Aşamalı öğrenmeli destek vektör makineleri ile hiperspektral görüntülerin sınıflandırılması

Abstract

Günümüzde askeri ve sivil amaçlı uygulamalarda belli nesnelerin otomatik olarak algılanıp yerlerinin tespit edilmesi gerçeklenmektedir. Bu işlem literatürde ?Otomatik Hedef Belirleme? (Automatic Target Detection) olarak adlandırılmaktadır.Klasik görüntüleme sistemleri görülebilen dalga boyunda tek bir bantta görüntüleme yapmaktadır. Hiperspektral Görüntüleme adı verilen görüntülemede, birkaç yüz veya daha fazla bandı içerecek şekilde görüntü oluşturulmaktadır. Çoklu bant yapısı sınıflandırma açısından önemli avantajlar sunmaktadır. Hedefle ilgili bilgi, spektral ve 2B olarak elde edilebilmektedir.Bu tez çalışmasında destek vektör makineleri hiperspektral görüntülerin sınıflandırılması amacıyla kullanılmıştır. Destek vektör makineleri ile sınıflandırmanın başarısı incelenmiştir. Ayrıca en yakın komşuluk ayrışım analizi (NNDA) yöntemi ile boyut indirgenmesi sağlanmış ve sonrasında sınıflandırmanın performansı incelenmiştir. Ek olarak, sınıflandırma Öğrenme++ (Learn++) algoritması yardımıyla aşamalı olarak gerçeklenmiştir ve aşamalı öğrenen DVM algoritmasının performansının arttırılmasına yönelik öneriler sunulmuştur.

Today, automatic detection and localization of specific objects are performed in civil and martial applications. This process is called Automatic Target Detection.Common imaging systems are operated on a single image band in visible spectrum. However, imaging system called Hyperspectral Imaging can perform on several hundreds of bands. The form of multiple bands provides valuable information for classification. The information of the target is formed as both spectral and 2D.In this thesis, support vector machines (SVMs) are used for classification of hyperspectral images. The accuracy of SVM classification is investigated. Classification performance in different dimensions obtained by nearest neighbor discriminant analysis (NNDA) feature extraction is also discussed. In addition, the classification is implemented using an incremental learning approach with Learn++ algorithm. Finally, several suggestions on boosting the performance of Incremental SVM algorithm are proposed.