Dimension reduction methods for hyperspectral imagery

Abstract

Hiperspektral Görüntüler, tek bant ve çok bantlı görüntülere kıyasla çok büyük boyutlara sahiptir. Bu durum, hiperspektral görüntülerin yüksek çözünürlüklü yüzlerce spektral bant içermesinden kaynaklanmaktadır. Bu nedenle, hiperspektral veri işleme, depolama ve iletme üzerinde uğraşılması gereken önemli konulardır. Ayrıca spektral bantların sayısının artmasıyla belirli bir sınıflandırma yöntemini eğitmek için gerekli örnek boyutunun katlanarak (eksponensiyel olarak) arttığı bir gerçektir. Bu sorunlarla başa çıkmak için ya eğitim veri boyutu genişletilmeli ya da hiperspektral görüntülerin boyut büyüklüğü bazı boyut indirgeme teknikleriyle azaltılmalıdır. Bu tez çalışmasında eğitimli ve eğitimsiz boyut indirgeme yöntemleri incelenmektedir ve bazı yeni yöntemler sunulmaktadır. Sunulan yöntemler, sınıflandırma doğruluğunu mümkün olduğu kadar muhafaza ederek hiperspektral verinin boyutunu azaltmayı ve düşük hesaplama karmaşıklığı ile indirgenmiş boyuta ulaşmayı hedeflemektedir.

Hyperspectral Images has huge dimensions of data compared to single band or multispectral band images. This results from the fact that it contains hundreds of spectral bands with a high spectral resolution. Therefore, hyperspectral data processing, storing, and transmitting are critical issues to deal with. Additionally, it is a fact that required sample size for training a specific classification method increases exponentially with increasing number of spectral bands. In order to handle these problems, either the training data size has to be enlarged or dimensionality of hyperspectral images has to be reduced with some dimension reduction techniques. In this thesis, supervised and unsupervised dimension reduction methods are investigated, and some new methods are proposed. The proposed methods aim to reduce the dimensionality of the hyperspectral data before classification while preserving the classification accuracy as much as possible and to achieve reduced dimension with a low computational complexity.