Hyperspectral data classification using contourlet transform

Abstract

Dalgacık Dönüşümü yıllardır görüntü sınıflandırmasında kullanılan öznitelik çıkarım yöntemlerinden biridir. Öznitelik çıkarım yöntemleri sınıflandırma başarısında büyük rol oynadığından, görüntülerin çeşidine uygun bir yöntem seçmek önem taşımaktadır. Dalgacık Dönüşümü temel ve genellenebilir bir yöntem sağlamakta, bununla beraber Dalgacık Dönüşümü'nün ortaya çıkaramadığı özellikleri de saptayabilen daha yeni yöntemler araştırılmaktadır.Dalgacık Dönüşümü'nün alternatiflerinden biri de aynı zamanda Piramit Yönlü Filtre Bankası olarak da bilinen Contourlet Dönüşümü'dür. Contourlet Dönüşümü görüntülerin yumuşak bölgelerinin sınırlarında karşılaşılan kenar yumuşaklıklarını saptamada daha başarılıdır. Bunlara ek olarak Dalgacık Dönüşümü'nden daha fazla yöne duyarlıdır. Bu özelliği, görüntünün birçok farklı yönlerde sınıflara sahip olduğu durumlarda sınıflandırma başarısını yükseltmektedir.Bu yüksek lisans tezi Contourlet Dönüşümü ve çeşitlerini Haziran 1992 tarihinde alınan Indiana'daki Indian Pine AVIRIS görüntüsünün sınıflandırılmasında kullanmaktadır. Görüntü veri yapısı itibariyle hiperspektraldır ve bu nedenle çalışma aynı zamanda görüntü sınıflarının yön bilgilerini de kullanarak hiperspektral veri sınıflandırması konusunda yeni araştırma sonuçları sağlamaktadır.

For many years, Wavelet Transform was the major feature extraction method for image classification. Since the means of feature extraction process directly affects the performance of the classification, it is vital to choose an appropriate method for different types of images. Although the Wavelet Transform provides a basic and generic method for this, recent techniques are being studied that can capture further image properties hidden from the Wavelet Transform.One of the alternatives to the Wavelet Transform is the Contourlet Transform, also known as the Pyramidal Directional Filter Banks. The Contourlet Transform performs better on detecting the smoothness along the edges which is encountered on the boundaries of smooth regions of the image. Furthermore, it has more directionality than the Wavelet counterpart that can improve classification performance significantly when the image has classes with many different directions.This graduate thesis applies the Contourlet Transform and its variations to the classification of the AVIRIS image data taken from Indiana?s Indian Pine test site in June 1992. The data is hyperspectral in nature and hence this work additionally provides new research results on hyperspectral data classification by using also the directionality properties of the image classes.