Improving classification accuracy of quickbird imagery

Abstract

Çok bantlı ve pankromatik uydu görüntüleri görüntü birleştirme metotları ile birleştirilerek mekânsal çözünürlüğü yüksek zenginleştirilmiş yeni görüntüler elde edilebilmektedir. Bu çalışmada, çeşitli metodların çok bantlı ve pankromatik uydu görüntüleri üzerinde sonuçları incelenmiştir. Görüntü birleştirme yöntemi olarak literatürde çok yaygın olarak kullanılan yoğunluk renk dönüşümü, temel bileşenler analizi ve dalgacık dönüşümü görüntü birleştirme teknikleri kullanılmıştır.Eğiticili sınıflandırma yöntemi, eğiticisiz sınıflandırmanın aksine, karşılaşılmamış olan ve dolayısıyla bilinmeyen örnekleri sınıflandırabilmek için algoritmayı eğitecek bilinen örnek verilere ihtiyaç duyar. Görüntü sınıflandırması için yaygın olarak bilinen eğiticili öğrenme algoritmalardan En Çok Olabilirlik ve Destek Vektör Makineleri kullanılmıştır.Birleştirilmiş görüntüler daha iyi mekansal çözünürlüğe sahiptirler. Yeni renklerin ya da yapay yapıların eklenmesiyle oluşan spektral bozulmalar, özellikle Destek Vektör Makineleri gibi doğrusal olmayan sınıflandırma metotlarının genel doğruluğunu azaltır. Çalışmada, spektral bozulmalar ile oluşan sınıflandırma hatalarını azaltan görüntü iyileştirme metotları önerilmiş ve test edilmiştir. Temel bileşenler analizine dayanan bir görüntü zenginleştirme tekniği, uygulanan diğer tekniklere göre daha uygun bulunmuştur.Görüntü iyileştirme teknikleri uygulandıktan sonra oluşan görüntüde sınıf ayrılabilirliği referans olarak alınan orijinal görüntüye göre daha yüksektir. Orijinal görüntünün sınıflandırılmış sonucu genel geçer bir karşılaştırma ölçüsü olan karşılaştırmalı değerlendirme tekniği kullanılarak, genel doğruluk alanındaki artma bulunmuştur. Görüntü birleştirme ve görüntü zenginleştirme metotlarının sınıflandırma sürecine dahil olması ile sınıflandırma algoritmalarının doğruluklarının arttırılmasının mümkün olduğu anlaşılmıştır. Bu bulguyu destekleyen sonuçlar tezin ilgili bölümlerinde verilmiştir.

Fusion methods increase spatial resolution by combining panchromatic band with multi spectral data. In this study, the results belonging to several methods on multi spectral and panchromatic images are compared. The fusion methods common in literature Intensity-Hue Saturation (IHS), Principal Component Analysis (PCA) and wavelet transformation are used.Supervised classification methods need prior examples for training of the algorithm to classify other unseen samples as opposed to unsupervised classification methods. Image classification is done with well-known supervised methods, e.g. Maximum Likelihood Classifier (MLC) and Support Vector Machines (SVM).Fused images provide better spatial resolution. However, spectral distortions by introducing new colors or artificial structures called artifacts cause decrease in overall accuracy values especially with nonlinear classification methods such as SVM. Enhancement methods are proposed and tested to diminish classification errors caused by spectral distortions present in the fused image.A PCA-based image enhancement technique is found superior to other enhancement techniques applied.Class separability is better after enhancements compared to the original reference satellite image. Using the classified result of the original multi spectral image as a benchmark, improvement in the overall accuracy of classification results of the enhanced fused images are observed. Higher classification accuracy is possible with the integration of image fusion and image enhancement methods into classification process. Results supporting the advancement are given in the related parts of the thesis.