Yerel öznitelik temelli özellik profilleri ve süperpiksel bölütleme kullanılarak hiperspektral görüntü sınıflandırma
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bu tez kapsamında, hiperspektral görüntülerin spektral-uzamsal sınıflandırılmasında yeni yöntemlerin geliştirilmesi üzerinde çalışılmıştır. Öznitelik çıkartımı, özellik profillerinden yerel öznitelikler elde edilerek gerçekleştirilmiştir. Süperpiksel bölütleme(SB) yöntemiyle sınıflandırma haritasındaki hatalı sınıflar düzeltilerek, sınıflandırma başarımı arttırılmıştır.İlk olarak, hiperspektral bantlar yüksek spektral çözünürlüğe sahip oldukları için temel bileşenler analizi ile boyut azaltımı gerçekleştirilmiştir. Yerel öznitelik temelli özellik profilleri ile elde edilen düşük boyutlu öznitelik vektörü kullanılarak sınıflandırma haritası elde edilmiştir. Elde edilen sınıflandırma haritasındaki hataları gidermek amacıyla süperpiksel bölütleme yöntemi kullanılmıştır. Aynı sınıfa ait bölgelerde birden fazla süperpiksel olabileceği için süperpiksel birleştirme işlemi ile mümkün olduğunca aynı sınıfa ait bölgelerdeki süperpikseller birleştirilerek süperpiksel haritası elde edilir. Sınıflandırma haritası, süperpiksel bölütleme ile elde edilen süperpiksel haritası ile düzeltilmiştir. Literatürdeki benzer çalışmalar ile kıyaslandığında hiperspektral görüntülerde düşük öznitelik vektör boyutu kullanılarak yüksek sınıflandırma başarımı elde edildiği gösterilmiştir. In this thesis, the development of new methods in spectral-spatial classification of hyperspectral images has been studied. Feature extraction is performed by obtaining local features from attribute profiles. By using the superpixel segmentation method, classification performance are increased by correcting the incorrect classes in the classification map.First of all, as the hyperspectral bands have a high spectral resolution, dimension reduction is performed using the principal component analysis method. The classification map is obtained using the low-dimensional feature vector obtained by local feature-based attribute profiles. Superpixel segmentation method is used to eliminate the errors in the classification map. Because of there may be more than one superpixel in regions of the same class, superpixel map is obtained by combining superpixels in the regions of the same class as possible with superpixel merging. The classification map is corrected with a superpixel map obtained by superpixel segmentation. Compared with similar studies in the literature, it has been shown that hyperspectral images have high classification performance by using a low feature vector dimension.
Collections