Spectral and spatial classification of hyperspectral images
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Son zamanlarda Uzaktan Algılama teknolojisinde çeşitli gelişmeler tanıtılmıştır. Multispektral sensörler yıllardır kullanılmakta ve 10-20 banta kadar çoklu bantlarda görüntüler sağlamaktadırlar. Multispektral görüntülerden çıkartılan bilgiler faydalıdır ve gerçek problemlerde birçok farklı uygulamada yaygın olarak kullanılmakla birlikte, hiperspektral görüntülerin önemli rol oynadığı mineraller ve alt sınıflar arasında ayrım yapmada başarısız olabilirler.Hiperspektral görüntüler yüzlerce dar banttan oluşmuştur, çoğu durumda bant sayısı 200'e kadar çıkabilir . Bu yüksek düzeyde ayrıntılı spektral bilgilerin olması daha iyi bir ayrıt etme yeteniği sağlar.Multispektral görüntüler için kullanılan geleneksel sınıflandırma yöntemleri hiperspektral görüntülere birçok nedenden ötürü direk bir biçimde uygulanamaz. Bu nedenle birçok algoritma hiperspektral verileri işleyebilecek şekilde düzenlenmelidir. Örneğin, istatistiksel sınıflandırcıların hiperspektral görüntüleri işlemesinde bazı zorluklar vardır. Bunun nedeni istatistiksel parametrelerin yeterli doğrulukta eğitim örneklerinden tahmin edilmesi büyük miktarda veri için kolay bir iş değildir. Ek olarak istatistiksel algoritmalar verilerin gerçek durumuyla örtüşmeyen belirli bir dağılıma sahip olduğunu varsayabilir. Öte yandan, parametrik olmayan sınıflayıcılar hiperspektral veriler için göreceli olarak yüksek ve kabul edilebilir doğrulukda iyi çözümler sağlarlar. Bazı durumlarda bu parametrik olmayan sınıflandırma yöntemleri hiperspektral veriye direk bir şekilde ya da öznitelik çıkarımı uygulandıktan sonra uygulanabilir. K-En yakın Komşuluk (KEK) ya da Destek Vektör Makinaları (DVM) en güçlü ve çok kullanılan parametrik olmayan yöntemlerdir.Özellikle SVM sınırlı sayıda eğitim örnekleriyle bile hiperspektral veri sınıflandırmasında gürbüz bir yöntem olarak rapor edilmiştir. Gerçek hayatta komşu bölgelerden alınan eğitim örnekleri (pikseller) büyük olasılıkla aynı sınıfa aittirler. Ancak sadece spektral bilgileri kullanan sınıflandırma yöntemleri homojen alanlarda görülen yanlış sınıflandırılmış pikseller gibi bazı sorunlara sahip olabilirler.Son zamanlarda sınıflandırma doğruluğunu geliştirmek ve sınıflandırma haritalarında daha çok homojen alanlar elde etmek için literatürlerde çeşitli yaklaşımlar tanıtılmıştır.Güçlü yaklaşımlardan biri spektral bilgiyi uzamsal bilgi ile bütünleştirmeye dayanmaktadır.Bu tezde Genişletilmiş Rastgele Yürüme (GRY) algoritmasına odaklanılmaktadır. GRY iki adımdan oluşur; birinci adım herhangi bir spektral sınıflandırma algoritması tarafından yapılan spektral sınıflandırmadır.Bu tezde çekirdeğe dayalı metodlardan biri olan DVM ile Radyal Taban Fonksiyonu (RTF) ve doğrusal çekirdek işlevi spektral sınıflandırmada kullanılır.İkinci adım DVM'dan elde edilen sınıflandırma sonuçlarına dayanır ve daha doğru olarak DVM algoritmasından elde edilen her piksele göre olasılıklara dayanır.Bu olasılıklar rastgele yürüme yöntemini bir bölütleme yönteminden, çok sınıflı sınıflandırma yöntemine dönüştürür. Recently various developments have been introduced in Remote Sensing Technology. Multispectral sensors have been used for years and provide images with multi bands up to 10-20 bands. The information extracted from the multispectral images are useful and helped in many different applications in the real world, however it may fail in distinguishing between different minerals or sub classes, where hyperspectral images plays an important role.Hyperspectral images are made of hundreds of narrow bands, in most of the cases it can be up to 200 bands. Having this high level of detailed spectral information gives a better distinguishing capability.The conventional classification methods used for multispectral images cannot be applied directly on hyperspectral images due to many reasons. Therefore, many algorithms adjusted or introduced to fit the hyperspectral data. For example, statistical classifiers have difficulties with these data, because calculating statistical parameters for such a huge amount of data is not an easy task. Additionally, the statistical algorithms assume that the data have a specific distribution which contradicts the real-world situation. On the other hand, nonparametric classifies provides good solutions with relatively high and acceptable accuracies. In some cases, these nonparametric algorithms are applied directly on the hyperspectral data or after applying some of the feature extraction methods. K-Nearest Neighbor (KNN) or Support Vector Machines (SVMs) are one of the most widely used and powerful nonparametric methods. Especially SVMs are reported as robust algorithms on hyperspectral data classification even with limited number of training samples.In real world, pixels/samples from neighboring areas are most likely belong to same class. However, classification algorithms exploiting only spectral information cause some noisy like misclassified samples in homogeneous areas. Various approaches have been introduced recently in the literature to improve the classification accuracy and obtain more homogeneous areas in classification maps. One of the powerful approaches is based on integrating the spatial information with the spectral information. In this thesis, we focus on the extended random walker (ERW) algorithm. ERW consists of two main steps; the first step is the spectral classification which is done by any spectral classification algorithm. In this thesis one of the kernel based methods support vector machine (SVM) with the radial basis function (RBF) and the linear kernel function are used in the spectral classification. The second step relies on the results of the classification obtained by SVM and more accurately it depends on the probabilities for each pixel obtained from the SVM algorithm. These probabilities are used to transfer random walker from a segmentation algorithm into a multi class classifier.
Collections