Statistical learning and optimization methods for improving the efficiency in landscape image clustering and classification problems

Abstract

Öz GÖRÜNTÜ KÜMELENDİRME VE SINIFLANDIRMA ALGORİTMALARININ PERFORMANSINI ARTTIRMAK İÇİN İSTATİSTİKSEL ÖĞRENME VE OPTİMİZASYON METODLARININ KULLANIMI Selime Gürol Yüksek Lisans, Bilimsel Hesaplama Bölümü Tez Yöneticisi: Assist. Prof. Dr. Hakan Öktem Ortak Tez Yöneticisi: Prof. Dr. Bülent Karasözen Eylül 2005, 110 sayfa Uzaktan algılama teknikleri; doğal afetler, ekolojik problemler gibi çeşitli problemlerin erken farkedilmesinde ve bu problemlere optimum sonuçların bulunması için gerekli bilginin elde edilmesinde hayati önem taşımaktadır. Uzaktan algılanan bilginin aynı zamanda risk tahmini, kent planlaması ve haberleşme gibi alanlarda da önemli bir kullanımı vardır. Uzaktan algılama enstrümantasyonundaki son gelişmeler elde edilen bilgileri anlamlı hale getirecek olan matematiksel ve istatistiksel metodların önemini artırmıştır. Bu çalışma genel olarak uydu görüntülerinin arazi örtüsü sınıflandırmasını içermektedir. Arazi örtüsü sınıflandırılması, halen görüntülerin kümelenmesi ve sınıflandırılması için kullanılan toplamsal metodlar, karar verici ağaçlar, yapay sinir ağları, k-ortalama metodları gibi popüler istatistiksel metodlarla gerçekleştirilebilir. Görüntünün bozulması ve gürültü gibi etkenler nedeniyle görüntü kümelendirme ve sınıflandırma algoritmaları hem performans açısından hem de yapılabilir sınıflandırmanın detayı açısından sınırlıdır. Bu çalışmada arazi örtüsü sınıflandırmasında kullanılan popüler metodların performansını anlamak için eğitimsiz sınıflandırmada k-ortalama yöntemi ve eğitimli sınıflandırmada da Gauss maksimum olabilirlik yönte- vımi kullanılmıştır. Sınıflandırma probleminin çözümü için bu metodlara alternatif olarak, daha geniş bir fonksiyon kümesinden optimum ayırt edici fonksiyonu bul maya dayalı bir yaklaşım düşünülmüştür. Bu yaklaşımın uygulanabilmesi için eşik ayrıştırma ve Boolean ayırt edici fonksiyonlarına dayanan özgün bir yöntem geliştirilmiştir. Bütün yöntemler BILSAT ve Landsat uydu görüntüleri kullanılarak MAT- LAB yazılımında test edilmiştir. Anahtar Kelimeler: Uzaktan Algılama, Arazi Örtüsü Sınıflandırması, Sınıflandırma Teknikleri, Ayırt Edici Ponksiyon, Optimizasyon, İstatistiksel Öğrenme, BILSAT vu

ABSTRACT STATISTICAL LEARNING AND OPTIMIZATION METHODS FOR IMPROVING THE EFFICIENCY IN LANDSCAPE IMAGE CLUSTERING AND CLASSIFICATION PROBLEMS Selime Gürol M.Sc, Department of Scientific Computing Supervisor: Assist. Prof. Dr. Hakan Oktem Co-Supervisor: Prof. Dr. Bülent Karasözen September 2005, 110 pages Remote sensing techniques are vital for early detection of several problems such as natural disasters, ecological problems and collecting information necessary for finding optimum solutions to those problems. Remotely sensed information has also important uses in predicting the future risks, urban planning, communication. Recent developments in remote sensing instrumentation offered a challenge to the mathematical and statistical methods to process the acquired information. Classification of satellite images in the context of land cover classification is the main concern of this study. Land cover classification can be performed by statistical learning methods like additive models, decision trees, neural networks, k-means methods which are already popular in unsupervised classification and clustering of image scene inverse problems. Due to the degradation and corruption of satellite images, the classification per formance is limited both by the accuracy of clustering and by the extent of the classi fication. In this study, we are concerned with understanding the performance of the available unsupervised methods with k-means, supervised methods with Gaussian maximum likelihood which are very popular methods in land cover classification. A broader approach to the classification problem based on finding the optimal dis- IVcriminants from a larger range of functions is considered also in this work. A novel method based on threshold decomposition and Boolean discriminant functions is de veloped as an implementable application of this approach. All methods are applied to BILSAT and Landsat satellite images using MATLAB software. Keywords: Remote Sensing, Land Cover Classification, Classification Techniques, Discriminant Function, Optimization, Statistical Learning, BILSAT