SAR (sentetik açıklıklı radar) görüntülerinde bölütleme
| dc.contributor.advisor | Bostancı, Gazi Erkan | |
| dc.contributor.author | Erten, Hakan | |
| dc.contributor.department | Bilgisayar Mühendisliği | tr_TR |
| dc.date.accessioned | 2021-11-26T09:56:21Z | |
| dc.date.available | 2021-11-26T09:56:21Z | |
| dc.date.issued | 2021 | |
| dc.description.abstract | The aim of this thesis are to explain of the processes of creating a new data set with SAR (Synthetic Aperture Radar) images in detail, to demonstrate of how this new dataset is used with deep learning models and to compare of these models used with Mc Nemar's test. Although SAR images can be accessed freely and easily, these are not convenient to be used directly due to the speckle noise, and also there is almost no free available labeled dataset for scientific research. In this study, we propose a novel process that automatedly creates a dataset and removes the speckle noise, labeling images and using the automatedly-created dataset to enhance semantic segmentation task results with state of the art deep neural networks. Used 3 models are evaluated with Mc Nemar's test. As a result, we achieved an overall pixel accuracy (PA) of 92.23% and a mean Intersection over Union (mIoU) of 70.60%. Beside, to show the effectiveness of our noise removal process, we compare the results of models on speckled noise and noise-free versions of our newly-created dataset. | tr_TR |
| dc.description.ozet | Bu tez çalışması kapsamında amaçlanan SAR (Sentetik Açıklıklı Radar) görüntüleri ile yeni bir veri seti oluşturma aşamalarının detaylı olarak açıklanması, derin öğrenme modelleri ile bu yeni veri setinin nasıl kullanıldığının gösterilmesi ve kullanılan bu modellerin Mc Nemar's testi ile kıyaslanmasıdır. SAR görüntülerine ücretsiz ve kolay bir şekilde erişilebilse de, görüntülerdeki benek gürültüsü ve ücretsiz etiketlenmiş veri setinin olmamasından dolayı görüntü işlemede direkt olarak kullanılamamaktadır. Bu çalışmada, öncelikle bu gürültüler ortadan kaldırılmış, elde edilen görüntülerin bölütlemede kullanılabilmesi için görüntüler etiketlenmiş ve bölütlemede en başarılı sonuçlar veren derin öğrenme modelleri ile bu yeni veri seti denenmiştir. Toplamda 3 ayrı model kullanılmış olup, modellerden hangisinin daha başarılı olduğu Mc Nemar's testi ile kıyaslanmıştır. Sonuç olarak, kullanılan modellerden HRNet ile %92.23 toplam piksel doğruluğu (PA) ve mean Intersection over Union (mIoU) değeri %70.60 olarak elde edilmiştir. Ayrıca, benek gürültüsünün görüntü bölütlemesindeki etkisini göstermek amacıyla, benek gürültülü görüntüler ile gürültüsüz görüntüler karşılaştırılmış ve sonuçlar birbirleri ile kıyaslanmıştır. | tr_TR |
| dc.identifier.uri | http://hdl.handle.net/20.500.12575/76399 | |
| dc.language.iso | tr | tr_TR |
| dc.publisher | Fen Bilimleri Enstitüsü | tr_TR |
| dc.subject | SAR | tr_TR |
| dc.title | SAR (sentetik açıklıklı radar) görüntülerinde bölütleme | tr_TR |
| dc.title.alternative | SAR (synthetic aperture radar) images segmentation | tr_TR |
| dc.type | doctoralThesis | tr_TR |