Uzaktan algılamalı görüntülerin bant çıkarımı ve matematiksel biçim bilim ön işlemleri kullanılarak sınıflandırılması [The classification of remote sensed images with band extraction and mathematical morphology preprocessing operations]

Hiperspektral görüntüler, uzaktan algılama yöntemleri kullanılarak elde edilen ve geniş bir bant aralığından alınan yüzlerce imgeyi içerir. Bu imgeler kullanılarak, görüntüyü oluşturan her bir piksel için dalga boyuna bağlı olarak kesikli olmayan bir spektrum bilgisi oluşur. Bu spektrumlardan yararlanarak, sınıflandırma için gerekli olan bilgilerde artış sağlanmaktadır. Bu da sınıflandırma aşamasında, başarımı daha yüksek sonuçlar elde edilmesini olanaklı kılar. Hiperspektral görüntülerin, çok fazla tekrar eden bilgi içermesi nedeniyle son zamanlarda birçok uygulamada özellik çıkarımı yöntemleri kullanılarak bant azaltma yapılmaktadır. Bu yöntemlerin içinden, Temel Bileşen Analizi (TBA), bu çalışmada sınıflandırma öncesi kullanılan önişlemlerin ilk adımını oluşturmaktadır. Matematiksel biçimbilim işlemeleri ise TBA sonucunda elde edilen bantlardaki uzamsal verilerin ortaya çıkarılması amacıyla kullanılmaktadır. Temel işlemlerden olan açma ve kapama işlemleri, pikseller arası komşuluk ilişkilerini arttırarak sınıflandırma öncesindeki ikinci adımı oluştururlar. Bu çalışmada, Destek Vektör Makineleri (DVM) ve İlgililik Vektör Makineleri (İVM), sınıflandırma yöntemleri kullanılmaktadır. Daha önceki çalışmalarda bahsedilen DVM ile sınıflandırma başarımının arttırılması ve İVM ile bir karşılaştırması gözlemlenmiştir. DVM ve İVM sınıflandırma performansını artırmak ve sınıflandırma hesapsal yükünü azaltmak üzere, sınıflandırma öncesi hiperspektral görüntülere Temel Bileşen Analizi (TBA) ve biçimbilimsel yöntemler uygulanması önerilmiştir. Ön işlem olarak TBA ile bant sayısı azaltılmakta, biçimbilimsel işlemler ise veri kümelerinin sahip olduğu spektral özellikteki bilgilerin yanısıra, uzamsal özelliğe sahip bilgilerin ortaya çıkması olanaklı kılınmaktadır. TBA sonucu kullanılan her bir banta, biçimbilimsel işlemler uygulanarak, elde edilen bantlar İVM ile sınıflandırmaya sokulmaktadır. Önerilen yöntem, ön-işlem uygulanarak elde edilen düşük bant miktarında İVM sınıflandırmanın, doğrudan İVM ile karşılaştırıldığında daha iyi sonuçlar verdiğini göstermektedir.

Hyperspectral images contain hundred of images obtained by remote sensing methods and collecting from a large wave length interval. By using these images, for each pixel constituting the image, a continuous spectrum information depending on the wave length is created. The information which is needed for classification is increased by means of these spectrums. This makes possible to augment the classification accuracy at the classification level. As the hyperspectral images have lots of repeating information in itself, on many approaches and applications, the band reduction methods are recently used. Among these methods, the Principal Component Analysis (PCA) is the first step of the preprocessing operation which are mentioned in this thesis. Mathematical morphology operations are used so as to rediscover the spatial information on the bands obtained as a result of PCA. The opening and closing, both are the basic operations of morphology, is the second step by increasing the neighbourhood relation between pixels. In this thesis, the Support Vector Machines (SVM) and Relevance Vector Machines (RVM) are being used as classification methods. Improving of classification accuracy with SVM, mentioned in previous papers, articles and thesis, and comparing SVM and RVM is observed. It is proposed to apply PCA and mathematical morphology operations in order to increase classification performance for both SVM and RVM and also decrease computational load of Relevance Vector Machine (RVM). As preprocessing operations, by using PCA, the number of bands is reduced and by using morphological operations, it becomes possible to use spatial informations of data in additional to the spectral informations that the data has already had. The bands obtained by morphological operations using the results of PCA are processed in RVM. Proposed method shows that the bands obtained after preprocessing is giving better results than the RVM applied to the data directly.