Hiperspektral görüntülerde derin öğrenme yaklaşımının sınıflandırma başarımı üzerine etkisi

Abstract

Hiperspektral sensörlerin gelişimiyle beraber hiperspektral görüntüleme uzaktan algılama alanında oldukça ilgi çeken bir konu haline gelmiştir. Görüntülenen yüzey materyallerinden yansıyan enerjinin dar ve bitişik çok sayıda dalga boyunda ölçüm yapılmasını sağlayan hiperspektral görüntüleme, oldukça yüksek boyutta ve birbiriyle ilişkili veri elde edilmesini sağlamaktadır. Bu verilerin saklanması, işlenmesi ve yorumlanması; hesaplama karmaşıklığı ve işlem yükü sebebiyle oldukça zordur. Bu nedenle hiperspektral verilerin sınıflandırılmasında geleneksel olarak ön işlem aşamasında boyut indirgeme yöntemleri uygulanmaktadır. Bununla birlikte geleneksel sınıflandırıcılar ve boyut indirgeme yöntemleri spektral boyutta zorlu bir işlemdir ve ayırt edici özniteliklerin çıkarımında yetersiz kalmaktadır. Aynı zamanda kesin bir sınıflandırıcı ve boyut indirgeme yöntemi seçim yöntemi de bulunmamaktadır. Son yıllarda ise derin öğrenme yöntemleri kullanılarak hiperspektral verilerin alt uzaya indirgenmeden daha gürbüz, uyarlanabilir ve ham verilerden çıkarılan öznitelikler ile sınıflandırılması oldukça dikkat çekici bir yaklaşım olmuştur. Hiperspektral görüntülerin derin öğrenme yöntemlerinden özellikle evrişimsel sinir ağları ile sınıflandırımı umut vadedici sonuçlar sağlamaktadır. Tez kapsamında, yaygın olarak tercih edilen hiperspektral veri setleri kullanılarak uzaysal, spektral ve uzaysal-spektral öznitelikleri kullanan bir boyutlu, iki boyutlu ve üç boyutlu evrişimsel sinir ağları ile sınıflandırma yapılmıştır. Spektral ve uzaysal boyutlardaki özniteliklerin hem ayrı ayrı hem de birlikte kullanımı ile hiperspektral sensörler tarafından sağlanan tüm öznitelikler etkin olarak sınıflandırmaya dahil edilmiştir. Ayrıca yapılan çalışmada, geleneksel sınıflandırma ve konvolüsyonel sinir ağları arasında karşılaştırmalı bir çalışma ve analiz yapılmıştır. Yapılan deneysel çalışmalar ile evrişimsel sinir ağları kullanılarak oldukça yüksek sınıflandırma başarısı elde dilmiştir. Aynı zamanda önerilen konvolüsyonel sinir ağı mimarilerinin, geleneksel yöntemlerden %5 ve %9 oranında daha iyi bir sınıflandırma oranı sağladığı görülmüştür.

With the development of hyperspectral sensors, hyperspectral imaging has become a subject of interest in the field of remote sensing. Hyperspectral imaging, which allows measurement of reflected energy from the displayed surface materials at a narrow and adjacent plurality of wavelengths, provides extremely high dimensional and interrelated data. Storing, processing and interpreting and calculating this data is very difficult due to its complexity and processing load. Therefore, in the classification of hyperspectral data, size reduction methods are traditionally used as pre-processing step. However, conventional classifiers and dimension reduction methods are challenging in the spectral dimension and are inadequate in the extraction of distinctive features. There is also no definitive classifier and dimension reduction method selection method. In recent years, it has been a remarkable approach to classify the hyperspectral data with more robust, adaptable and extracted features from raw data by deep learning methods without reducing to subspace. Especially, the classification of hyperspectral images with convolutional neural networks, one of the deep learning methods, provides promising results. Within the scope of this thesis, samples of widely used hyperspectral data sets are classified by using one-dimensional, two-dimensional and three-dimensional convolutional neural networks by extracting spatial, spectral and spatial-spectral features. All the features provided by hyperspectral sensors are included in the classification effectively by using both separately and together spectral and spatial features. In addition, a comparative study and analysis is conducted between conventional classification and convolutional neural networks. Experimental studies have shown that convolutional neural networks have achieved very high classification rates. It has also shown that the proposed convolutional neural network architectures provide a better classification rate of 5% and 9% than the conventional methods.