Kenar Koruyan Filtreler ve İçsel Görüntü Ayrıştırma ile Gürbüz Hiperspektral Öznitelik Çıkartımı

Robust Hyperspectral Feature Extraction Method Using Edge Preserving Filters and Intrinsic Image Decomposition

Abstract

Spektral-uzamsal öznitelik çıkartımı yöntemleri, hiperspektral görüntülerin sınıflandırılması için etkin bir yol sunmaktadır. Buna rağmen, bu yöntemlerin performansları, farklı veri kümlerine, sınıflandırıcı tipine, eğitimde kullanılan örnek sayısına, veri kümesindeki gürültü ve yumuşuma seviyesine göre azalabilmektedir. Bu makalede, bahsedilen terimler gürbüzlük kriterleri olarak isimlendirilmektedir. Bu makalede öncelikle literatürdeki öznitelik çıkartımı yöntemlerindeki her bir gürbüzlük teriminin etkisi tartışılmaktadır. İkinci olarak, bu problemleri çözmek için hiperspektral görüntülerin sınıflandırılması için gürbüz bir öznitelik çıkartımı yöntemi önerilmektedir. Önerilen yöntem öncelikte boyut azaltımı uygulamakta ve sonrasında çoklu kenar koruyan filtreler ve içsel görüntü ayrıştırma yöntemiyle öznitelikleri çıkartmaktadır. Deneylerde her bir gürbüzlük kriteri incelenmiş ve sonuçlar literatürdeki güncel öznitelik yöntemleriyle karşılaştırılmıştır. Deneysel sonuçlar, önerilen yöntem sadece az eğitim örneği sayısındaki farklı sınıflandırıcıların sınıflandırma başarımlarında daha iyi sonuç vermekle kalmayıp aynı zamanda gürültü ve yumuşama etkisine sahip farklı veri kümelerinde gürbüz bir performans sunmaktadır.

Özet

Spectral-spatial feature extraction methods present an effective way for classification of hyperspectral images. However, performances of these methods may decrease depending on different data sets, classifier type, number of training samples, noise and smoothness level of data sets. In this paper, these terms are called as robustness criteria. This paper first discusses the effects of each robustness criteria for the feature extraction methods in the state-of-the-art. Secondly, a robust feature extraction method that can solve the aforementioned problems is proposed for hyperspectral image classification. The proposed method first performs dimensionality reduction and then extracts features using multiple edge preserving filters and intrinsic image decomposition method. Each robustness criteria is thoroughly examined in experiments and the results are compared with the state-of-the-art feature extraction methods. Experimental results demonstrate that the proposed method not only achieves better classification accuracies for different classifiers at lower training samples but also presents robust performance on different data sets that includes noise and smoothness effects.