Hiperspektral görüntülerin graf tabanlı boyut indirgenerek sınıflandırılmasında parçacık sürü optimizasyonu yaklaşımı
Yükleniyor...
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Hiperspektral görüntü verilerinden hem uzamsal hem spektral öznitelik çıkarımı ile analiz işlemi için gerekli detaylı bilgiler elde edilmektedir. Yüksek boyutlu görüntü verilerinin daha düşük boyutlu temsillerini sağlamada Laplacian Özharitaları (LÖ) ve Schrödinger Özharitaları (SÖ) graf tabanlı boyut azaltma algoritmalarının etkili olduğu bilinmektedir. Ancak bu yöntemler kapsamında kullanılan boyut azaltma parametresi değerinin literatürde sabit bir değer olarak kullanıldığı görülmektedir. Önerdiğimiz çalışma kapsamında bu parametre Parçacık Sürü Optimizasyounu (PSO) ile optimize edilmiştir. Öncelikle görüntüden Basit Doğrusal Yinelemeli Kümeleme (BDYK) algoritması ile kümelenmiş süperpikseller elde edilmiştir. Daha sonra süperpikseller graf veri yapısına dönüştürülüp girdi olarak LÖ ve SÖ algoritmalarına verilmiştir. Boyut azaltma işlemi sürecinde elde edilen farklı boyutlar için araya eklenen PSO algoritması ile en iyi özvektör değeri hesaplanmaktadır. En iyi özvektör değeri Indian Pines, Salinas ve Pavia Üniversitesi veri setleri için, 130, 120 ve 40 olarak hesaplanmıştır. Son aşamada optimizasyon tabanlı yöntemle elde edilen en iyi sonuçlar üzerinde Destek Vektör Makinesi (DVM) ile sınıflandırma işlemi gerçekleştirilmiştir. Tüm veri setleri için sınıflandırma doğruluklarının en iyi özvektör değeri ile arttırılması sağlanmıştır.
By extracting both spatial and spectral features from hyperspectral image data, detailed information required for the analysis process is obtained. It is important to provide lower dimensional representations of high-dimensional image data and Laplacian Eigenmaps (LÖ) and Schrödinger Eigenmaps (SÖ) graph-based dimension reduction algorithms are known to be effective for this. However, it is seen that the dimensionality reduction parameter value used in these methods is used as a fixed value in the literature. In our proposed work, this parameter is optimized with Particle Swarm Optimization (PSO). First, superpixels clustered by Simple Linear Iterative Clustering (LLICC) algorithm are obtained from the image. Then, the superpixels are transformed into a graph data structure and given as input to the LÖ and SÖ algorithms. The best eigenvector value is calculated with the PSO algorithm added for different dimensions obtained during the dimensionality reduction process. The best eigenvector values were calculated as 130, 120 and 40 for Indian Pines, Salinas and Pavia University datasets. In the last stage, classification process was performed with Support Vector Machine (SVM) on the best results obtained with the optimization-based method. Classification accuracies for all data sets were increased with the best eigenvector value.
Açıklama
Anahtar Kelimeler
Boyut indirgeme, DVM, Hiperspektral, PSO, Sınıflandırma, Dimension reduction, SVM, Hyperspectral, Classificiation
Kaynak
Gümüşhane Üniversitesi Fen Bilimleri Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
14
Sayı
4
