Hyperspectral Imagery Research Papers - Academia.edu (original) (raw)

Günümüzde, hiperspektral görüntülerin miktarındaki artışa paralel olarak nesne-tabanlı sınıflandırma yaklaşımı arazi kullanımı ve arazi örtüsü sınıflarının belirlenmesinde daha önemli bir hale gelmiştir. Hiperspektral görüntülerin yüksek boyutlu veri içermesi ve genellikle sınırlı sayıda eğitim verisi bulunmasından dolayı, istatistik tabanlı parametrik metotlar yetersiz kalmaktadır. Nesne-tabanlı sınıflandırma ise semantik bilgiyi pikselleri tekil olarak ele almak yerine görüntü objelerini ele almakta ve daha kapsamlı bir değerlendirme yapmaktadır. Bu çalışmada, AVIRIS sensörüne ait Indian Pine hiperspektral veri seti kullanılmıştır. Hiperspektral görüntü boyutlarının büyük olması sebebiyle sınıflandırma işlemi öncesinde önemli ve baskın özelliklerin çıkartılması gerekmektedir. Bu kapsamda, 200 bantlı Indian Pine görüntüsüne Temel Bileşenler Analizi (TBA) boyut indirgeme işlemi uygulanmış ve verinin %98.5'unu temsil eden ilk 19 temel bileşen kullanılmıştır. Nesne-tabanlı sınıflandırma işleminde, TBA ile elde edilen görüntü kullanılarak optimum ölçek parametresi 29 olarak belirlenmiş ve çoklu-çözünürlüklü segmentasyon işlemi gerçekleştirilmiştir. Optimum ölçek parametresi ölçek parametresi tahmin (ESP) aracı ile belirlenmiştir. Piksel-tabanlı (en büyük benzerlik sınıflandırıcısı) ve nesne-tabanlı sınıflandırma (nearest neighbor) yöntemleri uygulanarak sınıflandırma performansları karşılaştırılmış ve analiz edilmiştir. Sınıflandırma doğruluk analizleri oluşturulan test verisi ile gerçekleştirilmiş, genel doğruluk ve kappa katsayısı değerleri hesaplanmıştır. Çalışma sonucunda, piksel-tabanlı sınıflandırma yaklaşımı ile %72,2 genel doğruluk elde edilirken, nesne-tabanlı sınıflandırma yaklaşımı ile %78,3 genel doğruluk elde edilmiştir. Hiperspektral veri seti boyutunun indirgenmesiyle (yaklaşık % 91 oranında) nesne-tabanlı sınıflandırmanın sınıflandırma doğruluğundaki artış % 6 seviyelerine ulaşmıştır. Ayrıca, McNemar's testi kullanılarak sonuçların performans farklılıklarının istatiksel olarak anlamlı olduğu tespit edilmiştir. Anahtar Sözcükler: Hiperspektral görüntü, Nesne-tabanlı görüntü analizi, Segmentasyon, Sınıflandırma, Temel bileşenler analizi (TBA) ABSTRACT DIMENSIONALITY PROBLEM AND PARAMETER SELECTION IN OBJECT-BASED CLASSIFICATION OF HYPERSPECTRAL IMAGES Nowadays, with increasing number of hyperspectral imagery, object-based classification has gained considerable importance for determining land use and land cover classes. Statistical parametric classifiers have become ineffective for hyperspectral classification because of the high-dimensional data and limited number of training samples. Object-based classification acquires semantic information using image objects instead of single pixels and produce more comprehensive image analysis. In this study, Indian Pine hyperspectral data set which belongs to AVIRIS sensor was used. Due to the high-dimensional hyperspectral image, essential and dominant features should be determined before the classification process. In this context, Principal Component Analysis was applied to the data set and first 19 principal components which represent 98.5% of the data was used. In object-based classification, optimum scale parameter was determined 29 and multi-resolution segmentation was implemented using PCA derived data set. Scale parameter was determined by using Estimation of Scale Parameter (ESP) tool. Pixel based classification (maximum likelihood) and object-based (nearest neighbour) approaches were applied and classification performances were compared in detail. Classification accuracy analysis was performed using the generated test data and the overall accuracy and kappa coefficient were calculated. As a result, pixel-based classification approach produced 72.2% overall accuracy while object-based approach produced 78.3% overall accuracy. It was observed that using object-based classification by reducing the dimensions of hyperspectral data set (decreased by about 91 %) increased classification accuracy by 6%. Moreover, MCNemar's test results showed that the performance differences of the approaches were statistically significant.