Classification of remotely sensed data by using 2D local discriminant bases

Abstract

Bu tezde, 2B Yerel Ayraç Tabanları algoritması kullanılarak uzaktan algılanan verinin sınıflandırılması sağlanmıştır. İkili sınıflandırma formundaki Doğrusal Ayırtaç Analizi yöntemi, çoğunluk analizi ve doğrusal uzaklık bileşenleri birlikte kullanılarak, ikiden fazla sınıfın sınıflandırılması işlemine uygun hale getirilmiştir. Kullanılan öznitelik çıkarımı algoritması, hiperspektral görüntüleri oluşturan çok sayıda spektral bandın içerisinden, ayırt edici bantların seçilmesi, gereksiz olanların elenmesi veya tek başlarına ayrımsallığı olmayanların birleştirilerek daha yüksek ayrımsallığa sahip bantların oluşturması işlemlerini gerçekleştirmektedir. Algoritmanın performansı, Tippecanoe County, Indiana'ya ait uzaktan algılanmış bir görüntü üzerinde test edilmiştir. Multispektral veriden spektral ve uzamsal-frekans öznitelikler çıkarılarak görüntü içerisindeki mısır, soya fasülyesi, buğday, kızılyonca ve yulaf ayrıştırılmıştır.

In this thesis, 2D Local Discriminant Bases (LDB) algorithm is used to 2D search structure to classify remotely sensed data. 2D Linear Discriminant Analysis (LDA) method is converted into an M-ary classifier by combining majority voting principle and linear distance parameters. The feature extraction algorithm extracts the relevant features by removing the irrelevant ones and/or combining the ones which do not represent supplemental information on their own. The algorithm is implemented on a remotely sensed airborne data set from Tippecanoe County, Indiana to evaluate its performance. The spectral and spatial-frequency features are extracted from the multispectral data and used for classifying vegetative species like corn, soybeans, red clover, wheat and oat in the data set.