Hiperspektral görüntüler, spektral uzamsal sınıflandırma

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.