Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi

(Investigation of the effects of kernel functions in satellite image classification using support vector machines)

Özet

Uzaktan algılanmış görüntüler ve bu görüntülerin sınıflandırılmasıyla üretilen tematik haritalar, dünya yüzeyindeki objelerin yapısı ve özellikleri hakkında çok önemli bilgiler sunarlar. Tematik haritaların elde edilmesinde kullanılan sınıflandırıcıların etkinliği özellikle zor ve karmaşık sınıflandırma problemleri için büyük önem taşımaktadır. Destek vektör makineleri (DVM) son yıllarda ortaya atılmış ve birçok alanda başarıyla uygulanmış bir makine öğrenme algoritmasıdır. Uzaktan algılama alanındaki uygulamaları ise güncel sayılabilecek niteliktedir. DVM’lerin diğer sınıflandırıcılardan özellikle istatistiksel tabanlı sınıflandırıcılardan daha güçlü ve etkili olduğu ispatlanmıştır. Bu çalışmada, DVM’lerin sınıflandırma performansının kernel fonksiyonu ve parametre değerlerine bağlı değişimi detaylı şekilde analiz edilmiştir. Analizler sırasında literatürde en yaygın kullanılan dört kernel fonksiyonun sınıflandırma doğruluğu üzerindeki etkileri incelenmiştir. Kullanılan veri seti için radyal tabanlı fonksiyon ve Pearson VII fonksiyon kernellerinin en yüksek performansı (>%94 genel doğruluk) gösterdikleri belirlenmiştir. Normalleştirilmiş polinom kerneli ise en düşük sınıflandırma doğruluğunu (%91,78) üreten DVM modeli olmuştur. Diğer taraftan, en çok benzerlik yöntemiyle performans karşılaştırması yapıldığında, tüm DVM modellerinin daha yüksek doğruluklu sonuçlar ürettiği saptanmıştır.

Abstract

Remotely sensed images and the thematic maps derived from these images provide invaluable information about the nature of the Earth surface materials and objects. The robustness of classification techniques used to produce these thematic maps can be crucial especially for complex classification problems. Support vector machines (SVMs) are machine learning algorithms that have been recently introduced and successfully used in many fields. Their use in remote sensing is relatively new. It is proved that these algorithms are more robust and effective than other classifiers, particularly the ones on statistical basis. In this study, a detailed performance analysis was carried out for SVMs with regard to kernel function and chosen parameter values. In the analyses four particular kernel functions that have been most widely used in the literature were investigated with their effects on classification accuracy. It is found that radial basis function and Pearson VII function kernels produced the highest performance (>94%) for the data set considered in this study. Also, normalized polynomial kernel showed a poor performance with the lowest classification accuracy (91,78%) among all SVM models. On the other hand, it is found that all SVM models produced more accurate results compared to maximum likelihood classification.