsızlıkların ölümcül sonuçlara sebep olmaması için, zamanında ve doğru şekilde teşhis edilmesi büyük önem arz etmektedir. Radyologların teşhisleri, belli bir doğruluk oranının üstüne çıkamamaktadır. Teşhislerde doğruluk oranını artırmak amacıyla geliştirilecek yeni karar destek sistemlerine ihtiyaç duyulmaktadır. Bu tez çalışması, çoklu çözünürlük analizi metodları ve yapay sinir ağları (YSA) kullanılarak karaciğer fokal lezyonlarının (hemanjiom/kist, iyi huylu/kötü huylu) tespitine yönelik geliştirilen karar destek sistemlerini içermektedir. Bu tezde kullanılan veri tabanı, TÜBİTAK tarafından desteklenen 113E184 numaralı proje kapsamında, Selçuk Üniversitesi Tıp Fakültesi Radyoloji bölümünden alınan karaciğer manyetik rezonans (MR) görüntüleri ile oluşturulmuştur. MR görüntüleri çeşitli gürültülerden etkilenmektedir. Bu etki, görüntülerin tanısal ve görsel kalitesini azaltmakla birlikte, sayısal sistemlerin sınıflama performansını da olumsuz yönde etkilemektedir. Bu nedenle, çoklu çözünürlük analizleri ile farklı gürültü giderme sistemleri de geliştirilmiştir. Sistemlerin performanslarını karşılaştırmak için gerçekleştirilen uygulamalar teze dahil edilmiştir. Tezdeki sınıflandırma ve gürültü giderme uygulamalarında kullanılan çoklu çözünürlük analizi yöntemleri; Ripplet dönüşümleri (Ripplet-II, ortagonal Ripplet-II), Tetrolet dönüşümleri (standart Tetrolet, modifiye edilmiş Tetroletler) ve Ridgelet dönüşümüdür. Çoklu çözünürlük analizlerinin temelini oluşturan Dalgacık dönüşümü ve medikal sınıflama ve gürültü giderme çalışmalarında sıklıkla tercih edilen Curvelet dönüşümleri (birinci ve ikinci nesil) ile karşılaştırmalı sonuçlar verilmiştir. Ortagonal Ripplet-II ve Tetrolet dönüşümlerinin kompleks formları ile Tetrolet dönüşümünün birleştirilmiş yeni bir formu tanımlanmıştır. Birleştirilmiş Tetrolet dönüşümünün gürültü giderme performansı ile kompleks ortagonal Ripplet-II ve kompleks Tetrolet dönüşümlerinin karaciğer fokal lezyonlarını sınıflama becerileri test edilmiş ve elde edilen sonuçlar mevcut yöntemlerle karşılaştırmalı olarak sunulmuştur., Liver takes critical part in many vital metabolic activities. Hence, it is very important to diagnose occured liver diseases on time, accurately not to cause fatal results. The accuracy rate of diagnostics of radiologysts could not exceed a certain value. There is need to improve new decision support systems for the purpose of increasing the accuracy rates of diagnostics. This thesis contains decision support systems which are proposed for detecting liver focal lesions (hemangioma/cyst, benign/malign) using multi-resolution analysis methods and artificial neural networks (ANNs). The used database for this thesis is generated with liver magnetic resonance (MR) images which were taken from Selcuk University Faculty of Medicine Department of Radiology within the project supported by The Scientific and Technical Research Council of Turkey (TUBITAK, Project No: 113E184). MR images are effected by various noises. This effect decreases diagnostic and visual quality of the images and affects the classification performance of digital systems. Therefore, different denoising systems are composed by using multi-resolution analysis methods. Applications which compares the performances of the systems are included in thesis. Multi-resolution analysis methods used in classification and denoising implementations of the thesis are Ripplet transforms (Ripplet-II, orthogonal Ripplet-II), Tetrolet transforms (standard Tetrolet and modified Tetrolets) and Ridgelet transform. Comparative results with Wavelet transform which is the basis of multi-resolution analysis techniques and Curvelet transforms (first and second generation) which are often preffered for medical classifying and denoising studies are presented. Complex forms of orthogonal Ripplet-II and Tetrolet transforms are initially introduced. Moreover a fused form of Tetrolet transform is identified. Denoising performance of fused Tetrolet transform and liver focal lesion classifying abilities of complex orthogonal Ripplet-II and complex Tetrolet transforms are tested and obtained results are presented after comparing with existing methods., Bu tez çalışması TÜBİTAK tarafından 113E184 nolu proje ile desteklenmiştir.

Tez (Doktora) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2015, Thesis (PhD) -- İstanbul Technical University, Institute of Science and Technology, 2015, Yeryüzü özelliklerinin çeşitliliği ve konumsal olarak dağılımı ile ilgili güvenilir ve doğru bilgilerin elde edilmesi birçok uygulama için esastır. Yeryüzünün çeşitli konumsal ve spektral çözünürlüklerde görüntülenmesinde etkili bir araç olan uzaktan algılama teknolojileri, yeryüzü ile ilgili değerli bilgilerin elde edilmesinde uzun yıllardır kullanılmaktadır. Söz konusu teknolojiler özellikle geniş alanların görüntülenmesi ve analizinde etkin ve ekonomik çözümler sunmaktadır. Uzaktan algılama uyduları ve algılayıcı tasarımında yaşanan teknolojik gelişmeler, çevresel görüntüleme ve doğal kaynak yönetimini de içerisine alan birçok konuda yeni araştırma olanakları ortaya çıkarmıştır. Yeni nesil algılayıcı sistemler aracılığıyla elde edilen görüntüler, yeryüzü nesnelerinin niteliği, özellikleri ve dağılımları hakkında çok daha detaylı bilgiler sağlamaktadır. Orta çözünürlüklü uydu görüntülerinin aksine, yüksek çözünürlüklü uydu görüntüleri üzerinden ağaçlar ve binalar gibi tekil yüzey nesnelerinin görsel olarak yorumlanması kolaylaşarak, nesnelerin birbirlerinden ayırt edilebilmesi mümkün hale gelmiştir. Kullanıcılara sağladığı önemli avantajlar nedeniyle son yıllarda yüksek çözünürlüklü uydu görüntülerine olan ilgi artış göstermiş ve dijital görüntü işleme teknikleriyle görüntüler üzerinden benzer spektral özelliklere sahip türlerin ayırt edilmesi ve tekil yeryüzü nesnelerinin sınıflandırılması uzaktan algılama alanında önemli bir araştırma konusu olarak ortaya çıkmıştır. Uydu görüntülerinin üzerinden yeryüzü nesnelerine ilişkin bilgi çıkarımında en çok tercih edilen ve en etkili yöntem görüntü sınıflandırmadır. Sınıflandırma işleminin sonucunda yeryüzünün farklı özelliklerini gösteren tematik haritalar üretilmektedir. Elde edilen haritaların doğruluğu ve güvenilirliği uygulamaların başarısı açısından büyük önem taşımaktadır. Yüksek çözünürlüklü uydu görüntüleri kullanımı, dijital görüntü verilerinin yorumlanması ve analizinde önemli problemler ortaya çıkarmıştır. Yüksek konumsal çözünürlüklü verilerde komşu pikseller arasındaki spektral benzerlik nedeniyle karışık piksellerin oranının artması bunlardan en önemlisidir. Bununla birlikte, arazi örtüsü tiplerini temsil eden sınıfların kendi içerisinde ve birbirleri arasındaki yüksek spektral benzerlik nedeniyle görüntü üzerinden bilgi çıkarımı veya sınıflandırma işlemi karmaşık bir hal almaktadır. Söz konusu problemler nedeniyle yüksek çözünürlüklü uydu görüntüleriyle doğruluğu yüksek tematik harita üretiminde geleneksel sınıflandırma tekniklerinin yetersiz kaldığı ifade edilmektedir. Bu nedenle yüksek çözünürlüklü görüntülerin işlenmesi ve bilgi çıkarımında yeni ve etkili analiz tekniklerine ihtiyaç duyulmaktadır. Bu tez çalışmasının temel amacı yüksek çözünürlüklü WorldView-2 (WV-2) uydu görüntüsü kullanılarak benzer spektral özelliklere sahip doğal nesnelerin sınıflandırılmasına yönelik bir metodoloji geliştirmektedir. Bu amaca yönelik olarak ön işleme, sınıflandırma ve tematik harita üretimini içeren görüntü sınıflandırma aşamaları kapsamlı bir biçimde ele alınmış, geleneksel tekniklerinin yanında ileri sınıflandırma yaklaşımları ve güncel sınıflandırma algoritmaları değerlendirmeye alınmıştır. Çalışma sonucunda tez kapsamında ele alınan sınıflandırma probleminin çözümüne yönelik önemli bulgulara ulaşılmıştır. Bunlardan ilki, elde edilen sonuçlar geleneksel sınıflandırma yaklaşımlarının, doğal nesneler arasındaki spektral ayrımın gerçekleştirilmesi noktasında yetersiz kaldığını ve yüksek çözünürlüklü uydu görüntülerinin sınıflandırılması için uygun olmadığını göstermektedir. Geleneksel piksel tabanlı yaklaşımla karşılaştırıldığında, obje tabanlı sınıflandırma yaklaşımı kullanımıyla tematik harita doğruluğunda %8'e varan artışlar olduğu belirlenmiştir. İkinci olarak, sınıflandırma sonuçları, ileri sınıflandırma algoritmaları olarak adlandırılan destek vektör makineleri ve rotasyon orman algoritmalarının hem piksel hem de obje tabanlı yaklaşımda klasik en yakın komşuluk sınıflandırıcısı ve diğer öğrenme algoritmalarından daha üstün bir sınıflandırma performansı sergilediğini açık bir şekilde ortaya koymaktadır. Bu nedenle obje tabanlı sınıflandırma işleminin gerçekleştirilmesinde söz konusu sınıflandırma algoritmalarının tercih edilmesi önerilmiştir. Üçüncü olarak, tez kapsamında değerlendirmeye alınan ağaç türlerinin spektral karakteristiklerinin analizleri neticesinde, iğne ve geniş yapraklı ağaç türlerinin özellikle kızılötesi bölgede birbirinden farklı spektral yansımalara sahip olduğu görülmüştür. Arazide gerçekleştirilen spektral ölçüler ve uydu görüntüsünün ilişkilendirilmesi sonucunda, WV-2 görüntüsünün kırmızı kenar, yakın kızılötesi-1 ve yakın kızılötesi-2 bantlarının iğne ve geniş yapraklı ağaçların birbirinden ayırt edilmesi noktasında önemli spektral bilgiler sağladığı belirlenmiştir. Buna karşın, iğne ve geniş yapraklı ağaçları temsil eden sınıflar içerisindeki ağaç türleri arasındaki yüksek spektral benzerlik nedeniyle, WV-2 görüntüsü spektral olarak benzer ağaç türlerinin (örneğin sedir ve servi) ayırt edilmesi noktasında sınırlı seviyede bilgi sağladığı tespit edilmiştir. Bu nedenle, tematik harita doğruluğunun arttırılması için sadece WV-2 görüntüsünün multispektral bantlarının kullanılması yerine, vejetasyon indeksleri, doku özellikleri ve temel bileşenler gibi yardımcı veri setlerinin değerlendirilmeye alınması gerekmektedir. Sınıflandırma sonuçları analiz edildiğine, yardımcı veri setleri kullanımıyla sınıflandırma doğruluğunda %8'lere varan seviyelerde artış olduğu görülmüştür. Dördüncü olarak, tez kapsamında değerlendirmeye alınan tüm sınıflandırma algoritmalarının boyutsallık veya Hughes fenomeninden etkilendiği tespit edilmiştir. Bu açıdan ele alındığında optimum özellik seti boyutunun tespit edilmesi sınıflandırma işleminin başarısı açısından kritik bir öneme sahiptir. Çalışma sonuçları yüksek boyutlu veri setini temsil eden daha az sayıda ve seçilen özellikleri içeren veri setleri kullanılması durumunda sınıflandırma doğruluğunun önemli derecede arttığını göstermektedir. Bu nedenle, yüksek boyutlu veri seti kullanımında ön yinelemeli özellik seçimi esasına dayalı destek vektör makineleri gibi uygun bir özellik seçimi algoritması dikkate alınmalıdır., Obtaining reliable and accurate information about the Earth's surface features in terms of their quantity, diversity and spatial distribution is essential for a wide range of applications. Remote sensing technologies offering an efficient tool for monitoring the Earth's surface in various spatial and spectral resolutions have long been used for gathering this valuable information. It provides powerful and cost-effective solution in particular to visualization and analysis of large study areas. The latest technological innovations in the design of remote sensing satellites and sensors offer new application opportunities in many fields including environmental monitoring and natural resource management. Satellite imageries acquired by these systems introduce more detailed information about the nature, properties and distribution of the Earth's surface objects. Unlike moderate-resolution satellite imageries, individual surface objects, such as trees and buildings are visible in high resolution imagery. This important feature provides opportunities to differentiate spectrally similar species and mapping individual surface objects. Image classification is the most preferred and effective method for the interpretation of satellite imageries. Thematic maps representing different characteristics of the Earth's surface are produced as a result of the classification process. The accuracy and reliability of the thematic maps have great importance for success of the applications. The use of high resolution imagery poses some important challenges in analyzing and interpreting of digital image data. One is that with higher spatial resolution data the percentage of mixed pixels is increased because of the spectral similarity between adjacent pixels. In addition, due to the high degree of within-class and between-class spectral similarity of land cover units, information extraction or classification process becomes more complex. For these reasons, traditional classification techniques have been reported to be insufficient for producing accurate thematic maps using high resolution images. Therefore, novel and efficient analysis techniques are required for processing and analyzing such images. The overall aim of this thesis is to develop a methodology for classifying natural objects having spectrally similar features using high resolution WorldView-2 (WV-2) satellite imagery. For this purpose, image classification stages including pre-processing, classification and thematic mapping were comprehensively investigated in order to determine the most effective classification model for the particular classification problem considered in this thesis study. The dissertation starts with introduction part including problem definition, the purpose of the research, followed by methodology and extensive literature review. In the second part, general information about the basic principles of remote sensing including electromagnetic spectrum and electromagnetic energy, energy interaction with the atmosphere and the Earth's surface materials and spectral signature of surface features were described. Some image preprocessing techniques, such as corrections for radiometric, atmospheric and geometric effects were also presented. In addition, image transformations and the most popular transformation techniques (i.e. vegetation indices, textural features, principal component analysis, and Hue-Saturation-Intensity transformation) were given. Moreover, the detailed information about the image classification including supervised and unsupervised techniques, traditional pixel-based and object-based approaches, advanced classification algorithms namely, support vector machines, decision trees, ensemble learning algorithms including boosting, bagging, multi-boosting, random forest and rotation forest were discussed. At the end of this part, feature selection techniques were summarized and the several filter and wrapper based feature selection algorithms were discussed. The application part of the thesis was discussed under three sub-sections. In the first sub-section (Section 3), WV-2 satellite imagery and related pre-processing operations (radiometric, atmospheric and geometric corrections), study area and field applications including spectral measurements with a field spectroradiometer and analysis of spectral features of measured tree types were explained in detail. In addition, several pansharpening algorithms (i.e. HSI, PCA, Brovey and Gram Schmidt) were assessed to investigate fusion of a high spatial resolution panchromatic image with lower spatial resolution multispectral images of WV-2. Besides the preprocessing of satellite imagery and field applications, preparation of auxiliary data sets (i.e. vegetation indices, HSI transformations, principal components and textural features) were presented. Finally, land use/land cover types and sampling regions, the main inputs for the classification process, were determined by means of the spectral measures and atmospherically corrected WV-2 imagery. The second sub-section of application part (Section 4) addresses the object based classification and related processes. This section consisted of image segmentation, describing image object features, creating training and testing data sets, feature selection and object based classification. Region-based scale parameter selection was suggested and applied to perform image segmentation. Moreover, for the selection of relevant features and defining optimum feature size, 13 feature selection algorithms were applied to the high dimensional data containing variety of spectral and textural features of image objects. Data sets of different sizes formed by the feature selection results were used for the object based classification. Also the traditional nearest neighbor algorithm and advanced classification algorithms were applied to these data sets and their classification performances were analyzed thoroughly. The final sub-section (Section 5) focuses on the traditional pixel based classification method. To make objective comparison, training and testing data sets were determined in accordance with the data sets considered in object based classification. Feature selection algorithms were employed to the high dimensional data to produce new data sets having smaller number of spectral features. Pixel based classification was performed using these data sets formed by the feature selection results and the performances of classification algorithms were analyzed in detail. The results and discussion part of the dissertation (Section 6) includes detailed and comparative analysis of the application results, such as comparison of classification approaches and algorithms in terms of their use and performances, analysis of the effective features and optimum feature set size, thematic map producing and exploring the map accuracy. All in all, some important conclusions can be drawn from the results produced in this dissertation. First, the application presented in this thesis demonstrated that the conventional classification approaches were not suitable for the classification of high resolution satellite imagery as they found to be insufficient for spectral separability of natural objects. When the classification performances were compared, it was found that with the use of object based classification approaches, improvements in thematic map accuracy reached to 8%. Secondly, the results noticeably indicated that support vector machine and rotation forest ensemble learning algorithms outperformed the traditional nearest neighbor classifier and the other learning algorithms in both pixel based and object based classifications. Therefore, these two outperforming algorithms were preferred classification algorithm to perform accurate object based classification. Thirdly, from the analysis of measured spectral characteristics of tree species considered in this thesis, it was revealed that deciduous and coniferous trees have distinct spectral reflectance especially in near infrared region. As a result of the integration of the field-based spectral measurements and satellite imagery it was observed that red edge, near infrared-1 and near infrared-2 bands of WV-2 imagery provides valuable spectral information to differentiate between deciduous and coniferous trees. However, due to the high degree of within-class spectral similarity, multispectral bands of WV-2 image were found to be limited for differentiate spectrally similar tree types (e.g. Cedar and Cupressus trees). For this reason, instead of using only multispectral bands of WV-2 imagery, auxiliary data such as vegetation indices, textural features and principal components should be taken into consideration to increase the accuracy of the thematic maps. When the classification results were analyzed it was observed that the use of auxiliary data led to a clear increase in classification accuracy up to 8%. Fourthly, results showed that a reduction of high dimensional data to a few but specifically selected features also improve the classification accuracies. For this reason, a suitable feature selection algorithm such as SVM-RFE should be considered when high dimensional data were considered. Another important finding was that the all classification algorithms were affected by the curse of dimensionality or Hughes phenomenon. Thus, determination of optimum feature set size was also critical for the success of classification., Doktora, PhD

Tez (Doktora) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2014, Thesis (PhD) -- İstanbul Technical University, Institute of Science and Technology, 2014, Ekili ürün tiplerinin ve alanlarının uydu görüntüleri ile parsel seviyesinde belirlenmesi, tarımsal politikaların yönetilmesi, çiftçi beyanına dayalı teşvik sisteminin doğrulanması ve hassas tarım uygulamaları gibi konularda önemli katkılar sağlayabilmektedir. Tarımsal faaliyetlerin sera gazı emisyonlarına katkısı da düşünüldüğünde ürün tiplerinin ve mekânsal dağılımlarının belirlenmesinin iklim perspektefinden bakıldığında da büyük önem arzettiği görülmektedir. Bu sebeple birçok Avrupa Birliği üyesi ülke, tarım politikalarının ve teşviklerin yönetilmesinde kullanılmak üzere hava fotoğrafı ve uydu görüntüsünü temel alan Arazi Parsel Tanımlama Sistemi altyapılarını oluşturmuşlardır. Ürün ekim deseninin belirlenmesine ek olarak ürün verimininde zamanında ve doğru şekilde belirlenmesi, bölgesel ya da ülke ölçeğinde düşünüldüğünde sosyal, ekonomik, tarımsal politikaların belirlenmesinde önemli rol oynamaktadır. Örneğin verimin bölgesel ölçekte tahmini, toplam potansiyel ürün tahminini ortaya koyarak bir sonraki yıl için ürün fiyatlandırma ve stok yönetiminin gerçekleştirilmesinde en önemli veri kaynağını oluşturacaktır. Verim tahmini ayrıca tarım – ekosistem ilişkilerinin karbon döngüsü ve iklim değişikliği perspektifinde modellenmesine de faydalı bir girdi olmaktadır. Ek olarak verim bilgisi, bitki kütlesi – ürün miktarı ilişkileri kullanılarak birincil net üretim (NPP) bilgisinin üretilmesinde ve karbon bütçesinin belirlenmesinde kullanılmaktadır. Bu şekli ile değerlendirildiğinde geniş alanlar için ekili ürün deseninin ve ürün bazında verimin belirlenmesi önemli bir mekânsal problem olarak düşünülmelidir. Bu bilginin bölgesel ya da ülke ölçeğinde ve parsel bazında belirlenmesiklasik yersel yöntemler ile mümkün görünmemektedir. Bu noktada uzaktan algılama sistemleri; geniş alanları görüntüleme kapasiteleri ve farklı mekânsal – zamansal çözünürlükleri ile tarımsal bilginin üretilmesinde önemli bir veri kaynağı olarak karşımıza çıkmaktadır. Klasik yöntemler ile kıyaslandığında uzaktan algılama yöntemleri hızlı ve ekonomik veri elde etme ve bilgisayar tabanlı hızlı analiz olanakları ile öne çıkmaktadır. Uzaktan algılama ile tarımsal analizler gerçekleştirilirken tarım alanlarının karakteristik özellikleri, ürün tiplerine bağlı olarak ortaya çıkan spektral yansıtım farklılıkları ve şekil, doku gibi yüzey özellikleri göz önünde bulundurulmalıdır. Bu özellikler göz önüne alınarak gerçekleştirilen analiz ile uzaktan algılama verisinden ürün tipi, ürün yoğunluğu ve ürün geometrisine ilişkin ayırt edici bilgiler üretilebilir. Bu çalışmada Türkiye’nin güneydoğusunda bulunan Şanlıurfa ilinde bulunan Harran Ovası’nda pamuk ve mısır bitkileri için parsel seviyesinde ve bölge ölçeğinde çalışan adaptif verim tahmin modeli tasarımı gerçekleştirilmiştir. İki aşamalı olarak tasarlanan rekolte tahmin modelinde uydu görüntüleri ile ekili alan tespitine yönelik analiz; uydu görüntüleri, meteorolojik data ve kamera fotoğrafları kullanılarak tasarlanan agro-meteorolojik verim modeli ile entegre edilmiştir. Gerçekleştirilen çalışmanın ilk bölümünde altı farklı test alanında, farklı mekansal çözünürlükte uydu görüntüleri kulanılarak obje ve piksel tabanlı sınıflandırma yöntemlerinin ürün tiplerinin parsel seviyesinde tesbitindeki başarımı değerlendirilmiştir. SPOT 5 uydusundan elde edilen 2,5m, 5m ve 10m mekansal çözünürlüklü görüntüler ve Landsat 5 TM uydusundan elde edilen 30m mekansal görüntüden oluşan veri seti ile gerçekleştirilen çalışmada, çalışmada obje tabanlı “En Yakın Komşuluk - Nearest Neighbour (NN)” algoritması, piksel tabanlı “En Çok Benzerlik – Maximum Likelihood (ML)”, “Destek Vektör Makinası – Support Vector Machine (SVM)” ve “Spektral Açı Haritalayıcı – Spectral Angle Mapper (SAM)” algoritmaları kullanılmıştır. Gerekli görülen piksel tabanlı sınıflandırma sonuçlarına tuz-biber etkisi ve parsel içi heterojenliği azaltmak amacı ile sınıflandırma sonrası düzeltme işlemleri uygulanmıştır. Sonuçlara göre obje tabanlı yaklaşım 10m ve daha yüksek çözünürlükteparsel tanımlama ve alan tahmininde en iyi sonuçları vermiştir. SVM algoritması 2,5m ve 5m çözünürlükte obje tabanlı yaklaşıma yakın sonuçlar vermekle birlikte çözünürlük düştükçe doğruluğun hızlı bir şekilde düştüğü gözlemlenmiştir. ML ve SAM algoritmaları 30m çözünürlüğe kadar göreceli olarak en düşük doğruluklu sonuçları üretmişlerdir. Genel olarak değerlendirildiğinde parsel tanımlama başarımı mekânsal çözünürlükle çok güçlü bir krelasyon göstermekte iken alan tahmin başarımında temel faktörün sınıflandırma algoritması olduğu gözlemlenmiştir. Çalışma sonuçları aynı zamanda mekânsal çözünürlük ve sınıflandırma algoritmasından bağımsız olan parsel büyüklüğü, ürün tiplerinin mekânsal dağılımı ve oluşturdukları doku gibi parametrelerin etkilerini de tartışma olanağı vermiştir. Test alanlardaki analiz sonuçlarına göre en iyi parsel tanımlama ve alan tahmini sonuçlarının elde edildiği 2,5 m çözünürlüklü veri - OBC ve SVM algoritması kombinasyonları kullanılarak araştırma ilçe ölçeğinde devam ettirilmiştir. Harran, Şanlıurfa ve Hilvan ilçeleri için gerçekleştirilen sınıflandırma sonuçlarına göre OBC algoritması SVM algoritmasına göre hem noktasal hem de alan bazlı doğrulukta daha yüksek başarım göstermiştir. Noktasal doğruluk analizleri sonucunda OBC algoritması ile üretici ve kullanıcı doğrulukları ve kappa değerlerinde SVM algoriğtmasına göre daha yüksek doğruluğa ulaşılmıştır. Ayrıca her iki algoritma için pamuk sınıfında elde edilen doğruluk mısır sınıfına göre daha yüksektir. Bu bulgular hem test alanları hem de ilçe ölçekli analizler için geçerli olup, OBC de alan tahmin doğruluğu her iki ürün için daha yüksek, pamuk ekili alan tahmin doğruluğu da her iki algoritma için mısır ekili alan tahmininden daha yüksek olrak gözlemlenmiştir. Çalışmanın ikinci kısmında pamuk ve mısır ekili alanlarda verim tahminin gerçekleştirilmesidir. Bu kapsamda çok zamanlı uydu görüntüsü, kamera fotoğrafları ve meteorolojik veriler kullanılarak agro – meteorolojik verim modeli tasarlanmıştır. Kamera görüntülerden elde edilen Bitki Örtü Oranı (CC) ölçmelerinin Fotosentetik Aktif Radyasyon Emilim Katsayısı (fPAR) tahmininde kullanıldığı Işınım Kullanım Başarımı (LUE) temelli model test parselleri üzerinde tasarlanmıştır. Modelin geniş alanlarda çalıştırılabilmesi için CC parametresi ile spektral bitki indeksleri (SVI) regresif bağıntılar tanımlanmış ve elde edilen dönüşüm denklemlerinin çok zamanlı uydu görüntülerine uygulanması ile mekânsal fPAR verisi üretilmiştir. Uydu görüntülerinden iki farklı SVI - CC yaklaşımı ile üretilen mekânsal fPAR verisi ve bölgesel olrak optimize edilmiş meteorolojik verinin kulanımı ile ilçe ölçeğinde ve parsel seviyesinde verim tahmini gerçekleştirilmişitir. Bunun dışında LUE modelinin oluşturulması için yeterli verinin bulunamayacağı durumları test etmek için, NDVI’ın fPAR olarak kabul edildiği, GI indeksin Toplam Birincil Üretim (GPP) olarak kabul edildiği, ve NDVI – fPAR, SR – fPAR ilişkilerinin ait bağıntıların deneysel olarak daha önceki çalışmalardan elde edildiği yaklaşımlar da analize dahil edilmiştir. Tüm bu yaklaşımlarla elde edilen verim tahminleri karşılaştırmalı olarak değerlendirilmiştir. LUE temelli model tasarımında bitkilerin LUE katsayılarını etkileyen sıcaklık ve Buhar Basınç Eksikliği (VPD) parametreleri modelleme sürecine dahil edilmiştir. Test parsellerinde gerçekleştirilen analiz sonuçlarına göre kamera görüntülerinden elde edilen CC verisi ile oluşturalan fPAR yaklaşımı ile kurulan LUE model verim tahmininde en yüksek başarımı sağlamıştır. Yöntem pamuk ve mısır ekili test parsellerinde %5’ten daha düşük bağıl hata ile verim tahminine olanak vermiştir. CC – SVI arasındaki ilişki, 0,825 – 0,980 R2 değerleri ile yüksek lineer korelasyon göstermiştir. Bu yüksek korelasyonlu ilişkiden yola çıkılarak oluşturulan ürün tipine özel regresif denklemler kullanılarak verim tahmin modeli dört farklı ilçede ve parsel seviyesinde çalıştırılmıştır. Sonuçlar dört ilçedeki istatistiksel verim sonuçları ile karşılaştırıldığında, kurulan modelin geniş alanlarda da güvenilir sonuçlar ürettiği gözlemlenmiştir. Sonuçlara göre uzaktan alıglama verileri ile mekânsallaştırılan modelde verim tahmin sonuçları %10 bağıl hata altında kalmıştır. Ayrıca meteorolojik gözelem ve bitki gelişim özellikleri gibiverilere ulaşılamadığı durumlar için incelenmiş olan GI – GPP yaklaşımının da oldukça yüksek doğruluklu sonuçlar ürettiği gözlemlenmiştir. Çalışma sonuçları ayrıca bölgeye özel meteorolojik koşulların ve bitki gelişim süresince yürütülen bakım faaliyetlerinin verim üzerindeki etkilerini de gözlemleme olanağı sunmuştur. Ek olarak geçmiş çalışmalardan elde edilmiş genel SVI-fPAR yaklaşımları ile elde verim değerlerindeki yüksek hata değerleri, bu tarz ilişkilerin kurulmasında bölgesel kalibrasyon ve adaptasyonun gerekliliğini ispat etmiştir. Verim modellemesinde muhtemel hata kaynakları değerlendirildiğinde ilk olarak verim modellinde gözardı edilen iki temel unsur su ve nitrojen stresidir. Bu stres faktörlerinin modele dâhil edilmeyişinin ilk sebebi test alanlarının ve Harran Ovası’nın bitki gelişim dönemi boyunca düzenli olarak sulanması ve gübrelenmesine bağlı olarak su ve nitrojen stresinin çalışma alanında belirgin bir etki göstermeyeceğinin düşünülmesidir. Çalışmada muhtemel hata kaynaklarının ikincisi, olgunluk döneminin başından itibaren sararmaya bağlı olarak, yeşil kanopiye duyarlı olan CC değerlerindeki düşüşün fPAR tahmininini ne kadar etkilediğinin bilinmemesidir. Bu durum özellikle püsküllenmenme evresinden sonra hızlıca sararan mısır bitkisi için etkili olabilir. Yine de elde edilen fPAR tahmin grafikleri önceki yersel gözlemler ile oluşturulmuş grafiklere benzeşim göstermiş ve sadece son 10 günlük periyotta fPAR değerlerinde daha hızlı bir düşüş gözlemlenmiştir. Üçüncü olarak, bölgenin detaylı toprak türü haritasına ulaşılamadığından, toprak türünün verim üzerindeki etkisi modellenememiştir. Toprağın tuzluluk, doku ve su tutma kapasitesi özelliklerinin verime etkisi muhtemel olmakla birlikte; bu farklılaşmaların modelde kullanılan SVI’ler aracılığı ile dolaylı olarak modellendiği düşünülmektedir. Son olarak, bu çalışmada yer istasyonlarından elde edilen meteorolojik verilerin alana yayılmasında ortalama değer yöntemi kullanılmıştır. Toplam alanın küçüklüğü ve istasyon dağılımının alt iklim kuşaklarını temsil eder nitelikteki konumları düşünüldüğünde bu yöntem çalışma için yeterli görülmekle birlikte; bölge ya da ülke ölçeğinde gerçekleştirilecek çalışmalarda, co – kriging ya da Inverse Distance Weighting (IDW) gibi daha kapsamlı mekânsal veri interpolasyon yöntemlerinin kullanılması önerilmektedir., Accurate identification of crop types and estimates of their area at agricultural parcel level from satellite sensor data can provide important information to support agricultural policies, verify claims by farmers who apply for public subsidies and assist in the practice of precision agriculture. Since agricultural practices contribute to greenhouse gas emissions, identification of crop types and their spatial distribution assumes importance from a climate perspective as well. Several countries in the European Union have developed their Land Parcel Identification Systems (LPIS) based on satellite sensor or aerial images to support area-based subsidies and agricultural policies. In addition to identification of crop types and their spatial distribution, timely and accurate estimation of crop yield at local to regional scales is of paramount importance for societal, economic, agricultural, and policy considerations. For example, regional-scale yield estimation enables estimation of potential agricultural production capacity so that food pricing and stock management can be performed for the forthcoming year. Yield estimates also add valuable data to modeling of agriculture – ecosystem relationships in terms of carbon cycling and climate change. Using allometric relationships, crop yields can be converted to terrestrial net primary productivity (NPP) to be used for carbon budget determination. Determination of the crop cultivations and their yield information is an important task from this perspective and should be considered as a spatial problem. Gathering this information in regional or country scale and in parcel basis seems nearly impoossible with classical terrestrial meyhods. At this point, remote sensing systems with their synoptic viewing capability and variety of temporal and spatial resolution are important data source to derive agricultural information. Remote sensing methods are superior to conventional methods since fast and economic data acquisition and fast processing of data using computer based analyses are possible in remote sensing. Characteristics of agricultural field, difference of spectral reflectance of different crop types and differences in feature characteristics such as shape and texture are important parameters that should be considered while working agricultural areas with remote sensing. Remotely sensed data provide identifiable signatures for crop type, crop density, crop geometry etc, in order to perform agricultural survey and analysis. This study aimed to perform a two step analysis of cultivated areas of Harran Plain at Sanliurfa Province in Southeastern region of Turkey in order to develop an adaptive yield model for cotton and maize crops at parcel level and regional scale. An agro-meteorological model with multi sensor and multi temporal satellite images, digital photos and meteorological measurements were combined with cultivated area detection analysis in order to achieve the model construction. First part of the study investigates the accuracy of pixel- and object-based classification techniques across varying spatial resolutions to identify crop types at parcel level and estimate the area of six test sites to find the optimum data source for the identification of crop parcels. Multi sensor data with spatial resolutions of 2.5m, 5m and 10m from SPOT-5 and 30 m from Landsat 5 TM were used. Maximum Likelihood (ML), Spectral Angle Mapper (SAM) and Support Vector Machines (SVM) were used as pixel-based methods in addition to object-based image classification (OBC). Post-classification methods were applied to the output of pixel-based classification to minimize the noise effects and heterogeneity within the agricultural parcels. OBC results provided comparatively the best performance for both parcel identification and area estimation at 10m and finer spatial resolution levels. SVM followed OBC at 2.5m and 5m resolutions but accuracies decreased dramatically with coarser resolutions. ML and SAM results were worse up to 30m resolution for both crop type identification and area estimation. In general, parcel identification efficiency was strongly correlated with spatial resolution while the classification algorithm was a more effective factor than spatial resolution for area estimation accuracy. Results also provided an opportunity to discuss the effects of image resolution and the classification algorithm independent factors such as parcel size, spatial distribution of crop types and crop patterns. According to the regional scale analysis performed in Harran, Sanliurfa and Hilvan districts, OBC produced more accurate results than SVM classification for both point- and area-based accuracy assessments. Producers and users accuracy and the kappa coefficient for both of crops, as well as the overall accuracy of the OBC results were higher than those with SVM. Moreover, cotton class accuracy was higher than corn for both algorithms. These characteristics were repeated for area-based analysis, and provided greater area estimation accuracy for OBC for both crop types. Similarly, cotton area estimation was more successful than corn area by both classification algorithms. Second part of this study focuses on yield estimates of planted areas of cotton and maize in southeastern Turkey. The purpose of the research reported here was to construct an agro-meteorological yield model with the use of digital camera images, multitemporal satellite data and meteorological measurements in cotton and maize planted areas. More specifically, we investigated the utility of digital camera-based crop cover fraction (CC) measurements in lieu of photosynthetically active radiation (fPAR) and developed a light use efficiency (LUE) based yield model over test parcels. We also defined a regression-based relationship between CC and spectral vegetation index (SVI) values derived from multitemporal satellite images to obtain spatial fPAR information. We then extended our findings to regional yield estimation at the parcel level with the use of multitemporal satellite images coupled with locally optimized meteorological measurements. Finally, we tested the use of greenness index (GI) as an approximation of Gross Primary Production (GPP) and generic SVI – fPAR equation in addition to our SVI – CC approach and compared yield estimation results across these different approaches. Meteorological parameters limiting the LUE of crops, such as temperature and vapor pressure deficit, were also calculated and incorporated into the yield estimation process. Results showed that the use of digital photo-based CC rather than the fraction of fPAR in the LUE model provided the most accurate yield estimates. It produced less than 5 percent relative error in cotton and maize test parcels. In general, the CC – SVI relationship showed high linear correlation, with a range of 0,825 – 0,980 R2 in all test parcels. Crop specific regression equations derived from these relationships enabled yield estimates at the parcel level across the study area. When compared to statistical yield information at four districts, the remote sensing based method proved to be reliable, with relative errors below 10 percent in most cases. Moreover, GI was also used in GPP approximation, and yield estimates using this method also provided reasonable accuracy. Results also provided valuable information about the effects of region-specific meteorological conditions and crop management activities on yields. Finally, the higher yield estimation errors that result from the use of generic SVI – fPAR equations in the literature indicate the need for local calibration of this relationship. When the possible error sources of yield estimation model developed in this study are interpreted, the effects of water and nitrogen stress were not modeled, as the test sites were well irrigated and fertilized. The whole study segment had also similar irrigation conditions with a complete irrigation network and assumed to have no significant effect on the results. Secondly, the CC based fPAR approach may have potential bias by being insensitive to productivity increases following the onset of the maturity. CC based fPAR estimates were reduced due to a large reduction in green biomass with the start of senescence in maize and the effects of green biomass reduction over productivity at this stage was not previously known. Yet, the CC graphs for maize were very similar to fPAR graphs from previous studies and only showed a sharper reduction in the last 10-day period. Thirdly, soil type and related effects on yield did not consider in this study due lacking of detailed soil map of the area. While salinity, textural properties, and water holding capacity of the soil may affect NPP (or its yield equivalent), these site conditions would have been captured by vegetation indices, making the LUE approach particularly attractive. Finally, a simple mean value calculation was performed for generalizing station-level meteorological data to the entire study area. While a more sophisticated interpolation methods could be useful for further analysis on larger areas, considering the small extent of the total area and the number of stations (even though some were clustered in the north and south) may make our generalization attempts acceptable., Doktora, PhD

Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2014, Thesis (M.Sc.) -- İstanbul Technical University, Instıtute of Science and Technology, 2014, Multimedya sistemlerinin günümüzde yaygın kullanımı, sahip oldukları depolama aygıtlarının artan mevcut kapasitesi ve artan işlemci hızları, yüz tanıma algoritmalarının kullanım alanını arttırmış ve gelişmesini sağlamıştır. Bu gelişme ile tek bir görüntü yerine bir akış şeklinde video görüntülerinden elde edilen bilgiler kullanılmaya başlanmıştır. Günümüzde, hayatımızın her anında video kameraları görebilmekteyiz. Örneğin, havalimanlarındaki güvenlik kapı girişlerindeki video kameralar, güvenlik kamerası olarak kullanılmaktadır. Cep telefonları ile video kaydı yapılabilir hale gelmiştir. Video kameralar hayatımızın her anını görüntülemektedir ve video kütüphaneleri bu görüntüleri anlamlandırmaya çalışmaktadır. Bu görüntülerden yüz görüntüleri gibi anlamlı veriler çıkarmak için arama motorları geliştirilmektedir. Video görüntülerinden yüz tanıma uygulamaları sadece eğlence, eğitim veya güvenlik amaçlı değildir. Örneğin, adli kimlik tanımlama için kimi zaman yüzlerce saatlik video görüntülerinin incelenmesi gerekmektedir. Buna örnek olarak, kayıp bir insanın bulunması ve son konumunun tespit edilmesi için düşük çözünürlüklü trafik veya güvenlik kameralarından elde edilmiş video görüntülerinin alanında uzman kişiler tarafından incelenmesi zorunludur. Böyle durumlarda görüntü kalitesinin düşük olması bu görüntülerin yüz tanıma için kullanılamayacağı anlamına gelemez. Bu görüntülerin çeşitli görüntü iyileştirme algoritmaları ile iyileştirilmesi de yüz tanıma problemindeki başarımı yeteri kadar arttıramamaktadır. Bu tez çalışmasında, düşük çözünürlüklü görüntülerden yüz tanıma problemi için Yerel Zernike Momentlerini (YZM) kullanan bir yöntem önerilmiştir. Genel Zernike Momentleri, tüm görüntü için moment değerleri üretirken, YZM ile görüntüde bulunan her bir piksel için moment değerleri hesaplanmaktadır. YZM ile yüz tanımada önemli başarı elde edildiği görülmüştür. YZM’nin bu başarısını düşük çözünürlüklü ve bulanık yüz görüntülerinde arttırmak için Ölçek Bağımsız Öznitelik Dönüşümü (ÖBÖD) (ing. Scale-Invariant Feature Transform) algoritmasındakine benzer bir ölçek uzayı algoritması kullanılmıştır. Önerilen bu yöntem ile YZM’nin düşük çözünürlüklü yüz görüntülerindeki başarımı öncelikle Yüz Tanıma Teknolojisi (YTT) (ing. The Facial Recognition Technology) yüz veritabanı üzerinde test edilmiştir. Ölçek uzayları ile yapılan testler ve elde edilen test sonuçlarına göre bir yüz tanıma yapısı oluşturulmuştur. Bu yapı önerilen yöntemin gerçek hayat uygulamalarında başarımını görmek için geliştirilmiştir. Bu amaçla, giriş görüntüsü üzerinde yüz ve göz tespiti için bir nesne tespit algoritması olan Haar-benzeri öznitelikleri tabanlı kademeli sınıflandırıcılar kullanılmıştır. Tespit edilen yüz görüntüsü ve tespit edilen göz bebeği konum bilgileri kullanarak sırasıyla yüz görüntüsü ilgin dönüşüm (ing. affine transformation) ile gözler hizalanmış, görüntü kırpılmış, elipse şeklinde bir maske ile maskelenmiş ve sıfır ortalama-birim varyansa sahip olacak şekilde düzgelenmiştir. Düzgelenen yüz görüntüsünün ölçek uzayı oluşturularak eğitim kümesinde yer alan görüntü ölçek uzayları arasında k-En Yakın Komşular (k-EYK) (ing. k-Nearest Neighbors) sınıflandırma algoritması ve çeşitli kaynaştırma yöntemleri ile yüz tanıma gerçeklenmiştir ve bu önerilen yapının gerçek hayat uygulamalarında umut verici olduğu görülmüştür., Widespread utilization along with the increasing capacity and processor speeds of the multimedia systems lead to increase in application areas and development of face recognition algorithms. By this way, information extracted from video images obtained by streaming is started to be used instead of a single image for face recognition. Today we encounter video cameras in every moment of our lives. For example, video cameras at the security control entrance of airports are used for security purposes and mobile phones have the capability of video recording. In summary, video cameras are recording every moment of our lives and video libraries are trying to parse these recordings. To extract meaningful images from these recorded images, search engines are being developed. Face recognition from video images is not just for fun, education or security purposes. For instance, forensic identification requires investigation of long videos with a length of hundreds of hours. Experts investigate many videos coming from low resolution traffic and security cameras to detect the last position of the lost people and find them. In such emergency situations images with low quality does not mean that they cannot be used for face recognition. Unfortunately enhancing of these images via image enhancement algorithms cannot increase the performance in face recognition problem. In recent years, a great deal of methods for face recognition in general scenes have been proposed. Although the proposed methods can recognize faces at high precision and high speed, faces in real images such as the ones from the security and surveillance systems are not always sufficiently clear. Therefore, the face recognition methods must succeed in low resolution, blurriness, variation of poses, illumination conditions and partial occlusions. Most of the existing methods, try to solve the low-resolution face problem by generating a space representation between low and high resolution face images by considering pose and illumination variations. The other group of methods are based on super resolution algorithm. However these methods have performance problems in real world applications. In this thesis, we propose a method that uses Local Zernike Moments and Gauss-difference of Gauss scale space for face recognition in low-resolution images in which the robustness of Local Zernike Moments against low resolution and blurred face images is increased. The performance of Local Zernike Moments in low-resolution face images is examined on The Facial Recognition Technology database. Then a face recognition framework is designed according to these test results. Zernike moments are based on the calculation of the complex moment coefficients and are successful in character recognition of images that contain distinctive shape information like characters. However these holistic moments were seen inadequate for the face images and for this reason a novel face representation method called Local Zernike Moments was proposed and is shown to be successful in face recognition. The Local Zernike Moments method localizes the calculation of the moments around for each pixel. As a result, a complex moment image is estimated for each moment component. Final feature vector is obtained by concatenating the extracted phase-magnitude histograms at each sub region that is formed by dividing each moment image to non-overlapping sub regions. Local shape variations in the low resolution face images are very important for face recognition. For this reason, Local Zernike Moments are used as local phase-magnitude histograms. The purpose of using Local Zernike transformation in face images is to stimulate the local shape characteristics and to describe the local shape statistics of the transformed images. In order to further increase the success of Local Zernike Moments against low resolution and blurred face images, a scale space representation similar to Scale-Invariant Feature Transform algorithm is used. The Scale space, being different than the Gauss pyramid, is formed by a particular number of images per level. Each level has a group of images that are formed step by step with convolution by increasing σ value of the Gaussian filter at each step and then the last image is down-sampled. this study, k-Nearest Neighbor algorithm is used as the classification algorithm. k-Nearest Neighbor classifier, which is the simplest classification algorithm, is based on the calculation of the distance between two samples. The class of the instance is assigned as the majority class of k neighbors. After several trials, NORM L1 value is chosen as the distance metric and k equals 1. The performance of Local Zernike Moments in low-resolution face images is initially tested on The Facial Recognition Technology database. Several tests are conducted with different settings and parameters. All probe sets and gallery images are normalized to have zero mean and unit variance after they are cropped, and their sizes are fixed to 130×150. Then, Gauss and Difference of Gauss scale spaces are calculated. After a set of tests, the scale space parameters are selected as o=4, s=6 and σ=1.6. As a result, by using these parameters, scale spaces that contain 24 images (Id=0-23) with resolutions 130×150, 65×75, 32×37 and 16×18 from each normalized image are generated. Local Zernike Moments feature vectors are calculated for each scale space image with the following parameters; the moment order n=4, the kernel size k=5, the grid size N=10 and the number of histogram bins b=24. The length of the feature vector with these parameters is 26064. The three classification settings are examined. The first one matches scale space images of the probe set images with the gallery images that are in different octaves. The second one matches scale space images of the probe set images with scale space images of the gallery images per octave that are in the same octave. The last one matches scale space images of the probe set images with scale space images of the gallery images per octave that are in the different octaves. As a result, Local Zernike Moments gives better results for matching scale space images of the probe set and gallery images that are in the same octave and even gives promising results at descending resolutions compared to the first setting. Then a face recognition framework is designed according to the test results. This framework is developed to observe the performance of the proposed method in real life applications. Haar-like feature based cascade classifier is used to detect face and eyes to test the proposed face recognition framework. Cascade classifier consists of several simpler classifiers applied to a region of interest and evaluated together. First a classifier is trained with the same sized target object images of positive and negative examples. After training, the classifier is applied to the region of interest in an input image and it performs a prediction on the existence of an object in the region of interest. To detect an unknown sized object in an image, the classifier scans across the image at multiple scales and locations. Boosted cascade classifier is based on different boosting techniques. Haar-like features are used to train cascade classifiers. In this study, the detected face image is normalized to have zero mean and unit variance after its size is fixed, it is masked by ellipse and it is cropped. According to the above test results on The Facial Recognition Technology database, the classification part of the low-resolution face recognition framework is formed by fusing results of the octave classifiers. Three methods are developed to assess the test results which classify them according to class id majority, fusing class id majority of octave layers for each classifier or fusing class id of weighted octave layers for each weighted octave classifier. Among these, the best results are achieved with the last method. Results show that the proposed framework is promising for real world applications., Yüksek Lisans, M.Sc.

Uzaktan algılama verileri Coğrafi Bilgi Sistemleri (CBS) ve görüntü istihbaratı için çok önemli bir veri kaynağıdır. Uzaktan algılamada, özellikle istihbarat amaçlı uygulamalarda veri elde etme platformları genellikle uydulardır. İlkgörüntüleme uydularının mekansal çözünürlükleri çok düşük iken, artık yüksek mekansal çözünürlüklü uydular görüntü elde etmektedirler. Görüntüleme uydularında son dönemde önemli gelişmeler olmuştur. GeoEye uydusunun mekansal çözünürlüğü 41cm?dir. Worldview-2 uydusu 45 cm mekansal çözünürlüklü ve 8 spektral bantlıdır. 34 cm çözünürlüklü bir ticari uydununda 2013 yılı içerisinde uzaya gönderilmesi planlanmaktadır. Milli uydumuz olan 2.5 m çözünürlüklü Göktürk-2 uzaya gönderilmiş birkaç yıl içerisinde Göktürk-1 uydusunun uzaya gönderilmesi planlanmaktadır. Göktürk-1 ve 2 uyduları yanında yapay açıklıklı radar (Synthetic Aperture Radar - SAR) algılayıcısı taşıyan Göktürk-3 uydusu için planlamalara başlanmıştır. Bu gelişmeler dikkate alındığında CBS için gerekli olan bilgilerin büyük çoğunluğu, askeri amaçlı görüntü istihbaratı elde etmek için gerekli olan bilgilerin hemen hemen tamamının uydu görüntülerinden sağlanabileceği değerlendirilmektedir. NATO standartlarına göre askeri amaçlar için gerekli olan nesnelerin tanınması için mevcut uydu görüntülerinin çözünürlükleri yeterlidir. Bunların yanında, uydu görüntüleri çoğaldıkça, görüntülerden bilgi elde etme işlemi bir sorun haline gelecektir. Görüntü sınıflandırma operatörler tarafından klasik olarak veya bilgisayarlar aracılığı ile otomatik olarak gerçekleştirilmektedir. Görüntülerin otomatik olarak sınıflandırılmasında klasik yöntemler olarak adlandırılan piksel tabanlı, kontrollü ve kontrolsüz sınıflandırma yöntemleri kullanılmaktadır. Piksel tabanlı sınıflandırmanın başarısı sınırlıdır. Klasik sınıflandırmanın problemlerini çözebilmek amacıyla, sınıflandırma işlemine uzmanın tecrübelerini katmasını sağlayan Nesne Yönelimli Sınıflandırma (NYS) literatüre girmiştir. Bu tez çalışmasında hem CBS hem de görüntü istihbaratı alanında anlamlı olan köprü nesnesi nesne yönelimli ve hibrit yöntem ile nesne yönelimli olarak uydu görüntülerinden çıkarılmaya çalışılmıştır. Yapılan çalışma sonuçları hakkında istatistiki sonuçlar elde edilmiştir. Ayrıca çıkarılan köprü nesnesi çalışmanın yapıldığı alandan başka bir bölgede, farklı bir platformdan alınmış, spektral ve mekansal çözünürlükleri farklı görüntülerde test edilmiştir., Remote Sensing occupies an important place to obtain information for Geographic Information Systems (GIS) and imagery intelligence. At remote sensing, especially in intelligence applications satellites are generally data acquiring platforms. While first imaging satellites? spatial resolution is very low, now satellites which have high spatial resolution are used. Recently, important developments are conducted in the field of imaging satellites. One of the satellites recently sent to space GeoEye has 41 cm spatial resolution and the other Worldview-2 has a 45 cm spatial resolution and 8 spectral bands. Another commercial satellite has 34 cm spatial resolution is planned to send to space in 2013. Turkey?s national satellite 2.5 m spatial resolution Göktürk-2was sent space and Göktürk-1 is planned to send to space in the next years. Another national satellite containing Synthetic Aperture Radar (SAR) sensor Göktürk-3?s construction is being planned. When these developments considered, the most part of the information needed for GIS and almost all information for military purposes and imagery intelligence can be acquired from satellite images. According to the NATO standards, detection of the objects for the military purposes current satellite images? resolutions are enough. Besides these developments, while satellite images are increased, to obtain information from these images going to be a problem.Image classification is performed manually by operators or automatically by computers. To classify images automatically, conventional pixel based supervised and unsupervised methods has been used. Success of pixel based classification is limited. To complete pixel based technique?s gap, Object Oriented Classification which enables experts experiments put into classification has entered to literature. In this study in the area of both GIS and imagery intelligence meaningful object bridges have been tried to extract from satellite images by object oriented and object oriented hybrid classification methods. Statistics have been tried to determine about study. Furthermore developed rules to extract objects have been tested in different test area and imagery which are collected with different platform and have different spectral and geospatial resolution.

Bu bildiri kapsamında bir Otomatik Hedef Tanıma (OHT) sistemi ele alınarak geliştirilmiş ve geliştirilen sistemin Matlab benzetimleri bildiride sunulmuştur. İkinci olarak OHT sistemlerinde kullanılan ve literatürde sıkça karşılaşılan klasik kenar belirleme algoritmalarının dışında yeni bir kenar belirleme algoritması önerilmiştir. Son olarak da Freeman zincir kodlamasının özellik çıkartma aşamasında kullanılabileceği gösterilmiştir. İlgili sistemin sınıflandırma ve karar verme aşaması hariç tamamı değişik test görüntüleri üzerinde denenmiş ve insan gözüne hitap edebilecek seviyede başarılı sonuçlar elde edilmiştir. İleride sınıflandırma aşamasının da gerçeklenmesi ile tasarlanan OHT sisteminin başarımının daha tarafsız bir ölçüt ile test edilmesi hedeflenmektedir. Ayrıca sistemin donanıma yönelik olarak optimizasyonu ile bir Field Programmable Gate Array (FPGA) gerçeklemesinin yapılması hedefler arasındadır. In this study, first, an Automated Target Recognition/Tracking (ATR, ATT) system is analyzed, developed and simulated on Matlab environment. Second, a new edge detection method is proposed which is obtained by combining two common edge detection algorithms. Finally, it is shown that Freeman chain codding can be used in feature extraction stage of an ATR system. The system is tested for many different image databases, except for its classification and decision making part, which is still under development, and the results are verified by human eye. Note that, with the development of the classification part, the results will be able to verified with an objective criteria. On the other hand, the designed ATR system is planed to be optimized for an hardware and implemented on an FPGA device in a future work. Publisher's Version

Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Bilişim Enstitüsü, 2010, Thesis (M.Sc.) -- İstanbul Technical University, Institute of Informatics, 2010, Telsiz sensor ağlarındaki temel ihtiyaç sahip olduğu sensör düğümlerinin konumlandırılmasıdır. Sensörler tarafından yapılan ölçümler çoğu zaman konum bilgileriyle anlam kazanırlar. Hatta bazı sensor ağlarında konum bilgisi bir gereklilik durumundadır. Kullanımda olan konumlandırma teknikleri radyo sinyalinin sönümlenmesi ya da sesin hızı gibi uzaklık ve konum ile dolaylı olarak bağlantılı olan verilere dayanmaktadır. Bu nedenle bu konumlandırma tekniklerinin direkt olarak uzaklığın bir fonksiyonu şeklinde olmamaları hatalı yapılan ölçümler için başlıca bir hata kaynağı olmaktadır. Görüntü temelli sistemler ise doğrudan konum ile bağlantılı olmalarına rağmen bu sistemlerde arzu edilen sensör düğümlerinin ilgisiz bileşenlerden ayrılması çok zordur. Ancak birçok işlemin ardarda gerçeklenmesiyle bu başarılabilmektedir ve buda sistem için fazla bir yük olduğundan tercih edilmemektedir. Bu tezde telsiz sensor ağlarının konumlandırılması konusunda yeni bir yaklaşım önerilmektedir. Bu yaklaşım temel olarak çeşitli değişken boyutların eklenebilirliği ve bu değişken boyutlara uygulanan filtreleme işlemleriyle farklı sensör düğümlerinin belirlenebilirliği üzerine dayanmaktadır. Bu amaçla, IR bandı resimleri ve bu resimler içerisinde sensor düğümlerinin zamanın bir fonksiyonu şeklindeki varlıkları kullanılır. Sensör düğümlerine de, kendilerini diğer kızılötesi sinyal kaynaklarından ayırt edilebilir hale getirmeleri amacı ile belirli bir period ile kızıl ötesi sinyal yayınımı yaptırtılır. Bu sayede hatalı konum bilgisi yaratabilecek diğer ilgisiz kaynaklar elenmiş olur ve periyodu bilinen bir kızılötesi yayınım yapan sensor düğümü ayrıştırılarak konum bilgisi belirlenir., Localization of sensor nodes is the main aspect of wireless sensor networks. Measurements of sensory systems are meaningless without location information. Location of a sensory measurement is a must have information in most of the systems. Current localization techniques depend on data like radio signal strength attenuation or speed of sound which are indirectly related to distance and location. These measurement?s disadvantage, which is not being a function of distance alone, is the main source for erroneous location estimations. An image based system would include direct location information but it is hard to distinguish desired sensor nodes from irrelevant entities. A series of operations are used to tackle this problem. A new approach for localization at wireless sensor networks is proposed in this thesis. The proposed method depends on addition of new change dimensions and filters applied to those dimensions that result in identification of unique sensor nodes. In that matter, IR band images and existence of sensor nodes at those images as a function of time are used. Sensor nodes are instructed to toggle emitting infrared signals at a specific period in order to distinguish themselves from other infrared signal sources while irrelevant signal sources are eliminated from the list of possible candidates., Yüksek Lisans, M.Sc.

Bu çalışmada beş farklı bitki yaprağı kullanılarak, çok katmanlı yapay sinir ağı geriye yayılma algoritması ile eğitilmiştir. Eğitim işleminden sonra yapay sinir ağına tanıtılan her bir yaprak türünden 15 adet yaprak görüntüsü ağa giriş olarak verilmiş ve ağın bu yaprakları sınıflandırması istenmiştir. Bu işlemden sonra eğitim işlemi sırasında kullanılmayan 6 farklı bitki türüne ait yaprak görüntülerini ağın sınıflandırması istenmiştir. Ağ daha önce tanımadığı bu desenleri , eğitim işlemi sırasında kendisine tanıtılan 5 bitki türünden birine benzetmeye çalışmıştır. We have trained Artificial Neural Network (ANN) with back propagation algorithm by using five different foliages. After training process , we have tested 15 similar foliages for each class and classification is desired by ANN. Then we have tried to classify 6 different foliage which are not trained before. The ANN, tried to classify these samples and it classify them to the nearest trained foliage class of the 5 different trained class.