Kernel Extreme Learning Machine for Hyperspectral Image Classification

Hiperspektral görüntüler, zengin spektral bilgi içerdiklerinden dolayı uzaktan algılama başta olmak üzere birçok alanda etkin bir şekilde kullanılmaktadır. Yüksek spektral boyutu ve karmaşık yapılarından dolayı, hiperspektral görüntülerin sınıflandırılmasında bazı sıkıntılar yaşanmaktadır ve bu nedenle sınıflandırma işlemlerinde ileri düzey algoritmalar (topluluk öğrenme algoritmaları, çekirdek tabanlı yöntemler vb.) tercih edilmektedir. Bu çalışma kapsamında, çekirdek tabanlı aşırı öğrenme makinesinin (ÇAÖM) hiperspektral görüntü sınıflandırmadaki kabiliyeti araştırılmış ve sınıflandırma performansı, iki farklı makine öğrenme algoritması (destek vektör makineleri ve rastgele orman) ile karşılaştırılmıştır. Çalışma kapsamında “Indian Pines” hiperspektral veri seti kullanılmıştır ve çalışma alanında 16 adet arazi örtüsü sınıfı bulunmaktadır. Boyut indirgeme amacıyla veriye temel bileşenler analizi yöntemi uygulanmıştır. Sınıflandırma işlemi hem orijinal hiperspektral verisine hem de temel bileşenler analizi ile boyutu indirgenmiş veriye uygulanmıştır. Boyut indirgeme işlemi sonucunda ilk 40 temel bileşen bant olarak seçilmiştir. En yüksek sınıflandırma doğrulukları hem orijinal veri seti için (%91,64) hem de boyutu indirgenmiş veri seti için (%83,45) DVM yöntemi ile elde edilmiştir. Ayrıca, orijinal veri setinin sınıflandırılması ile elde edilen doğrulukların boyutu indirgenmiş verinin sınıflandırması ile elde edilen doğruluklardan daha yüksek olduğu tespit edilmiştir.