Sınır Özniteliklerinin Belirlenmesi Ve Adaptasyonu: Uzaktan Algılama Görüntülerinin Sınıflandırılması İçin Yeni Bir Algoritma

Abstract

Uzaktan algılama datalarının sınıflandırılmasında, genellikle, eğitim için kullanılan örneklerin sayısı sınırlıdır. Sınırlı sayıda eğitim kümesi elemanı, özellikle öznitelik vektörünün boyutunun büyük olduğu hiperspektral datalarda, parametrik sınıflayıcıların kullanımını kısıtlar. Bu yüzden, bu çalışmada, sınır özniteliklerinin belirlenmesi ve adaptasyonu algoritması (SÖBA) tanıtılmıştır. SÖBA algoritması iki bölümden oluşur. İlk aşamada sınır öznitelik vektörlerinin başlangıç değerleri uygun eğitim kümesi elemanlarından atanır. Bu atama işlemiyle yönetilebilir sayıda sınır özniteliği vektörü elde edilir. Daha sonra uygulanan adaptasyon işlemiyle, learning vector quantization’ na (LVQ) benzer bir yapıda öğrenme süreci gerçekleştirilerek sınır özniteliklerinin, sonuç değerlerine ulaşması hedeflenir. Sınıflandırma sonuç sınır öznitelik vektörlerine olan en yakın 1 komşuluk (1-NN) kuralı uyarınca yapılır. Ek olarak, SÖBA algoritmasının sınır öznitelik vektörlerinin başlangıç değerlerine ve eğitim kümesi elemanlarının eğitimde kullanılma sırasına bağlı olarak her çalışmasında kabul edilebilir derecede farklı sonuçlar vermesi, konsensüs yapılarda kullanılması için elverişli bir özelliktir. Böylece birçok defa çalıştırılan SÖBA kararlarının birleştirilmesiyle tek bir sınıflayıcının aldığı karardan çok daha doğru kararlar elde edilir.In general, there is a limited number of training samples in remote sensing data classification. Use of parametric classification algorithms has some difficulties related to appropriate parameter estimation, especially for hyperspectral data which has a very large number of attributes (bands, features). In this study, border feature detection and adaptation algorithm (BFDA) is introduced as a nonparametric classifier to overcome classification problems with a limited number of training samples. The BFDA consist of two parts. In the first part of the algorithm, some selected training samples are assigned as initial reference vectors called border feature vectors. In the second part of the algorithm, the border feature vectors are moved to the decision boundary by using an adaptation process which has some similarity with learning vector quantization algorithm (LVQ). At the end of the adaptation process, border feature vectors reach their final values. The method next uses the 1- Nearest Neighbor (1-NN) algorithm with these border feature vectors. In addition, the BFDA’s performance is related to orders of the training vectors. Therefore, the results of the individual runs of the BFDA are convenient to be combined by an appropriate consensual rule.