Hyperspectral Imaging has a large potential for knowledge representation about the real world. Providing a pixel classification algorithm to generate maps with labels has become important in numerous fields since its inception, found use from military surveillance and natural resource observation to crop turnout estimation. In this thesis, within the branch of mathematical morphology, Attribute Profiles (AP) and their extension into the Hyperspectral domain have been used to extract descriptive vectors from each pixel on two hyperspectral datasets. These newly generated feature vectors are then supplied to Convolutional Neural Networks (CNNs), from off-the-shelf AlexNet and GoogLeNet to our proposed networks that would take into account local connectivity of regions, to extract further, higher level abstract features. Bearing in mind that the last layers of CNNs are supplied with softmax classifiers, and using Random Forest (RF) classifiers as a control group for both raw and deeply learned features, experiments are made. The results showed that not only there are significant improvements in numerical results on the Pavia University dataset, but also the classification maps become more robust and more intuitive as different, insightful and compatible attribute profiles are used along with spectral signatures with a CNN that is designed for this purpose.

Hiperspektral Görüntüleme, Uzaktan Algılama araştırmalarında önemli bir yer tutmaktadır. Sınıflandırma haritası oluşturmanın faydaları askeri uygulamalarda, doğal afetlerde ve hatta tarımda uzmanların görsel bilgisine katkı sağlayarak uygulama alanı bulmasını sağlamıştır. Bu tez çalısmasında, sınıflandırma haritası oluşturmak amacıyla, hiperspektral veri kümelerinden, Matematiksel Bicimbilim dalına ait bir yaklaşım olan Öznitelik Profilleri uygulanarak alan ve moment betimleyicileriyle her piksel için öznitelik vektörleri hesaplanmıştır. Veri girdileri, piksele ait spektrum verisi, farklı betimleyicilerden oluşturulan Öznitelik Profilleri ve bunların birleşimini de kapsayacak şekilde hazırlanmıştır. Bu veri girdileri, AlexNet ve GoogLeNet gibi bilinen ağlar ve kendi önerdiğimiz, hiperspektral veri kümelerinde nesnelerin komşuluk bilgisini de göz önüne alan ağlar da dahil olmak üzere beş farklı Evrişimsel Sinir Ağları'nda denenmiş ve derin öznitelikleri çıkarılmıştır. Rasgele Orman sınıflandırıcılarıyla kontrollü olarak yapılan deneylerin sonuçlarında sayısal açıdan Pavia Üniveristesi veri kümmesinde büyük ilerlemeler görülmüş ve oluşturulan sınıflandırma haritalarının daha anlaşılır olması sağlanmıştır. Böylece, alan ve moment betimleyicilerden elde edilen Öznitelik Profilleri ve spektral bilginin Evrişimsel Sinir Ağları ile kullanımının önemi gösterilmiştir.