Affiliation:
1. ARTVİN ÇORUH ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, HARİTA MÜHENDİSLİĞİ BÖLÜMÜ
Abstract
Hiperspektral görüntüler, zengin spektral bilgi içerdiklerinden dolayı uzaktan algılama başta olmak üzere birçok alanda etkin bir şekilde kullanılmaktadır. Yüksek spektral boyutu ve karmaşık yapılarından dolayı, hiperspektral görüntülerin sınıflandırılmasında bazı sıkıntılar yaşanmaktadır ve bu nedenle sınıflandırma işlemlerinde ileri düzey algoritmalar (topluluk öğrenme algoritmaları, çekirdek tabanlı yöntemler vb.) tercih edilmektedir. Bu çalışma kapsamında, çekirdek tabanlı aşırı öğrenme makinesinin (ÇAÖM) hiperspektral görüntü sınıflandırmadaki kabiliyeti araştırılmış ve sınıflandırma performansı, iki farklı makine öğrenme algoritması (destek vektör makineleri ve rastgele orman) ile karşılaştırılmıştır. Çalışma kapsamında “Indian Pines” hiperspektral veri seti kullanılmıştır ve çalışma alanında 16 adet arazi örtüsü sınıfı bulunmaktadır. Boyut indirgeme amacıyla veriye temel bileşenler analizi yöntemi uygulanmıştır. Sınıflandırma işlemi hem orijinal hiperspektral verisine hem de temel bileşenler analizi ile boyutu indirgenmiş veriye uygulanmıştır. Boyut indirgeme işlemi sonucunda ilk 40 temel bileşen bant olarak seçilmiştir. En yüksek sınıflandırma doğrulukları hem orijinal veri seti için (%91,64) hem de boyutu indirgenmiş veri seti için (%83,45) DVM yöntemi ile elde edilmiştir. Ayrıca, orijinal veri setinin sınıflandırılması ile elde edilen doğrulukların boyutu indirgenmiş verinin sınıflandırması ile elde edilen doğruluklardan daha yüksek olduğu tespit edilmiştir.
Publisher
Turkish Journal of Remote Sensing and GIS
Reference55 articles.
1. Adam, E., Mutanga, O., Odindi, J., & Abdel-Rahman, E. M. (2014). Land-use/cover classification in a heterogeneous coastal landscape using RapidEye imagery: evaluating the performance of random forest and support vector machines classifiers. International Journal of Remote Sensing, 35(10), 3440-3458.
2. Akar, Ö., & Güngör, O. (2012). Classification of multispectral images using Random Forest Algorithm. Journal of Geodesy and Geoinformation, 1(2), 105-112.
3. Baumgardner, M. F., Biehl, L. L., & Landgrebe, D. A. (2015). 220 band aviris hyperspectral image data set: June 12, 1992 Indian pine test site 3. Purdue University Research Repository, 10(7), 991. doi:/10, 4231, R7RX991C.
4. Bazi, Y., & Melgani, F. (2006). Toward an optimal SVM classification system for hyperspectral remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 44(11), 3374-3385.
5. Bazi, Y., Alajlan, N., Melgani, F., AlHichri, H., Malek, S., & Yager, R. R. (2014). Differential evolution extreme learning machine for the classification of hyperspectral images. IEEE Geoscience and Remote Sensing Letters, 11(6), 1066-1070.