Kenar Koruyan Filtreler ve İçsel Görüntü Ayrıştırma ile Gürbüz Hiperspektral Öznitelik Çıkartımı

Spektral-uzamsal öznitelik çıkartımı yöntemleri, hiperspektral görüntülerin sınıflandırılması için etkin bir yol sunmaktadır. Buna rağmen, bu yöntemlerin performansları, farklı veri kümlerine, sınıflandırıcı tipine, eğitimde kullanılan örnek sayısına, veri kümesindeki gürültü ve yumuşuma seviyesine göre azalabilmektedir. Bu makalede, bahsedilen terimler gürbüzlük kriterleri olarak isimlendirilmektedir. Bu makalede öncelikle literatürdeki öznitelik çıkartımı yöntemlerindeki her bir gürbüzlük teriminin etkisi tartışılmaktadır. İkinci olarak, bu problemleri çözmek için hiperspektral görüntülerin sınıflandırılması için gürbüz bir öznitelik çıkartımı yöntemi önerilmektedir. Önerilen yöntem öncelikte boyut azaltımı uygulamakta ve sonrasında çoklu kenar koruyan filtreler ve içsel görüntü ayrıştırma yöntemiyle öznitelikleri çıkartmaktadır. Deneylerde her bir gürbüzlük kriteri incelenmiş ve sonuçlar literatürdeki güncel öznitelik yöntemleriyle karşılaştırılmıştır. Deneysel sonuçlar, önerilen yöntem sadece az eğitim örneği sayısındaki farklı sınıflandırıcıların sınıflandırma başarımlarında daha iyi sonuç vermekle kalmayıp aynı zamanda gürültü ve yumuşama etkisine sahip farklı veri kümelerinde gürbüz bir performans sunmaktadır.

Robust Hyperspectral Feature Extraction Method Using Edge Preserving Filters and Intrinsic Image Decomposition

Spectral-spatial feature extraction methods present an effective way forclassification of hyperspectral images. However, performances of thesemethods may decrease depending on different data sets, classifier type,number of training samples, noise and smoothness level of data sets. In thispaper, these terms are called as robustness criteria. This paper firstdiscusses the effects of each robustness criteria for the feature extractionmethods in the state-of-the-art. Secondly, a robust feature extraction methodthat can solve the aforementioned problems is proposed for hyperspectralimage classification. The proposed method first performs dimensionalityreduction and then extracts features using multiple edge preserving filtersand intrinsic image decomposition method. Each robustness criteria isthoroughly examined in experiments and the results are compared with thestate-of-the-art feature extraction methods. Experimental resultsdemonstrate that the proposed method not only achieves betterclassification accuracies for different classifiers at lower training samplesbut also presents robust performance on different data sets that includesnoise and smoothness effects.

PDF

___

[1] P. Ghamisi, N. Yokoya, J. Li, W. Liao, S. Liu, J. Plaza, B. Rasti, and A. Plaza, "Advances in hyperspectral image and signal processing: a comprehensive overview of the state of the art,” IEEE Geosci. Remote Sens. Mag., vol. 5, pp. 37-78, December 2017.
[2] L. He, J. Li, C. Li, and S. Li, "Recent advances on spectral–spatial hyperspectral image classification: an overview and new guidelines," IEEE Trans. Geosci. Remote Sens., vol. 56, pp. 1579-1597, March 2018.
[3] M. Dalla Mura, A. Villa, J. A. Benediktsson, J. Chanussot, and L. Bruzzone, "Classification of hyperspectral images by using extended morphological attribute profiles and independent component analysis," IEEE Geosci. Remote Sens. Lett., vol. 8, pp. 542-546, May 2011.
[4] L. He, J. Li, A. Plaza, and Y. Li, "Discriminative low-rank gabor filtering for spectral–spatial hyperspectral image classification," IEEE Trans. Geosci. Remote Sens., vol. 55, pp. 1381-1395, March 2017.
[5] H. C. Li., H. L. Zhou, L. Pan, and Q. Du, "Gabor feature-based composite kernel method for hyperspectral image classification," IET Electronics Letters, vol. 54, pp. 628-630, May 2018.
[6] X. Kang, S. Li, L. Fang, and J. A. Benediktsson, "Intrinsic image decomposition for feature extraction of hyperspectral images," IEEE Trans. Geosci. Remote Sens., vol. 53, pp. 2241-2253, 2015.
[7] X. Kang, S. Li, and J. A. Benediktsson, "Spectralspatial hyperspectral image classification with edgepreserving filtering," IEEE Trans. Geosci. Remote Sens., vol. 52, pp. 2666-2677, May 2014.
[8] X. Kang, S. Li, and J. A. Benediktsson, "Feature extraction of hyperspectral images with image fusion and recursive filtering," IEEE Trans. Geosci. Remote Sens., vol. 52, pp. 3742-3752, June 2014.
[9] X. Kang, X. Xiang, S. Li, and J. A. Benediktsson, "PCA based edge-preserving features for hyperspectral image classification," IEEE Trans. Geosci. Remote Sens., vol. 55, pp. 7140-7151, December 2017.
[10] F. Melgani, and L. Bruzzone, "Classification of hyperspectral remote sensing images with support vector machines," IEEE Trans. Geosci. Remote Sens., vol. 42, pp. 1778-1790, August 2004.
[11] J. Bioucas-Dias, and M. Figuerieredo, "Logistic regression via variable splitting and augmented lagrangian tools," Inst. Superior Técnico, Tech. Rep., Lisbon, Portugal, August 2009.
[12] J. Shen, X. Yang, X. Li, and Y. Jia, "Intrinsic ımage decomposition using optimization and user scribbles," IEEE Trans. Geosci. Remote Sens., vol. 43, pp. 425-436, April 2013.
[13] S. Bell K. Bala, and N. Snavely, "Intrinsic images in the wild," ACM Transactions on Graphics (SIGGRAPH), vol. 33, pp. 159-180, July 2014.
[14] E. S. Gastal, and M. M. Oliveria, "Domain transform for edge-aware image and video processing," ACM Transactions on Graphics (ToG), vol. 30, pp. 69-80, July 2011.