Boyut indirgeme ve hiperspektral veri sınıflandırmasındaki etkileri

Abstract

Boyut indirgeme ve hiperspektral veri görüntüleme sistemleri araştırmacılar ve araştırma kurumlarından büyük ilgi görmüştür. Veri sensörlerinin kullanımı yoluyla verilerin aktif olarak alınmasıyla, orta ve kızılötesi dalga boylarında, dünyanın yüzeyindeki belirli bir bölgeden çeşitli mevcut spektral bandlar yoluyla görüntüler alınabilir. Hiperspektral sensörler, detaylı spektral bilginin sağlanmasında oldukça önemlidir ve bu ayrıntılı veriden dolayı doğruluktaki artış ve ilgili materyallerin ayrımcılığına ilişkin olarak oldukça pahalıdır. Çoğu durumda, görüntüleme için hiperspektral çözümler ve uzamsal kararlar için sistemler basitçe iki önemli rol oynayarak süreci ayırıcılığı artıran sensörlerin uygulanmasıyla çalıştırılabilir; Daha hassas görüntüleme ayrıntılarının sağlanmasını geliştirmek ve görüntüler içinde bulunabilecek çok daha küçük mekansal yapıların analizini sağlamak hiperspektral verilerin önemli özellikleri olarak sayılabilir.Sonuç olarak, uzaktan algılama ve yorumlamada veri sınıflandırmanın önemli katkısı vardır. Denetimli öğrenme ile verilerin sınıflandırılmasıyla oynanan birincil rollerden biri, belirli bir veri hakkında spektral bilgileri modellemek için eğitim örneklerinin kullanılmasıdır. Bu örnekler, gri tonlamalı görüntülerin elde edilmesinde kullanılan tüm piksellerin yoğunluğunun yanı sıra, RGB'nin yoğunluk vektörü ve hatta yüksek boyutlardaki görüntülerin değeri gibi bilgileri içerir. Bu sonuç olarak, temsili bir örneklem kullanılarak farklı çıkarların ayrımcılığına yardımcı olan veri sınıflandırma sonuçlarının üretilmesine yol açmaktadır. Bununla birlikte, bu tezin amacı, söz konusu hiperspektral veri sınıflandırma sistemlerinde boyut indirgemenin etkisini analiz etmektir. Bu tezde hiperspektral veri sınıflamasında boyut indirgemenin iki önemli yönü üzerinde durulacaktır. Bunlar, PCA ve ISOMAP ile boyut indirgeme olup, daha sonra da boyut indirgemenin Destek Vektör Makinesi (SVM) ve K en yakın komşuluk (KNN) gibi sınıflayıcılara olan etkilerini incelemektedir.Anahtar Kelimeler: Hiperspektral Görüntüleme Verileri, Boyut İndirgeme, PCA, ISOMAP, SVM, KNN.

In recent years dimension reduction and hyperspectral data imaging systems have gained significant attention from various research experts and institutions. By active acquisition of data through the use of data sensors, the middle infrared wavelengths can be altered and captured through various existing spectral channels from a particular defined interface within the surface of the earth. The hyperspectral sensors are quite crucial in the provision of detailed spectral information and this is quite priceless in as far as the increase in accuracy and the discrimination of materials of interest are concerned. In most instances, the hyperspectral solutions for imaging as well as the systems for spatial resolutions can be simply operated by application of sensors which ultimately enhance the process by playing two crucial roles; enhancing the provision of finer imaging details and enabling the analysis of even much smaller spatial structures that may be found within the images.As a consequence of consideration, it is invaluable to note the significant contribution of data classification and mapping in remote sensing and interpretation. One of the primary roles played by supervised classification of data is the use of classification input to observe or understand the implied spectral information about a given data. These includes information such as the value of the intensity for all the pixels used in achieving the grayscale images as well as the intensity vector for the RGB or even the images of high dimensions. This consequently leads to the production of data classification map which helps in the discrimination of different interests by the use of a representative sample. The central focus of this thesis, however, is to analyse the effect of dimension reduction in the said hyperspectral data classification systems. In the thesis, emphasis will be made on two important aspects of dimension reduction in hyperspectral data classification. These includes dimension reduction in PCA and ISOMAP then, decision making through the application of the Support Vector Machine (SVM), K-Nearest Neighbors (KNN) and the related MATLAB experiments for ISOMAP, PCA, SVM and KNN as desired.Keywords: Hyperspectral Imaging Data, Dimension Reduction, PCA, ISOMAP, SVM, KNN.