Çok Amaçlı Metasezgisel Optimizasyon Algoritmaları ile Hibrit Pan-Keskinleştirme Yöntemlerinden Üretilen Görüntülerin Sınıflandırma Performanslarının Arttırılmasına Yönelik Bir Araştırma
Öz
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.
Anahtar Kelimeler
Pan-keskinleştirme, Metasezgisel optimizasyon, Görüntü sınıflandırma
Kaynakça
- 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). 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, 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.
