Akıllı hiperspektral sınıflandırma

Abstract

Hiperspektral görüntüleme birçok dar dalga boyu bandına ait imge verilerinielde etmekte ve dalga boyuna göre bir ayrışım sağlamaktadır. Hiperspektralgörüntülerde her piksel için dalga boyuna bağlı bir spektrum bilgisi elde edilmesi ilepiksellerin değişimi, benzerlikleri ve farklılıklarının algılanabilmesi sonucu,bölgelerin sınıflandırılması standart görüntü algılayıcılarına oranla çok daha yüksekbir başarımla sağlanabilmektedir. Bu tezde hiperspektral görüntülerin akıllısınıflandırılması yöntemleri üzerinde çalışılmıştır. Akıllı sınıflandırma yöntemleriolarak destek vektör makinaları ve ilgililik vektör makinaları kullanılmıştır. Destekvektör makinalarının hiperspektral görüntüye uygulanması ile ilgili çalışmalarliteratürde olmasına rağmen ilgililik vektör makinalarının hiperspekral görüntülerinsınıflandırılmasında kullanılması özgün olarak bu çalışma kapsamındagerçekleştirmiştir. İlgililik vektör makinaları kullanılarak hiperspektral görüntülerinsınıflandırılması, destek vektör makinaları kullanılarak gerçekleştirilen sınıflandırmaile karşılaştırıldığında daha az kernel fonksiyonu kullanılarak yaklaşık benzersınıflandırma başarımı elde edildiği görülmüştür. Ayrıca özgün olarak,sınıflandırmadaki hesapsal yükün eğitim ve test sürelerine bağlı olarak azaltılmasıamacı ile K-ortalama ve faz korelasyonu temelli bölütleme yöntemleri ve RastgeleÖrnek Onaylaşım (RAS.ÖR.ON) bağımsızlık geçerlilik sınaması (cross-validation),hiperspektral görüntülerin ilgililik vektör makinaları ve destek vektör makinalarıkullanılarak sınıflandırılması öncesi ön işlem olarak hiperspektral görüntüyeuygulanmıştır. Ön-işlem uygulanarak gerçekleştirilen ilgililik/destek vektörmakinaları ile sınıflandırma, doğrudan ilgililik /destek vektör makinalarıkullanılarak gerçekleştirilen sınıflandırma ile karşılaştırıldığında, daha küçük orandailgilik /destek vektörleri kullanılarak benzer sınıflandırma başarımı eldeedilebileceği gösterilmiştir.Anahtar Kelimeler: Uzaktan Algılama, Hiperspektral Görüntüleme, HiperspektralGörüntülerde Sınıflandırma, Destek Vektör Makinaları, İlgililik Vektör Makinaları,RAS.ÖR.ON, Faz Korelasyonu, K-Ortalama Bölütlemesi.

Hyperspectral imaging systems provide many images corresponding tonarrow spectral bands and therefore they provide decomposition with respect towavelength. The corresponding spectrum information is obtained for every pixelwithin the image. It is possible to determine changes, similarities and differencesusing the spectral information for each pixel within the hyperspectral image. Henceit becomes possible to classify the regions within the image with much higheraccuracy compared to standard vision sensors. Smart classification methods ofhyperspectral images namely: relevance vector machines and support vectormachines are studied in this thesis. Although support vector machine classificationhas recently been proposed for hyperspectral image classification and raisedimportant interest, relevance vector machine classification of hyperspectral images isgenuinely proposed in this thesis. It is shown that similar accuracy results areobtained with a smaller relevance vector rate and faster testing time compared withsupport vector machine classification. In addition two different unsupervisedsegmentation methods namely: K-means and phase correlation as well as RANSAC(RANdom SAmple Consencus) are applied to hyperspectal images before relevancevector machine and support vector machine classification. Approximately similarhyperspectral data classification accuracy is obtained with a smaller relevance vectorrate/support vector rate and faster training time for the proposed pre-segmentedrelevance vector machine /support vector machine classification approach comparedwith direct relevance vector machine /support vector machine classification.Keywords: Remote Sensing, Hyperspectral Imaging, Hyperspectral ImageClassification, Relevance Vector Machines, Support Vector Machines, RANSAC,Phase Correlation, K-means clustering.