KaydedilenlerDerginizi ekleyin

Dergiler / Türk Uzaktan Algılama ve CBS Dergisi / 2021 / Cilt: 2 - Sayı: 1

Çok Amaçlı Metasezgisel Optimizasyon Algoritmaları ile Hibrit Pan-Keskinleştirme Yöntemlerinden Üretilen Görüntülerin Sınıflandırma Performanslarının Arttırılmasına Yönelik Bir Araştırma

On the Use of Multi-Objective Metaheuristic Optimization Algorithms to Increase the Classification Performance of Images Produced from Hybrid Pansharpening Methods

Volkan Yılmaz
Sayfa
1–10
Yayın Tarihi
2022-11-04
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sınıflandırma sonuçları, önerilen yöntem ile üretilen bütün pan-keskinleştirilmiş görüntülerin toplam sınıflandırma doğruluğunu belli oranda arttırdığını göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Görüntü sınıflandırma uygulamaları yüksek renk kalitesine sahip olan görüntülere ihtiyaç duymaktadır.
📊
Temel Bulgular & Veri:Önerilen yöntem ile renk kalitesi en iyiden en kötüye değişen beş farklı pan-keskinleştirilmiş görüntü üretilmiştir.
💡
Sonuç & Katkı:Sınıflandırma sonuçları, önerilen yöntem ile üretilen bütün pan-keskinleştirilmiş görüntülerin toplam sınıflandırma doğruluğunu belli oranda arttırdığını göstermektedir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Pan-keskinleştirme · Metasezgisel optimizasyon · Görüntü sınıflandırma

Özet

Görüntü sınıflandırma uygulamaları yüksek renk kalitesine sahip olan görüntülere ihtiyaç duymaktadır. Ancak, gerek algılayıcılardaki teknik kısıtlamalar, gerekse de maliyet problemlerinden dolayı bu tarz görüntüleri elde etmek her zaman mümkün olmamaktadır. Bu nedenle, bu çalışmada, literatürde ilk defa, çok amaçlı bir metasezgisel optimizasyon algoritması olan Non-Dominated Sorting Genetic Algorithm II (NSGA-II) algoritması, hibrit bir pan-keskinleştirme yöntemi olan Intensity-Hue-Saturation Discrete Wavelet Transform (IHS-DWT) yönteminin performansının iyileştirilmesi amacıyla kullanılmıştır. Önerilen yöntem ile renk kalitesi en iyiden en kötüye değişen beş farklı pan-keskinleştirilmiş görüntü üretilmiştir. Pan-keskinleştirmede kullanılan girdi Çok Bantlı (ÇB) görüntü ile üretilen bütün pan-keskinleştirilmiş görüntüler Yapay Sinir Ağları (YSA) yöntemine göre sınıflandırılmıştır. Sınıflandırma sonuçları, önerilen yöntem ile üretilen bütün pan-keskinleştirilmiş görüntülerin toplam sınıflandırma doğruluğunu belli oranda arttırdığını göstermektedir. Ayrıca, önerilen yöntem ile üretilen en iyi renk kalitesine sahip olan iki görüntünün toplam sınıflandırma doğruluğunu yaklaşık % 24 oranında arttırdığı tespit edilmiştir. Önerilen yöntem ile yüksek sınıflandırma doğruluğuna ihtiyaç duyulan uygulamalar için altlık üretilebileceği sonucuna varılmıştır.

Abstract

Image classification applications require images of high colour quality. However, it is not always possible to obtain such images due to the technical constraints in the sensors and cost problems. Hence, this study, for the first time in the literature, used the multi-objective metaheuristic optimization algorithm Non-Dominated Sorting Genetic Algorithm II (NSGA-II) to improve the performance of the Intensity-Hue-Saturation Discrete Wavelet Transform (IHS-DWT) pansharpening method. Five different pansharpened images with colour quality ranging from best to worst were produced with the proposed method. The input Multispectral (MS) image and all pansharpened images were classified with the Artificial Neural Network (ANN) classifier. The classification results revealed that all pansharpened images produced by the proposed method increased the overall classification accuracy to a certain extent. It was also concluded that the two images with the best colour qualities increased the overall classification accuracy by approximately 24 %. It can also be concluded that the proposed method is able to provide images for applications that require a high classification accuracy.

🔖

Bu Makaleye Atıf Yap

Yılmaz, V. (2022). Çok Amaçlı Metasezgisel Optimizasyon Algoritmaları ile Hibrit Pan-Keskinleştirme Yöntemlerinden Üretilen Görüntülerin Sınıflandırma Performanslarının Arttırılmasına Yönelik Bir Araştırma. Türk Uzaktan Algılama ve CBS Dergisi, Cilt: 2 - Sayı: 1, 1–10. https://ajindex.com/articles/643307

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (7)

  1. Abd El-Samie, F. E., Hadhoud, M. M., & El-Khamy, S. E. (2012). Image Super-Resolution and Applications. CRC press. Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. A. M. T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182-197. doi: 10.1109/4235.996017. Garzelli, A., & Nencini, F. (2006a). Fusion of Panchromatic and Multispectral Images by Genetic Algorithms. IEEE International Conference on Geoscience and Remote Sensing Symposium (IGARSS 2006) (3810-3813).
  2. Denver, CO, USA. doi: 10.1109/IGARSS.2006.976. Garzelli, A., & Nencini, F. (2006b). PAN-sharpening of Very High Resolution Multispectral Images Using Genetic Algorithms. International Journal of Remote Sensing, 27(15), 3273-3292. doi: 10.1080/01431160600554991. Ghassemian, H. (2016). A review of remote sensing image fusion methods. Information Fusion, 32, 75-89. doi: 10.1016/j.inffus.2016.03.003. Gogineni, R., & Chaturvedi, A. (2018). Sparsity inspired pan-sharpening technique using multi-scale learned dictionary. ISPRS Journal of Photogrammetry and Remote Sensing, 146, 360-372. doi: 10.1016/j.isprsjprs.2018.10.009. Gonzalez, R. C., & Woods, R.E. 2007. Digital Image Processing. 3rd Edition,
  3. Pearson. Laben, C. A., & Brower, B. V. (2000). U.S. Patent No. 6,011,875. Washington, DC: U.S. Patent and Trademark Office. Serifoglu Yilmaz, C., Yilmaz, V., & Güngör, O. (2020). On the use of the SOS metaheuristic algorithm in hybrid image fusion methods to achieve optimum spectral fidelity. International Journal of Remote Sensing, 41(10), 3993-4021. doi: 10.1080/01431161.2019.1711244. Serifoglu Yilmaz, C., Yilmaz, V., Gungor, O., & Shan, J. (2019). Metaheuristic pansharpening based on symbiotic organisms search optimization. ISPRS Journal of Photogrammetry and Remote Sensing, 158, 167-187. doi: 10.1016/j.isprsjprs.2019.10.014. Tso, B., & Mather, P. 2009. Classification Methods for Remotely Sensed Data. 2nd Edition,
  4. CRC Press.
  5. Wald, L. 2000. Quality of high resolution synthesized images: Is there a simple criterion? 3rd Conference: Fusion of Earth Data: Merging Point Measurements, Raster Maps and Remotely Sensed Images (99-103).
  6. Sophia Antipolis, France. Yılmaz, V. (2020a). Metasezgisel Guguk Kuşu Arama Algoritması ile Görüntü Kaynaştırma. Türk Uzaktan Algılama ve CBS Dergisi, 1(1), 1-12.
  7. Yilmaz, V. (2020b). A Non‐Dominated Sorting Genetic Algorithm‐II‐based approach to optimize the spectral and spatial quality of component substitution‐ba