Bu tez kapsamında uzaktan algılama ve kullanılan hiperspektral görüntüler tanıtılmış, hiperspektral görüntülerin eğitimli ve eğitimsiz sınıflandırılmasına yönelik geliştirilen yöntemler anlatılmıştır.
Tez kapsamında geliştirilen ilk yöntemde hiperspektral görüntüler faz korelasyonu temelli bölütlenmekte, elde edilen bölütler eleman dağılımlarına uygun olarak belirlenmiş eşik değerlerine göre güncellenmektedir. Yöntemde öncelikle pikseller gürültü ve uzamsal değişimlere karşı dayanıklılığı arttırmak amacıyla alt örneklenmektedir. Faz korelasyonu kullanılarak benzer pikseller bir araya toplanmakta ve bölütler oluşturulmaktadır. Bölütlerin, bölüt içi elemanlarının spektral imzaları ile bölütün spektral imzası arasındaki benzerlik dağılımına göre bir eşik belirlenmekte ve bu eşik değerleri ile bölütler güncellenmektedir. Uygulanan bu yöntemin dezavantajı bölütleme aşamasında belirlenen eşik değerinin elde edilecek bölüt sayısını doğrudan etkilemesi ve alan büyütme yaklaşımının açgözlü bir şekilde bölüt oluşturmasıdır. Bu etkiler bölütlerin güncellenmesini sağlayan bir son işlem ile azaltılmakta ve bölütleme başarımının arttırıldığı gösterilmektedir.
Đkinci yöntemde, hiperspektral görüntülerin kenar bilgisinden yararlanarak hızlı
şekilde bölütlemesi üzerinde durulmuştur. Görüntüdeki kenarların en iyi şekilde tanımlanabilmesi için öncelikle verinin Temel Bileşen Analizi (TBA) ile öz imgesi bulunmaktadır. 1-bit dönüşümü (1-BD) ve Canny yöntemleri ile kenar imgesi oluşturulmakta, çeşitli morfolojik işlemler uygulanarak küçük bölgeler yok edilmektedir. Var olan alanlar etiketlenmekte, etiketsiz olarak kalan pikseller en uygun alanlara dahil edilerek kümeleme işlemi gerçekleştirilmektedir. Son olarak renklendirme işlemi uygulanmaktadır. Oldukça basit, hızlı ve kolay uygulanabilir olması ve deneysel sonuçların bölütlemenin yeterli derecede iyi olduğunu göstermesi, yöntemin avantajlarıdır. Önerilen yöntemin dezavantajı, kimi verilerde kenar bilgisinin iyi tanımlanamamasından dolayı başarımının düşük olmasıdır.
Ancak yine de birçok temel bölge bu yöntem ile başarılı şekilde elde edilip görüntülenebilmektedir.
Son bölümde ise, faz korelasyonu temelli eğitimli sınıflandırma yöntemi anlatılmaktadır. Đlk uygulamada olduğu gibi piksellerin spektral imzaları alt örneklenmektedir. Eğitim aşamasında sınıfların temsilcileri k-ortalama kümeleme yaklaşımıyla faz korelasyonu benzerliği kullanılarak çıkarılmaktadır. Her sınıfın temsilci sayısı, ilgili sınıfların eğitim verisindeki eleman sayısına göre belirlenmektedir. Yapılan bu uygulama literatürdeki benzer çalışmalarla kıyaslanmış ve başarımı daha yüksek çıkmıştır. Ayrıca alt-örnekleme oranının değişiminin ve çoklu sınıf temsilcisi kullanımının sınıflandırma başarımına etkisi de değerlendirilmiştir. Bu uygulamada temsilci sayıları, sınıfların eğitim verilerindeki piksel sayısının karekök değeri ile belirlenmektedir. Köksel ifade sınıfların yapısı hakkında fazla bilgi vermemektedir. Bu nedenle temsilci sayılarının, köksel ifade yerine sınıf içi ve sınıflar arası ilişkiler hakkında daha fazla bilgi veren değişinti ve kovaryans ifadelerini kullanan bir eşitlik ile belirlenmesinin daha uygun olacağı düşünülmektedir.
KAYNAKLAR
[1] “Remote Sensing”, Wikipedia, http://en.wikipedia.org/wiki/Remote_sensing ( Ziyaret Tarihi: 20.04.2009 )
[2] “Fundamentals of Remote Sensing”, Canada Centre for Remote Sensing, http://www.ccrs.nrcan.gc.ca/resource/tutor/fundam/chapter1/01_e.php (Ziyaret Tarihi: 20.Nisan.2009)
[3] “Fundamentals of Remote Sensing”, Canada Centre for Remote Sensing, http://www.ccrs.nrcan.gc.ca/resource/tutor/fundam/chapter2/08_e.php (Ziyaret Tarihi: 20.Nisan.2009)
[4] Schowengerdt, R., A., “Remote Sensing: Models and Methods for Image Processing,”, Third edition, in Academic Press., pp. 19-30, (2007).
[5] Demir, B., “Akıllı Hiperspektral Sınıflandırma”, Y.Lisans Tezi, Kocaeli Üniversitesi Fen Bilimleri Enstitüsü, Kocaeli pp. 6, (2007).
[6] “Landsat Satellite Sensor Characteristics”, Satellite Imaging Corporation, http://www.satimagingcorp.com/satellite-sensors/landsat.html (Ziyaret Tarihi: 21.04.2009)
[7] Varshney, P.,K., Arora, M., K., "Advanced image processing techniques for remotely sensed hyperspectral data", Springer, pp. 2-4 ,( 2004 )
[8] Salvador, M.,A.,Z., “ Trace gas detection in hyperspectral imagery using the wavelet packet subspace”, Doktora Tezi, Graduate Faculty of George Mason University, (2008)
[9] Clark, R.,N., Swayze, G., A., Gallagher, A., “Mapping Minerals with Imaging
Spectroscopy”, U.S. Geological Survey,
http://speclab.cr.usgs.gov/PAPERS/cuprite.clark.93/mineral_map.html (Ziyaret Tarihi: 21-04-2009)
[10] “Collecting Data at the Surface-Ground Truth; Imaging Spectroscopy”, http://rst.gsfc.nasa.gov/Sect13/Sect13_10.html, (Ziyaret Tarihi: 22.04.2009)
[11] Fauvel, M., Chanussot, J., Benediktsson, J., A., “Kernel principal component analysis for the classification of hyperspectral remote sensing data over urban areas”,
GIPSA lab, Department Image Signal-Grenoble INP BP 46- 38402 Saint Martin d’Heres-France, (February 2009).
[12] Fauvel, M., Chanussot, J., Benediktsson, J., A., “Kernel principal component analysis for the classification of hyperspectral remote sensing data over urban areas”,
GIPSA lab, Department Image Signal-Grenoble INP BP 46- 38402 Saint Martin d’Heres-France, (February 2009).
[13] Tadjudin,S., Landgrebe, D., A., “Covariance Estimation With Limited Training Samples”, IEEE Transactions on Geoscience and Remote Sensing, Vol. 37, No. 4,
(July 1999).
[14] “Pattern recognation”, Wikipedia,
http://en.wikipedia.org/wiki/Pattern_recognition. (Ziyaret Tarihi:20.04.2009) [15] Cagnazzo, M., Poggi, G., and Verdoliva, L., “A Comparison of Flat and Object- Based Transform Coding Techniques for the Compression of Multispectral Images,”
in Proc. IEEE ICIP, pp. 657–660, (2005).
[16] Qian, S-E., Hollinger, A., B., Williams, D., and Manak, D., “Vector Quantization using Spectral Index-Based Multiple Subcodebooks for Hyperspectral Data Compression,” IEEE Trans. Geosci. Remote Sens., 38(3):1183-1190, (2000).
[17] Chang, L., “Multispectral Image Compression using Eigenregion-Based Segmentation,” The Journal of the Pattern Recognation Society, 37:1233-1243,
(2004).
[18] Silvermann, J., Rotman, S., R., ve Caefer, C., E., “Segmentation of Hyperspectral Images based on Histograms of Principal Components”, Imaging Spectrometry VIII, Sylvia S. Shen, Editor, Proceedings of SPIE, Vol. 4816, pp.
270-277, (2002).
[19] Robert, A., S., “Remote sensing: models and methods for image processing”, in Academic Press, 2nd edit., pp. 389-447, (1997).
[20] Meyer, A., Paglieroni, D., ve Astaneh, C., “K-Means Re-Clustering: Algorithmic Options with Quantifiable Performance Comparisons”, SPIE-Optical Engineering. Livermore, CA: Lawrence Livermore Natl. Lab., Vol. 5001, pp. 84–
92, 2003.
[21] Pesaresi, M., ve Benediktsson, A., "A New Approach for the Morphological Segmentation of High-Resolution Satellite Imagery," IEEE Trans., Geosci. Remote Sens., vol. 39, no. 2, pp. 309-320, (Feb. 2001).
[22] Tilton, J.C. “Analysis of hierarchically related image segmentations”. Proc. of the Workshop on Advances in Techniques for Analysis of Remotely Sensed Data,
Greenbelt, MD, USA, (2003).
[23] Sarkar, A., Biswas M., K., ve Kartikeyan, B., “A MRF Model-Based segmentation Approach to classification for Multispectral imagery,” IEEE Trans., Geosci. Remote Sens., vol. 40, no. 5, pp. 1102-1113, (May 2002)
[24] Acito, N., Corsini, G., ve Diani, M., “An unsupervised algorithm for hyperspectral image segmentation based on the Gaussian mixture model”, IGARSS,
Toulouse, France, vol. 6, pp. 3745–3747, (Jul. 2003).
[25] Masson, P., ve Pieczynski, W., “SEM algorithm and unsupervised statistical segmentation of satellite images,” IEEE Trans., Geosci, and Remote Sens., Vol. 31,
No. 3, pp. 618– 633, (May 1993).
[26] Campbell, Lo, and MacKinlay, “The Econometrics of Financial Markets”, NJ: Princeton University Press, (1996).
[27] Ojansivu, V., ve Heikkilä, J., “Image Registration Using Blur-Invariant Phase Correlation”, IEEE Signal Processing Letters, Vol. 14 No. (7 July 2007).
[28] Foroosh (Shekarforoush), H., Zerubia, J., B., ve Berthod, M., “Extension of Phase Correlation to Subpixel Registration”, IEEE Transactions on Image Processing, Vol:11, No:3, (Mart 2002).
[29] Ertürk, A., Ertürk, S., “Unsupervised Segmentation of Hyperspectral Images Using Modified Phase Correlation”, IEEE Geoscience and Remote Sensing Letters,
Vol. 3, No. 4, pp. 527-531, (Nov. 2006).
[30] Urhan, O., Güllü, M.K., Ertürk, S., “Modified Phase-Correlation Based Robust Hard-Cut Detection with Application to Archive Film”, IEEE Transactions on Circuits and Systems for Video Technology, 16(6):753-770, (2006).
[31] Van der Meer, F., “The Effectiveness Of Spectral Similarity Measures For The Analysis Of Hyperspectral Imagery,” Int. J. Appl. Earth Obs. Geoinf., 8(1):3-17,
(2006).
[32] Tyo, J.,S., Konsolakis, A., Diersen, D.,I., ve Olsen, R.C., “Principal- components-based display strategy for spectral imagery”, IEEE Transactıons on Geoscıence and Remote Sensing, Vol. 41, No. 3, (March 2003).
[33] Natarajan, B., Bhaskaran, V., ve Konstantinides, K., “Low-complexity block- based motion estimation via one-bit transforms”, IEEE Trans. Circuits Syst. Video Technol., Vol. 7, No. 4, pp. 702–706, (Aug. 1997)
[34] O.Urhan, and S.Erturk, “Constrained one-bit transform for low complexity block motion estimation”, IEEE Transactions on Circuits and Systems for Video Technology, Vol. 17, No. 4, pp. 478-482, (April 2007)
[35] Green, B., (2002) “Canny Edge Detection Tutorial”, www.pages.drexel.edu/~weg22/can_tut.html (Ziyaret Tarihi : 07-05-2009)
[36] Dundar, M.,M., ve Landgrebe, D., A., “Toward an optimal supervised classifier for the analysis of hyperspectral data” IEEE Trans. Geoscience and Remote Sensing, Vol. 42, pp. 271-277, (2004).
[37] Camps-Valls, G., ve Bruzzone, L., “Kernel-based methods for hyperspectral images classification”, IEEE Trans. Geoscience and Remote Sensing, 43, pp. 1351-1362, (2005).
[38] Xiuping, J., ve Richards, J., A., “Cluster-space representation for hyperspectral data classification”, IEEETrans. Geoscience and Remote Sensing, 40, pp. 593-598, (2002). [39] Giacinto, G., ve Bruzzone, L. “Combination of neural and statistical algorithms for supervised classification of remote-sensing images”, Elsevier Science B.V., Pattern Recognition Lett., 21, pp. 399-405, (2000).
[40] Melgani, G., ve Bruzzone, L., “Classification of hyperspectral remote sensing images with support vector machines”, IEEE Trans. Geoscience and Remote Sensing, 42, pp. 1778-1790, (2004).
[41] Demir, B. ve Ertürk, S. “Phase correlation based supervised classification of hyperspectral images using multiple class representatives”, Int. Conf. on Geosience and Remote Sensing Symposium, Barcelona, Spain, (2007).
[42] Shahshahani, B. M. ve Landgrebe, D. A., “Use of unlabeled samples for mitigating the hughes phenomenon”, Int. Conf. on Geosience and Remote Sensing Symposium, Tokyo, Japan, (1993).