Hiperspektral görüntülerde boyut indirgeme ve hedef belirleme

Abstract

Bu çalışmada, hiperspektral resimlerde hedef belirleme ve boyut indirgeme için yöntemler sunulmuş ve gerçek görüntüler üzerinde uygulamalar gerçeklenmiştir. Hiperspektral görüntüler yüksek miktarda bandlar içermektedir. Bu görüntülerin işlenmesi büyük oranda işlem yükünü de beraberinde getirmektedir. Bu dezavantajı aşmak için öncelikle boyut indirgeme yapılması ve band sayısının azaltılması gerekmektedir. Boyut indirgeme için "minimum-redundancy maximum-relevance (mRMR)" özellik seçilim algoritması kullanılmıştır. Spektral verilerinin seçilmesinde kovaryans tanımlayıcıları, spektral verileri gruplarken de "mean-shift" gruplama yöntemini kullanılmıştır. Sunulan yöntemleri test etmek için URBAN görüntüsü kullanılmış ve belirlenilmesi istenilen altı hedef için gürültülü ve gürültüsüz görüntüler üzerinde çalışılmıştır. Test sonuçları sunulan yöntemlerin hiperspektral görüntülerde başarı ile kullanılabileceğini göstermektedir.In this study, we present a robust target detection algorithm and dimension reduction technique on hyperspectral images. Hyperspectral images contain a great number of band data. Without dimension reduction techniques, processing of these data requires high computational efforts. Dimension reduction and eliminating unnecessary spectral pixels are necessary to decrease computational cost. In this thesis, we proposed minimum-redundancy maximum-relevance feature selection algorithm to select bands and covariance descriptors to select relevant spectral data. Mean-shifting clustering technique is also used to cluster spectral data for target detection. In order to verify the algorithms performance, we utilized URBAN hyperspektral image with and without synthetic noise to detect six targets. The experimental test results show that the proposed band reduction and target detection algorithms have great success on hyperspectral images.