An investigation on hyperspectral image classifiers for remote sensing

Abstract

Yüksek spektral bilgi sayesinde hiperspektral imge işleme, multispektral imge işlemeyegöre daha fazla kapasiteye sahiptir. Bu çalışmada, Destek Vektör Makinaları (DVM), EnBüyük Olabilirlik (EBO) ve K-En Yakın Komşu algoritmaları kullanılarak hiperspektralsınıflandırma algoritmaları incelenmiştir. Çalışmada ayrıca öğrenme verisininsınıflandırma başarımına etkisi de incelenmiştir. Bunun için ilk N örneğin seçimi, rasgeleN örnek seçimi ve homojen bir biçimde N örnek seçimi olarak farklı üç öğrenme verisiseçim yöntemi kullanılmıştır. Ön işleme metodu olarak Temel Bileşen Analizi (TBA)kullanılmıştır. Her üç algoritma için farklı temel bileşen sayıları ile deneyler yapılmıştır.Spektral bilgiye ek olarak yersel bilginin kullanımı için piksel bazında sınıflandırmasonrasında, son işleme olarak 3x3 pencere ile filtreleme ve ortalama kaydırmalı bölütlemeile çoğunluk oylaması yöntemleri kullanılmıştır.Deneylerde görüldüğü üzere ön işleme ve son işleme kullanılmadığında SVM?in bütünöğrenme verisi boyutları için diğer algoritmalardan daha iyi sonuç verdiği görülmüştür.EBO yöntemi düşük öğrenme verisi ile kötü sonuçlar aldığı gözlenmiştir. Düşük sayıdatemel bileşen kullanıldığında EBO yönteminin performansını artırdığı görülmüştür. K-NNalgoritmasının sınıflandırma başarımı 10 temel bileşenden daha fazla kullanıldığındadeğişmediği tespit edilmiştir. TBA kullanımı DVM algoritmasını etkilemediğigözlenmiştir. TBA kullanımı büyük imgeler için sınıflandırma zamanını düşürdü. 3x3pencere ile filtreleme yöntemi sınıflandırma yüzdesini %4-5 artırdığı tespit edilmiştir.Ortalama kaydırmalı bölütleme ile çoğunluk oylaması, 3x3 pencere ile filtrelemeyönteminden daha iyi sonuç verdiği görülmüştür. Ön işleme ve son işleme yöntemlerininbirlikte kullanılması sınıflandırma yüzdesini artırdığı ve sınıflandırma zamanınıdüşürdüğü gözlendi. Düşük sayıda öğrenme verisi kullanıldığında en büyük gelişimi MLalgoritmasının yaptığı görüldü.Anahtar Kelimeler: Hiperspektral Sınıflandırma, Ortalama Kaydırmalı Bölütleme, Destek Vektör Makinaları, En Büyük Olabilirlik , K-En Yakın Komşu

Hyperspectral image processing is improved by the capabilities of multispectral imageprocessing with high spectral resolution. In this thesis, we explored hyperspectralclassification with Support Vector Machines (SVM), Maximum Likelihood (ML) and KNearestNeighborhood algorithms. We analyzed the effect of training data onclassification accuracy. For this purpose, we implemented three different training dataselection methods; first N sample selection, randomly N sample selection and uniformly Nsample selection methods. We employed Principal Component Analysis (PCA) as preprocessingmethod and conducted experiments with different number of principalcomponents for all three classification algorithms. As a post-processing method followingpixelwise classification, filtering with 3x3 window and majority voting with meanshiftsegmentation methods are used to incorporate spatial information over spectralinformation.The experiments showed that without using pre-processing and post-processing SVMprocures better classification accuracies than the other algorithms for all training datasizes. ML is inferior for lower number of training data samples but improves itsperformance with lower number of principal components. K-NN algorithm providesalmost the same accuracies for more than 10 principal components. PCA usage does notimprove SVM performance but decreases classification time for larger scenes. Filteringwith 3x3 window method improves the classification accuracy by 4-5%. However, spatialinformation usage by employing majority voting with meanshift segmentation methodperforms better than filtering 3x3 window. Classification with both pre-processing andpost-processing improves classification accuracy and decreases classification time. Thelargest improvement is for the ML method with lower number of training data.Keywords: Hyperspectral Classification, Meanshift Segmentation, Support Vector Machines, Maximum Likelihood, K-Nearest Neighborhood