KÇ3B-ESA: Hiperspektral Görüntü Sınıflandırması için Yeni 3B Evrişimli Sinir Ağı ve Uzaktan Algılama Uygulaması

Abstract

Hiperspektral Görüntüleme (HSG) uzamsal ve spektral bilgiyi içeren yüzlerce banttan oluşur. HSG verileri sınıflandırılırken uzamsal özelliklerin yanında spektral özelliklerinde elde edilmesi büyük önem taşır. Bu çalışmada hem uzamsal hem de spektral bilgilerin elde edilmesi için yeni bir derin öğrenme modeli önerilmiştir. Öncelikle, HSG verilerinin boyutlarının büyük olmasından dolayı tüm verilere Temel Bileşen Analizi (TBA) uygulanarak uzamsal boyut değişmeyecek şekilde spektral boyut küçültülmüştür. Daha sonra yeni bir yöntem olan, HSG verilerinin sınıflandırıldığı çalışmalarda yer alan, Komşuluk Çıkarımı (KÇ) yöntemi kullanılmıştır. Bu yöntem ile tüm pikselleri tarayacak şekilde mini küpler oluşturularak örnek sayısı artırılmıştır. Son olarak oluşturulan bu küpler 3B konvolüsyon katmanlarının bulunduğu 3B-Evrişimli Sinir Ağı (3B-ESA) modeli ile eğitilmiştir. Bu sayede daha anlamlı özelliklerin elde edilmesi sağlanmıştır. Önerilen modeli test etmek için Indian Pines (IP), Salinas Scene (SA) ve Pavia University (PU) uzaktan algılama veri setleri kullanılarak HSG sınıflandırma deneyleri yürütülmüştür. Yürütülen bu deneyler sonucunda tüm veri setleri için genel doğruluk (GD), kappa katsayısı (KC) ve ortalama doğruluk (OD) değerleri hesaplanarak sınıflandırma performansı değerlendirilmiştir. Sınıflandırma işlemi sonucunda IP veri seti için %99.10 GD, %98.97 KC, %96.23 OD; SA veri seti için %100 GD, %100 KC, %100 OD; ve son olarak PU veri seti için %99.90 GD, %99.87 KC, %99.67 OD doğruluk oranları elde edilmiştir. Daha sonra bu sonuçlar gelişmiş derin öğrenme tabanlı metotlarla karşılaştırılarak, önerilen KÇ3B-ESA modelinin çok daha iyi bir performans gösterdiği kanıtlanmıştır.