Hiperspektral İmgelerin Bağlamsal Sınıflandırılması Ve Boyut İndirgenmesi için Olasılıksal Modeller

Abstract

Hiperspektral imgeler orman bitki örtüsünün haritalandırılması ve sınıflandırılması, sehircilik ve arazi kullanımı, su kaynaklarının ve tarımsal ürünlerin türünün belirlenmesi gibi birçok uzaktan algılama uygulamasında kullanılmaktadır. Son yapılan çalısmalarda, hiperspektral imgelerin sınıflandırılması alanında spektral ve uzamsal bilginin beraber kullanılması ve veri boyutunun indirgenmesi gelecekte ihtiyaç duyulacak yöntemler arasında sıralanmıstır. Bu projenin amacı hiperspektral imgelerden yeryüzü bölgelerinin sınıflandırılması için olasılıksal yöntemlerin gelistirilmesidir. Bu amaçla gelistirilen yöntemleri dört baslıkta altında sıralayabiliriz. 1) Gaussların karısımı modelinin az örnek sayılı gözetimli egitilmesi için Bayesçi bir kestirim yöntemi gelistirilmistir. 2) Hiperspektral imge sınıflandırılma probleminde uzamsal bilginin de dikkate alındıgı bir önsel olasılık modeli kullanılmıstır. 3) Boyut indirgenme ve sınflandırmayı birlestiren olasılıksal temel bilesen analizcilerinin karısımı modeli hiperspektral imge sınıflandırmada kullanılmıstır. 4) Hiperspektral imgelerin ayrıstırıcı sınıflandırılmasında kullanılan seyrek çokterimli lojistik baglanım modeli için yeni bir yinelemeli ögrenme algoritması gelistirilmistir. Gelistirilen algoritmalar Purdue Üniversitesinin MultiSpec web sitesinde çevrim içi olarak arastırmacıların kullanımına sunulan ve yer-gerçekligi haritaları bulunan gerçek hiperspektral veri kümeleri Indian Pines, Salinas, Pavia Centre ve Pavia University üzerinde test edilmistir. Algoritmaların basarımları diger mevcut yöntemlerle karsılastırılmıstır.