Hiperspektral görüntülerde boyut indirgeme yöntemlerinin karşılaştırmalı analizi

Abstract

Günümüzde uydu görüntülerinden bilgi çıkarım ihtiyacının artmasından kaynaklı olarak hiperspektral görüntüleme büyük önem kazanmıştır. Multispektral görüntülere göre daha dar aralıkta algılanan elektromanyetik enerjiden dolayı, multispektral görüntülerden elde edilemeyen spektral bilgi hiperspektral görüntülerden elde edebilmektedir. Bu özelliklerinden dolayı hiperspektral görüntüler birbirlerine yakın sınıfların ayrılabilmesi ve hedef tespiti için vazgeçilmez bir veri kaynağıdır.Yüksek hassasiyette spektral bilgi içeren hiperspektral görüntülerin analizi, verinin hacmi ve hesapsal yükün fazlalığı gibi sorunlarla karşılaşmaktadır. Bu nedenle bir önişlem adımı olan boyut indirgemenin gerekliliği ortaya çıkmaktadır. Boyut indirgeme, verinin temel özelliklerinin kaybının en az olacak şekilde daha düşük boyutta temsil edilmesini amaçlamaktadır.Bu tez çalışmasında hiperspektral görüntülerin boyutlarının doğrusal ve doğrusal olmayan yöntemler yardımıyla indirgenerek kullanılan boyut indirgeme yöntemlerinin karşılaştırılması amaçlanmıştır.Tez çalışmasının giriş bölümünde konu ile ilgili genel açıklamalar verildikten sonra ikinci bölümde, hiperspektral görüntüleme hakkında temel bilgiler verilmiştir. Üçüncü bölümde, boyut indirgeme yöntemleri ve matematik modelleri hakkında detaylı bilgiler verilmiştir. Son bölümde ise; örnek bir hiperspektral görüntü verisi (AVIRIS) üzerinden seçilen üç adet görüntü parçası üzerinde doğrusal ve doğrusal olmayan yöntemler yardımıyla yapılan analizler sonucunda; orijinal 224 bandlık örnek hiperspektral görüntü verisinin veri/bilgi kaybı en az olacak şekilde kaç boyut (ve dolayısıyla band) ile temsil edilebileceği araştırılmış ve boyut indirgeme yöntemlerinin bu amacı hangi oranda gerçekleştirdikleri karşılaştırmalı olarak sunulmuştur.

In recent years hyperspectral imagery has gained importance because of the increase on the necessity of feature extraction from satellite images. In hyperspectral imagery spectral information can be achived in a narrow electromagnetic energy range with several hundred bands differ from multispectral images. With this characteristics hyperspectral images are indispensable information source for target detection and class separability.Some problems have been encountered in the analysis of hyperspectral images such as high dimensionality of data and computational cost. Therefore the necessity of dimension reduction have arisen as a preprocessing step. Generally main purpose of dimension reduction is to find a representation in the lower dimension space without loss of the basic properties of the data.In this thesis, dimension reduction of the hyperspectral images have been performed using linear and nonlinear methods and the methods or algorithms used in the experiments have been compared.General descriptions related to the subject are given in the introduction section. Basic information about the hyperspectral imagery are followed in the second section. Detailed information on the dimensionality reduction methods and its mathematical models are explained in third section. In the last chapter; dimension reduction have been made on a real experimental data set (AVIRIS). An AVIRIS data set with 224 bands were tested to illustrate the performance of the dimension reduction methods. Dimension reduction methods were used on a three different parts of the image selected randomly and final experimental results were evaluated for comparison. Experiments with AVIRIS data show promising results.