Seyreklik temelli sınıflandırmanın hiperspektral görüntülerde uygulamaları

Teknolojinin gelişmesine paralel olarak sayısal algılamada kullanılan sensörler de gelişmektedir. Ölçülen ve üretilen verilerin kullanılabilmesi için aynı oranda iletim hızının ve saklama kapasitesinin artması beklenmektedir. Ancak sensör teknolojileri hızla ilerlerlerken aynı kapasitede bu iki teknoloji gelişememektedir. Her yıl bir önceki yıldan yüzde 58 daha fazla veri üretilmektedir. Sıkıştırılmış algılama bu sorunu çözmek için geliştirilmiştir.Sıkıştırılmış algılama sinyalin elde edilmesinde ve geri çatılmasında kullanılan etkili bir sinyal işleme tekniğidir. Sıkıştırılmış algılama günümüzde önemli ve çok popüler bir sinyal işleme modeli olarak kullanılmaktadır. Uzaktan algılamada yeryüzü yüzeyinden alınan görüntüler bant çözünürlüklerine göre sınıflandırılabilmektedirler. Hiperspektral görüntüler yüzlerce dar banttan oluşurlar ve çok yüksek miktarda spektral bilgi içerirler. Hiperspektral görüntülerde yer alan daha fazla spektral bilgi alındığı bölgenin daha iyi karakterizasyonu yansıtmaktadır. Arazi örtüsünün tanımlanmasında, ayırt edilmesinde ve sınıflandırmasında doğruluğu ve gürbüzlüğü diğer görüntülere göre daha yüksektir. Sınıflandırma uzaktan algılanarak elde edilen görüntülerin yorumlanabilir haritalara çevrilmesini sağlayan geliştirme sürecidir. Ayrıca, sınıflandırma coğrafi bilgi biliminin görüntü işlemede en önemli yönüdür. Bu tez kapsamında hiperspektral görüntüler üzerine seyreklik tabanlı sınıflandırıcılar uygulanması üzerine çalışılmıştır. Hiperspektral görüntüler üzerinde seyreklik yaklaşımını kullanan iki farklı algoritma, destek vektör makineleri ve en yakın komşuluk algoritmaları koşturularak yüzey örtüleri sınıflandırılmıştır. Açık kaynak olarak sunulan dört farklı veri seti kullanılmıştır. Hiperspektral veri setleri içerisindeki her ayrı sınıftan yüzde 10 eğitim için seçilirken geriye kalan yüzde 90 veri seti ise test verisi olarak kullanılmıştır. Başarımlar, doğruluk haritalarına göre karşılaştırılarak; her sınıf için ayrı ayrı ve genel ortalamalarda hesaplanmıştır. Seyreklik yaklaşımını kullanan iki algoritma gerçeklenmiştir. Gerçeklenen algoritmalardan biri sadece seyreklik yaklaşımını kullanırken diğer algoritma seyreklik yaklaşımının yanında destek vektör makinelerini de (Support Vector Machines – SVM) kullanan hibrit bir tekniktir. Ayrıca, bu hibrit algoritmada spektral bilgiler yanında uzamsal bilgiler de kullanılarak sınıflandırma başarımı arttırılmaya çalışılmıştır. Klasik sayılabilecek destek vektör makineleri ve en yakın komşuluk yöntemlerinin başarım çıktıları ile seyreklik tabanlı sınıflandırıcıların başarımları karşılaştırılmıştır. Seyreklik tabanlı sınıflandırıcıların klasik yöntemlerden daha iyi sonuçlar verdiği gözlemlenmiştir. Seyreklik yaklaşımında uzamsal bilgilerin de kullanılmasıyla sınıflandırma başarımının daha da arttığı görülmektedir. Seyreklik tabanlı algoritmaların işlem karmaşıklığının yüksek oluşundan dolayı çalışma süreleri klasik algoritmalardan daha fazla olduğu gözlemlenmiştir.