Yazar "Kahraman, Sevcan" seçeneğine göre listele
Listeleniyor 1 - 4 / 4
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe A comprehensive review of hyperspectral data fusion with lidar and sar data(PERGAMON-ELSEVIER SCIENCE LTD, THE BOULEVARD, LANGFORD LANE, KIDLINGTON, OXFORD OX5 1GB, ENGLAND, 2021) Kahraman, Sevcan; Bacher, RaphaelWith the development of remote sensing techniques, the fusion of multimodal data, particularly hyperspectralLight Detection And Ranging (HS-LiDAR) and hyperspectral-SAR, has become an important research field in numerous application areas. Multispectral, HS, LiDAR, and Synthetic Aperture Radar (SAR) images contain detailed information about the monitored surface that are complementary to each other. Thus, data fusion methods have become a promising solution to obtain high spatial resolution remote-sensing images. The main point of this review paper is to classify hyperspectral-LiDAR and hyperspectral-SAR data fusion with approaches. Moreover, recent achievements in the fusion of hyperspectral-LiDAR and hyperspectral-SAR data are highlighted in terms of faced challenges and applications. Most frequently used data fusion datasets that include IEEE GRSS Data Fusion Contests are also described.Öğe LiDAR Verisi Yardımıyla Otomatik Dalga Boyu Bandı Yaklaşımı Kullanılarak Hiperspektral Görüntülerde Spektral Değişkenliğin Azaltılması(Çukurova Üniversitesi Mühendislik Fakültesi, 2020) Kahraman, SevcanHiperspektral (HS) ve kızılötesi (Light Detection and Ranging-LiDAR) algılayıcıları en yeni uzaktan algılama teknolojilerindendir. Son yıllarda, hiperspektral karışım giderimi analizi uzaktan algılama uygulamalarında büyük bir önem kazanmıştır. Spektral değişkenlik hiperspektral görüntülerde bazı nedenlerden dolayı meydana gelebilmektedir. Bu spektral değişkenlik hiperspektral görüntü analizinde ciddi bolluk değeri tahminleme hatalarına sebep olabilmektedir. LiDAR algılayıcısı spektral değişkenlikten etkilenmeyen Dijital Yüzey Modeli (DSM) bilgisini sunmaktadır. Bu çalışmada, hiperspektral görüntülerde spektral değişkenliği azaltmak için Kararlı Bölge Karışım Giderimi (Stable Zone Unmixing–SZU) yaklaşımı LiDAR-DSM verisinin kümeleme bilgisi kullanılarak uygulanmıştır. Deneysel çalışmalar simulasyon ve gerçek veri setleri üzerinde gerçekleştirilmiş ve spektral değişkenliğin her iki veri setinde de azaltıldığı görülmüştür.Öğe LIDAR-AIDED TOTAL VARIATION REGULARIZED NONNEGATIVE TENSOR FACTORIZATION FOR HYPERSPECTRAL UNMIXING(Institute of Electrical and Electronics Engineers Inc., 2021) Kaya, Atakan; Atas, Kubilay; Kahraman, SevcanHyperspectral unmixing (HU) is an important research field in hyperspectral image processing. In recent years, Nonnegative Tensor Factorization (NTF)-based methods have gained great importance in remote sensing imagery, especially hyperspectral unmixing, regardless of any information loss. Nevertheless, NTF has some disadvantages, such as signal-to-noise ratio (SNR) and noncovexity conditions. Mentioned problem can be solved by introducing some spatial regularizations. On the other hand, LiDAR data provides Digital Surface Model (DSM) information gives accurate elevation information about the observed scene. Moreover, total variation (TV)-based regularization provides piecewise smoothness and it preserve edge structure information in the abundance maps. However, this property could be inappropriate for pixels located in edges. LiDAR-DSM alleviates this problem by contributing neighboring objects pixels differently. In this paper, we proposed a simple yet efficient HU framework that incorporates LiDAR data with TV regularized matrix-vector NTF method (LiMVNTF-TV). Experimental studies are carried out on simulation data sets and demonstrate that the proposed framework can provide better abundance estimation maps. © 2021 IEEE.Öğe LiDAR-Tabanlı toplam değişinti kısıtlı negatif-olmayan tensör faktörizasyonu ile hiperspektral karışım giderimi(Pamukkale Üniversitesi, 2023) Ataş, Kubilay; Kaya, Atakan; Kahraman, SevcanSpektral karışım giderimi hiperspektral görüntülemenin temel araştırma alanlarından birisidir. Son yıllarda Negatif-olmayan Tensör Faktörizasyonuna dayalı yaklaşımlar, bilgi kaybına uğratmadığı ve hiperspektral görüntüleri daha iyi temsil edebildiği için uzaktan algılamada büyük bir önem kazanmıştır. Toplam Değişinti yaklaşımı ise, parçalı pürüzsüzlüğü sağlarken kenar bilgisini de korumaktadır. Öte yandan, kızılötesi algılayıcısı gözlemlenen sahne hakkında yükseklik bilgisini veren Dijital Yüzey Modeli verisini sağlamaktadır. Bu çalışmada, LiDAR Dijital Yüzey Modeli bilgisiyle Toplam Değişinti kısıtı birleştirilerek hiperspektral görüntülerin uzamsal çözünürlüğünü artırmak için tensör faktörizasyonuna dayalı karışım giderimi gerçekleştirilmiştir. Deneysel çalışmalar simülasyon ve gerçek veri setleri üzerinde denenmiş ve uzamsal çözünürlüğü artırılmış hiperspektral görüntüler elde edilmiştir. Elde edilen sonuçlar, literatürdeki en yakın çalışma olan Toplam Değişinti kısıtlı Negatifolmayan Matris-Vektör Tensor Faktörüzasyonu yöntemi ile karşılaştırılmış ve önerilen yöntemin daha iyi performans sergilediği gözlemlenmiştir.