Journals / Geomatik / 2019 / Cilt: 4 - Sayı: 3

Spektral Eşleştirme Yöntemleri Kullanarak Hiperspektral Görüntülerin Seyrek Gösterim Tabanlı Sınıflandırılması

Journal
Geomatik
Pages
215–226
Publication Date
2022-10-19
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Eşleştirme yöntemlerinden elde edilen verilere ve eşik değerine göre ilgili komşu pikselin seçilmesi veya seçilmemesi sağlanmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Seyrek gösterim tabanlı yaklaşımlar sinyal ve görüntü işleme alanlarında gösterdikleri performanstan dolayı son zamanlarda hiperspektral görüntüler üzerine de uygulanmaya başlanmış ve başarılı sonuçlar sağlanmıştır.
📊
Key Findings & Data:Fakat bu modelde test pikseli etrafındaki sabit boyutlu bir pencere içerisindeki tüm komşu piksellerin ağırlık oranlarının eşit olduğu varsayılmaktadır.
💡
Conclusion & Impact:Eşleştirme yöntemlerinden elde edilen verilere ve eşik değerine göre ilgili komşu pikselin seçilmesi veya seçilmemesi sağlanmıştır.
🔬Design:Modeling & Simulation
📍Scope:3 adet
⚙️Variables:seyrek gösterim · spektral eşleştirme · hiperspektral görüntü

Özet

Seyrek gösterim tabanlı yaklaşımlar sinyal ve görüntü işleme alanlarında gösterdikleri performanstan dolayı son zamanlarda hiperspektral görüntüler üzerine de uygulanmaya başlanmış ve başarılı sonuçlar sağlanmıştır. Hiperspektal görüntü içerisindeki uzamsal bilginin de sınıflandırma işlemine dahil edilebilmesi için ortak seyrek gösterim sınıflandırıcı (OSGS) modeli geliştirilmiştir. Fakat bu modelde test pikseli etrafındaki sabit boyutlu bir pencere içerisindeki tüm komşu piksellerin ağırlık oranlarının eşit olduğu varsayılmaktadır. Özellikle de pencere boyutu arttıkça farklı sınıfa ait piksellerin sınıflandırma işlemine dahil olacağı düşünülürse hata payı artacaktır. Bu soruna bir çözüm üretebilmek için pencere içerisindeki merkez test pikseli ve her bir komşu piksele 3 adet spektral eşleştirme yöntemi uygulayıp OSGS ile birleştiren 3SE–OSGS metodu önerilmiştir. Eşleştirme yöntemlerinden elde edilen verilere ve eşik değerine göre ilgili komşu pikselin seçilmesi veya seçilmemesi sağlanmıştır.

🔖

Cite This Article

İNCE, T., DÜNDAR, T. (2022). Spektral Eşleştirme Yöntemleri Kullanarak Hiperspektral Görüntülerin Seyrek Gösterim Tabanlı Sınıflandırılması. Geomatik, Cilt: 4 - Sayı: 3, 215–226. https://ajindex.com/articles/524751

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Bruzzone, L., Chi, M. ve Marconcini, M. (2006). A Novel Transductive SVM for Semisupervised Classification of RemoteSensing Images. IEEE Transactions on Geoscience and Remote Sensing, 44(11), 3363-3373.
  2. Chen, Y., Nasrabadi, N. M. ve Tran, T. D. (2011). Hyperspectral Image Classification Using Dictionary-Based Sparse Representation. IEEE Transactions on Geoscience and Remote Sensing, 49(10), 3973-3985.
  3. Chi, M. ve Bruzzone, L. (2007). Semisupervised Classification of Hyperspectral Images by SVMs Optimized in the Primal. IEEE, 45(6), 1870-1880.
  4. Christophe, E., Leger, D. ve Mailhes, C. (2005). Quality criteria benchmark for hyperspectral imagery. IEEE, 43(9), 2103-2114.
  5. Dalponte, M., Ørka, H. O., Gobakken, T., Gianelle, D. ve Næsset, E. (2013). Tree Species Classification in Boreal Forests With Hyperspectral Data. IEEE, 51(5), 2632-2645.
  6. Datt, B., McVicar, T. R., Niel, T. G. V., Jupp, D. L. B. ve Pearlman, J. S. (2003). Preprocessing EO-1 Hyperion hyperspectral data to support the application of agricultural indexes. IEEE, 41(6), 1246-1259.
  7. Dundar, T. ve Ince, T. (2019). Sparse Representation-Based Hyperspectral Image Classification Using Multiscale Superpixels and Guided Filter. IEEE Geoscience and Remote Sensing Letters, 16(2), 246-250.
  8. Fang, L., Li, S., Kang, X. ve Benediktsson, J. A. (2014). Spectral–Spatial Hyperspectral Image Classification via Multiscale Adaptive Sparse Representation. IEEE Transactions on Geoscience and Remote Sensing, 52(12), 7738-7749.
  9. Fang, L., Li, S., Kang, X. ve Benediktsson, J. A. (2015). Spectral–Spatial Classification of Hyperspectral Images With a SuperpixelBased Discriminative Sparse Model. IEEE Transactions on Geoscience and Remote Sensing, 53(8), 4186-4201.
  10. Garcia, M. ve Ustin, S. L. (2001). Detection of interannual vegetation responses to climatic variability using AVIRIS data in a coastal savanna in California. IEEE, 39(7), 1480- 1490. Goel, P. K., Prasher, S. O., Patel, R. M., Landry, J. A., Bonnell, R. B. ve Viau, A. A. (2003). Classification of hyperspectral data by decision trees and artificial neural networks to identify weed stress and nitrogen status of corn. Comput. Electron. Agricult., 39(2), 67-93.
  11. Gualtieri, J. A. ve Cromp, R. F. (1999). Support vector machines for hyperspectral remote sensing classification. Proc. SPIE içinde (C. 3584, ss. 221-232).
  12. Ham, J., Chen, Y., Crawford, M. M. ve Ghosh, J. (2005). Investigation of the random forest framework for classification of hyperspectral data. IEEE, 43(3), 492-501