3 boyutlu evrişimsel sinir ağı kullanılarak hiperspektral görüntülerin sınıflandırılması

Abstract

Hiperspektral görüntü sınıflandırma, uzaktan algılanan görüntülerin analizi için yaygın olarak kullanılmaktadır. Bir hiperspektral görüntü, uygulamalarda büyük potansiyele sahip olan yer nesnelerinin zengin spektral bilgilerini ve uzamsal bilgilerini içermektedir. Spektral uzamsal bilgi kullanımı hiperspektral görüntü sınıflandırmasının performansını önemli ölçüde arttırmaktadır. Hiperspektral görüntüler, 3B küpler biçiminde gösterilmektedir. Bu nedenle, 3B uzamsal filtreleme, bu tür görüntülerdeki spektral uzamsal özellikleri eşzamanlı olarak çıkarmak için doğal olarak basit ve etkili bir yöntem sunmaktadır. Bu çalışmada, hiperspektral görüntü sınıflandırması için bir 3B evrişimli sinir ağı (3B ESA) yöntemi önerilmiştir. Önerilen yöntem, derin spektral uzamsal birleştirilmiş özellikleri etkin bir şekilde çıkarmaktadır. Aynı zamanda herhangi bir ön işleme veya son işleme dayanmadan hiperspektral görüntü küpü verileri toplu olarak görüntülemektedir. Hiperspektral görüntü küpü önce küçük üst üste binen 3B parçalara bölünmektedir. Daha sonra bu parçalar, spektral bilgileri de koruyan birden çok bitişik bant üzerinde bir 3B çekirdek işlevi kullanarak 3B özellik haritaları oluşturmak için işlenmektedir. Önerilen yöntem indian pines, pavia üniversitesi ve botswana veri setleri ile test edilmiştir. Deneysel çalışmalar sonucunda, indian pines için %99,35, pavia üniversitesi için %99,90 ve botswana için ise %99,59 genel doğruluk sonuçları elde edilmiştir. Sonuçlar, 4 farklı derin öğrenme tabanlı yöntemle karşılaştırılmıştır. Deneysel sonuçlardan, önerilen 3B ESA yöntemimizin daha iyi performans gösterdiği görülmektedir.

Hyperspectral image classification is commonly used for the analysis of remotely sensed images.A hyperspectral image contains rich spectral and spatial information of ground objects that hasgreat potentialinapplications.Theuseofspectralspatialinformationsignificantlyimproves theperformanceofhyperspectralimageclassification.Hyperspectralimagesareshownas3D cubes.Therefore,3Dspatialfilteringoffersan inherently simpleandeffective methodto simultaneouslyextractspectralspatialfeaturesinsuchimages.Inthisstudy,a3Dconvolutional neural network (3D CNN) method is proposed for hyperspectral image classification.The proposed methodeffectivelyextractsdeepspectralspatiallycombinedfeatures.Atthesametime,the hyperspectral image cube displays data in aggregate without relying on any pre-processing or post-processing. The hyperspectral image cube is first divided into small overlapping 3D patches.Then thesepatchesareprocessedtocreate3Dfeaturemapsusinga3Dkernelfunctiononmultiple adjacentbandsthatalsopreservespectralinformation.Theproposedmethodwastestedwith Indianpines,PaviauniversityandBotswanadatasets.Asaresultoftheexperimentalstudies,the overall accuracy resultswereobtained 99.35% for Indian pines,99.90% for theUniversity Pavia, and99.59%forBotswana.Theresultswerecomparedwith4differentdeeplearning-based methods.Fromtheexperimentalresults,itisseenthatourproposed3DCNNmethodperforms better.