Development of hyperspectral image classification algorithms for unmanned aerial vehicles
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Hiperspektral görüntüleme birçok dar dalgaboyunda nesnelerden yansıyan ışıkspektrumunun ölçümüdür. Hiperspektral görüntülerdeki (HSG) yüksek spektralçözünürlük, arazi örtüsü maddelerinin tanımlanmasını ve ayırt edilmesini sağlar.Bu nedenle de hiperspektral görüntüleme askeri, gözetleme, mineraloji ve tarımgibi çeşitli alanlarda kullanılmaktadır. Bu alanlarda, bir HSG'nin piksellerininsınıflandırılması yoğun olarak çalışılmaktadır. Seyrek gösterim tabanlı sınıflandırıcılar, sınıflandırma amaçları için güçlü bir araç olmuştur. Bu sınıflandırıcılar, spektral piksellerin bir eğitim sözlüğünde aynı sınıf etiketine sahip birkaç örnekle gösterilebileceği fikrini kullanır. Son çalışmalar, HSG'de uzamsal bilginin spektral bilgiye ek olarak kullanılmasının sınıflandırma performansını arttırdığını göstermiştir. Bu tez kapsamında, sınıflandırma işleminin başarısını arttırmak için, hem spektral hem de uzamsal bilgiyi kullanan iki yeni seyrek gösterim tabanlı sınıflandırma yöntemi geliştirilmiştir. İlk çalışmada, farklı bölge ölçeklerini kullanarak yerel bir alanda uzamsal bilgi elde etmek için çok ölçekli süperpikseller (ÇÖS'ler) kullanılmıştır. Bu alanlardaki pikseller, seyrek gösterim sınıflandırıcısıile ortaklaşa sınıflandırılır ve daha sonra sınıflandırma haritaları oluşturulur. Kenarlardaki yanlış sınıflandırmaları düzeltmek için bu sınıflandırma haritalarınarehberli filtre (RF) uygulanır. İkinci çalışmada, test pikseli ile benzer spektral özelliklere sahip olan komşu pikseller, spektral eşleştirme yöntemleri ile seçilmekteve diğerleri gözardı edilmektedir. Önerilen yöntemlerin uygulanabilirliğini doğrulamak için, performans yaygın olarak kullanılan iki hiperspektral veri setinde değerlendirilmiştir. Deneysel sonuçlar, önerilen algoritmaların literatürdeki diğer ilgili yöntemlerle karşılaştırıldığında iyi bir performans sergilediğini göstermektedir. Hyperspectral imaging is the measurement of light spectrum reflected from objects in many narrow wavelengths. High spectral resolution in hyperspectralimages (HSIs) allows identification and discrimination of the land-cover materials. Therefore, hyperspectral imaging is used in various fields such as military,surveillance, mineralogy and agriculture. In these fields, classification of the pixels of an HSI is studied extensively. Sparse representation based classifiers havebeen a powerful tool for the classification purposes. These classifiers use the ideathat the spectral pixels can be represented by only a few samples with same classlabel in a training dictionary. Recent studies have shown that use of spatial information in HSI in addition to spectral information increases the classificationperformance. In the scope of this thesis, two new sparse representation basedclassification methods which use both spectral and spatial information have beendeveloped in order to increase the success of classification process. In the firststudy, multiscale superpixels (MSSs) are utilized to acquire spatial informationin a local area using different region scales. Pixels in these areas are jointly classified by sparse representation classifier and then classification maps are formed.Guided filter (GF) is applied on these classification maps to improve the misclassifications near the edges. In the second study, the neighbor pixels havingsimilar spectral characteristics with the test pixel are selected by spectral matching methods and others are ignored. To verify the feasibility of the proposedmethods, the performance are evaluated over two widely used hyperspectral datasets. Experimental results demonstrate that the proposed algorithms exhibitsgood performance compared with other related methods in the literature.
Collections