Hiperspektral veri sınıflandırma için boyut indirgeme yöntemlerinin başarımlarının karşılaştırılması

Abstract

Hiperspektral algılayıcılar, devamlı ve düşük dalga boyu aralıklarında yüzlerce spektral banda sahip yüksek boyutlu görüntüler üretmektedir. Bu bantlar genel olarak elektromanyetik spektrumun görünür bölgesi ve kızılötesi aralığını içermektedir. Alınan bu yüksek boyutlu veri sayesinde bir bölgenin hiperspektral görüntü verisi kullanılarak, diğer görüntü verilerine göre daha yüksek sınıflandırma başarımı sağlanabilmektedir. Ancak çok sayıda banda sahip bu verilerin sınıflandırılması için yüksek işlem gücü ve işlem süresi gerekmektedir. Bu yüzden, hiperspektral görüntülerin sınıflandırılması aşamasında, artıklıkları azaltmak ve daha az boyutta veri kullanılarak sınıflandırma performansını arttırabilmek için boyut indirgeme yöntemleri kullanılması gereklidir.Bu tez çalışmasında, Hiperspektral görüntülerin sınıflandırılması sürecinde yapılacak boyut indirgeme aşaması için farklı boyut indirgeme yöntemlerinin sınıflandırma açısından başarımları ve hesaplama performansları karşılaştırılmıştır. Sınıflandırıcı olarak Destek Vektör Makineleri ve En Yakın Komşuluk Sınıflandırıcı kullanılmıştır.Çalışmanın ilk aşamasında hiperspektral verilere alt örnekleme yaparak sınıflandırma başarımı ve işlem süresi açısından sınıflandırma performansları incelenmiştir. Boyut indirgeme tekniklerinin kullandığı veri azaltılarak işlem süresi ve sınıflandırma başarımlarındaki performans değişiklikleri ortaya konmuştur. İkinci aşama olarak, iki farklı çoğunluk oylaması yöntemi kullanarak sınıflandırma başarımının artışı denenmiştir. Son olarak boyut laneti olarak da bilinen; yüksek boyutlu verilerin sınıflandırılmasında, eğitim verisinin yetersiz kalması ile sınıflandırma performansındaki düşüş etkisi incelenmiş; farklı boyut indirgeme tekniklerinin bu olgunun etkisini azaltabildiği ortaya konmuştur.

Hyperspectral sensors generate images in narrow bands in continuous manner with hundreds of spectral bands. In general, these bands contain the data in visible and infrared part of the electromagnetic spectrum. With the use of this high dimensional image data, a scene is classified with higher accuracy than other types of image data of the same scene. However, to classify the data with large number of spectral bands requires more processing power and processing time. Therefore, for classifying hyperspectral images, it is required to apply dimension reduction techniques in order to eliminates redundant information and increase classifying efficiency with less number of bands. In this thesis, variety of dimension reduction methods is compared in classification accuracy and calculation time during classification process. Support Vector Machines and Nearest Neighbor Classifier are used for classification.In the first phase of the study, the effect of sub-sampling hyperspectral images for dimension reduction techniques is explored and compared in classification performance and calculation time. Reducing the amount of data used by dimension reduction methods, change in processing time and classification accuracy is presented. For the second phase, increase in classification accuracy is experienced by utilizing two different majority voting methods. Finally, phenomena known as curse of dimensionality, that is the decrease in the accuracy when classifying high dimensional data with few training sample is analyzed and it is shown that some dimension reduction methods can cope with this effect.