Uydu görüntülerinin sınıflandırılmasında boyut indirgeme tabanlı yöntemlerin analizi

Abstract

Hiperspektral görüntü analizi uzaktan algılamada kritik öneme sahiptir, ancak verinin yüksek boyutluluğu, yüksek hesaplama maliyetleri ve sınıf dengesizliği nedeniyle veri seti değerlendirilirken zorluklar oluşmaktadır. Bu zorlukların üstesinden gelmek için bu tez üç farklı ve tamamlayıcı metodolojik yaklaşım önerir. İlk olarak, Bellman-Ford algoritmasına dayalı bir boyut azaltma yöntemi geliştirilmiştir. SMOTE veri denge tekniği ve bir SVM sınıflandırıcı ile birleşerek, bu yöntem Indian Pines setinin bantlarını 200'den 90'a düşürerek doğruluğu %94,4'e çıkarmıştır. İkinci olarak, özellik seçimini optimize etmek için genetik algoritma kullanılmıştır. Bu yaklaşım, geleneksel yöntemlerden daha verimli oldu; Indian Pines bantlarını 85'e (%93,44 doğruluk) ve Kennedy Uzay Merkezi (KSC) bantlarını 176'dan 78'e (%95,77 doğruluk) düşürdü. Üçüncü olarak, tamamen spektral analizin sınırlamalarını aşmak için spektrouzamsal hibrit model tanıtıldı. SLIC süper piksel segmentasyonu, ana bileşen analizi (PCA) ve rastgele orman algoritmasını birleştirir. Son yöntem, geleneksel yaklaşımları çok geride bırakarak Pavia Üniversitesi veri setinde %99,72 hassasiyet elde etmiş ve azınlık sınıflara karşı güçlü bir dayanıklılık sergilemiştir. Sonuç olarak, bu farklı optimizasyon ve makine öğrenimi tekniklerinin entegrasyonu, tarım ve çevresel izleme gibi gerçek dünya uygulamaları için hiperspektral verilerin potansiyelini açığa çıkaran hızlı, doğru ve hesaplama açısından uygun maliyetli çözümler sunmaktadır.

Hyperspectral image analysis is critical in remote sensing, but challenges arise when evaluating the dataset due to the high dimensionality of the data, high computational costs, and class imbalance. To overcome these challenges, this thesis proposes three different and complementary methodological approaches. First, a dimensionality reduction method based on the Bellman-Ford algorithm was developed. Combined with the SMOTE data equilibrium technique and an SVM classifier, this method reduced the bands of the Indian Pines set from 200 to 90, increasing the accuracy to 94.4%. Second, the genetic algorithm was used to optimize the trait selection. This approach was more efficient than traditional methods; it reduced the Indian Pines bands to 85 (93.44% accuracy) and the Kennedy Space Center (KSC) bands from 176 to 78 (95.77% accuracy). Third, the spectrospatial hybrid model was introduced to overcome the limitations of purely spectral analysis. SLIC combines superpixel segmentation, principal component analysis (PCA), and random forest algorithm. The latter method has achieved a precision of 99.72% in the University of Pavia dataset, far surpassing traditional approaches, demonstrating strong resilience against minority classes. In conclusion, the integration of these different optimization and machine learning techniques offers fast, accurate, and computationally cost-effective solutions that unlock the potential of hyperspectral data for real-world applications such as agriculture and environmental monitoring.