Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma

Kazım Hanbay

doi:10.17341/gazimmfd.479086

Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma

Öz

Bu çalışmada 2-boyutlu karmaşık Gabor filtreleme ve derin evrişimsel sinir ağları kullanılarak yeni bir hiperspektral görüntü sınıflandırma yöntemi önerilmiştir. Derin öğrenilen ve Gabor özellik çıkarma metodolojileri giriş hiperspekral örnekler üzerinde eş zamanlı olarak gerçekleştirilmiştir. Görüntülerin Gabor özellikleri çoklu yönelim ve frekanslarda hesaplanır. Sonra derin özellikler ve Gabor özellikleri daha güçlü ve ayırt edici özellik vektörü elde etmek için birleştirilir. Hibrit özellik vektörü hiperspektral görüntü sınıflandırmak için softmax sınıflandırıcıya giriş olarak kullanılır. İki hiperspektral veri seti üzerinde gerçekleştirilen deneyler önerilen yöntemin bazı geleneksel yöntemlerden daha iyi sınıflandırma performansı elde edebildiğini göstermiştir.

Anahtar Kelimeler

Hiperspektral görüntü sınıflandırma,derin öğrenme

Kaynakça

1 Kang, X., Zhang, X., Li, S., Li, K., Li, J., Benediktsson, J.A., Hyperspectral Anomaly Detection With Attribute and Edge-Preserving Filters, IEEE Trans. Geosci. Remote Sens., 55 (10), 5600–5611, 2017.
2 Lanthier, Y., Bannari, A., Haboudane, D., Miller, J.R., Tremblay, N., Hyperspectral Data Segmentation and Classification in Precision Agriculture: A Multi-Scale Analysis, IEEE International Geoscience and Remote Sensing Symposium, 585-588, 2008.
3 Hörig, B., Kühn, F., Oschütz, F., Lehmann, F., HyMap hyperspectral remote sensing to detect hydrocarbons, Int. J. Remote Sens., 22 (8), 1413–1422, 2001.
4 Blanzieri, E., Melgani, F., Nearest Neighbor Classification of Remote Sensing Images With the Maximal Margin Principle, IEEE Trans. Geosci. Remote Sens., 46 (6), 1804–1811, 2008.
5 Melgani, F., Bruzzone, L., Classification of hyperspectral remote sensing images with support vector machines, IEEE Trans. Geosci. Remote Sens., 42 (8), 1778–1790, 2004.
6 Ratle, F., Camps-Valls, G., Weston, J., Semisupervised Neural Networks for Efficient Hyperspectral Image Classification, IEEE Trans. Geosci. Remote Sens., 48 (5), 2271–2282, 2010.
7 Kang, X., Li, S., Fang, L., Benediktsson, J.A., Intrinsic Image Decomposition for Feature Extraction of Hyperspectral Images, IEEE Trans. Geosci. Remote Sens., 53 (4), 2241–2253, 2015.
8 Prasad, S., Bruce, L.M., Limitations of Principal Components Analysis for Hyperspectral Target Recognition, IEEE Geosci. Remote Sens. Lett., , 5 (4), 625–629, 2008.

9 Tarabalka, Y., Fauvel, M., Chanussot, J., Benediktsson, J.A., SVM- and MRF-Based Method for Accurate Classification of Hyperspectral Images, IEEE Geosci. Remote Sens. Lett., 7 (4), 736–740, 2010.
10 Li, L., Wang, C., Li, W., Chen, J., Hyperspectral image classification by AdaBoost weighted composite kernel extreme learning machines, Neurocomputing, 275, 1725–1733, 2018.
11 Li, W., Du, Q., Zhang, F., Hu, W., Hyperspectral Image Classification by Fusing Collaborative and Sparse Representations, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 9 (9), 4178–4187, 2016.
12 Debba, P., van Ruitenbeek, F.J.A., van der Meer, F.D., Carranza, E.J.M., Stein, A., Optimal field sampling for targeting minerals using hyperspectral data, Remote Sens. Environ., 99 (4), 373–386, 2005.
13 Li, Y., Xie, W., Li, H., Hyperspectral image reconstruction by deep convolutional neural network for classification, Pattern Recognit., 63, 371–383, 2016.
14 Yu, S., Jia, S., Xu, C., Convolutional neural networks for hyperspectral image classification, Neurocomputing, 219 (5), 88–98, 2017.
15 Chen, Y., Lin, Z., Zhao, X., Wang, G., Gu, Y., Deep Learning-Based Classification of Hyperspectral Data, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 7 (6), 2094–2107, 2014.
16 Hu, W., Huang, Y., Wei, L., Zhang, F., Li, H., Deep Convolutional Neural Networks for Hyperspectral Image Classification, J. Sensors, 2015, 1–12, 2015.
17 Zabalza, J., Ren, J., Zheng, J., et al., Novel segmented stacked autoencoder for effective dimensionality reduction and feature extraction in hyperspectral imaging, Neurocomputing, 185, 1–10, 2016.
18 Li, W., Wu, G., Zhang, F., Du, Q., Hyperspectral Image Classification Using Deep Pixel-Pair Features, IEEE Trans. Geosci. Remote Sens., 55 (2), 844–853, 2017.
19 Kang, X., Li, C., Li, S., Lin, H., Classification of Hyperspectral Images by Gabor Filtering Based Deep Network, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 11 (4), 1166–1178, 2018.
20 Shi, C., Pun, C.-M., 3D multi-resolution wavelet convolutional neural networks for hyperspectral image classification, Inf. Sci., 420, 49–65, 2017.
21 Cai, L., Zhu, J., Zeng, H., Chen, J., Cai, C., Ma, K.-K., HOG-assisted deep feature learning for pedestrian gender recognition, J. Franklin Inst., 355 (4), 1991–2008, 2018.
22 Altun, A.A., Allahverdi, N., A new approach to recognition of fingerprints enhanced by filtering techniques with artifıcial neural networks, J. Fac. Eng. Archit. Gazi Univ., 22 (2), 227–236, 2007.
23 Kim, J., Um, S., Min, D., Fast 2D Complex Gabor Filter With Kernel Decomposition, IEEE Trans. Image Process., 27 (4), 1713–1722, 2018.
24 Bernardino, A., Santos-Victor, J., Fast IIR Isotropic 2-D Complex Gabor Filters With Boundary Initialization, IEEE Trans. Image Process., 15 (11), 3338–3348, 2006.
25 Kavitha, K., Arivazhagan, S. Fuzzy inspired image classification algorithm for hyperspectral data using three-dimensional log-Gabor features, Opt. - Int. J. Light Electron Opt., 125 (20), 6236–6241, 2014.
26 Zhang, J., Zhao, H., Liang, J., Continuous rotation invariant local descriptors for texton dictionary-based texture classification, Comput. Vis. Image Underst., 117 (1), 56–75, 2013.
27 Kaya, A., Keçeli, A.S., Can, A.B., Examination of various classification strategies in classification of lung nodule characteristics, J. Fac. Eng. Archit. Gazi Univ., 2018, https://doi.or./10.17341/gazimmfd.416530.
28 Bergstra, J., Bastien, F., Breuleux, O., et al., Theano: Deep Learning on GPUs with Python - LISA - Publications - Aigaion 2.0’, in Proceedings of the NIPS, Big Learning Workshop, 712–721, 2011.
29 Li, W., Chen, C., Su, H., Du, Q., Local Binary Patterns and Extreme Learning Machine for Hyperspectral Imagery Classification, IEEE Trans. Geosci. Remote Sens., 53 (7), 3681–3693, 2015.

Ayrıntılar

Birincil Dil

Türkçe

Konular

-

Bölüm

Araştırma Makalesi

Yazarlar

Kazım Hanbay ^*
0000-0003-1374-1417
Türkiye

Yayımlanma Tarihi

25 Ekim 2019

Gönderilme Tarihi

5 Kasım 2018

Kabul Tarihi

22 Nisan 2019

Yayımlandığı Sayı

Yıl 2020 Cilt: 35 Sayı: 1

DOI

https://doi.org/10.17341/gazimmfd.479086

IZ

https://izlik.org/JA84GA54PB

Kaynak Göster

RIS / Bibtex

APA

Hanbay, K. (2019). Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(1), 443-456. https://doi.org/10.17341/gazimmfd.479086

AMA

1.Hanbay K. Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma. GUMMFD. 2019;35(1):443-456. doi:10.17341/gazimmfd.479086

Chicago

Hanbay, Kazım. 2019. “Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 35 (1): 443-56. https://doi.org/10.17341/gazimmfd.479086.

EndNote

Hanbay K (01 Ekim 2019) Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 35 1 443–456.

IEEE

[1]K. Hanbay, “Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma”, GUMMFD, c. 35, sy 1, ss. 443–456, Eki. 2019, doi: 10.17341/gazimmfd.479086.

ISNAD

Hanbay, Kazım. “Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 35/1 (01 Ekim 2019): 443-456. https://doi.org/10.17341/gazimmfd.479086.

JAMA

1.Hanbay K. Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma. GUMMFD. 2019;35:443–456.

MLA

Hanbay, Kazım. “Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 35, sy 1, Ekim 2019, ss. 443-56, doi:10.17341/gazimmfd.479086.

Vancouver

1.Kazım Hanbay. Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma. GUMMFD. 01 Ekim 2019;35(1):443-56. doi:10.17341/gazimmfd.479086

4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı

Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

https://doi.org/10.17341/gazimmfd.901291

Optimization Strategy of a Stacked Autoencoder and Deep Belief Network in a Hyperspectral Remote-Sensing Image Classification Model

Discrete Dynamics in Nature and Society

https://doi.org/10.1155/2023/9150482

Enhancing Image Classification Performance through Discrete Cosine Transformation on Augmented Facial Images using GANs

Computer Science

https://doi.org/10.53070/bbd.1361811

Enhancing Brain Tumor Detection on MRI Images Using an Innovative VGG-19 Model-Based Approach

Sakarya University Journal of Science

https://doi.org/10.16984/saufenbilder.1302803

Enhancing Geometry Education through Deep Learning Models: Addressing Challenges in Three-Dimensional Shape Visualization

Türk Doğa ve Fen Dergisi

https://doi.org/10.46810/tdfd.1639446

Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma

Evrişimsel sinir ağı ve iki-boyutlu karmaşık gabor dönüşümü kullanılarak hiperspektral görüntü sınıflandırma

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

MiniVGGNet Kullanılarak Hiperspektral Görüntü Sınıflandırma

Derin Öğrenme Yöntemleri ile Arıların Sağlık Durumunun Tespit Edilmesi

Classification of organic and conventional olives using convolutional neural networks

4CF-Net: Hiperspektral uzaktan algılama görüntülerinin spektral uzamsal sınıflandırılması için yeni 3B evrişimli sinir ağı

3 Boyutlu Evrişimsel Sinir Ağı kullanılarak Hiperspektral Görüntülerin Sınıflandırılması

A modified SLIC-based superpixel segmentation for hyperspectral images

YÜZ GÖRÜNTÜLERİNE AYRIK KOSİNÜS DÖNÜŞÜMÜ UYGULANARAK GÖRÜNTÜ SINIFLANDIRMA SONUÇLARININ İYİLEŞTİRİLMESİ

Deprem Sonrası Bina Yüzeylerinde Meydana Gelen Çatlakların Tespitinde Sınıflandırma Modellerinin Karşılaştırılması

Multipath feature fusion for hyperspectral image classification based on hybrid 3D/2D CNN and squeeze-excitation network

Spektral ayrıştırma ve komşu piksel ilişkisi temelli hiperspektral ve multispektral görüntülerin kaynaştırılması

Optimization Strategy of a Stacked Autoencoder and Deep Belief Network in a Hyperspectral Remote-Sensing Image Classification Model

Enhancing Image Classification Performance through Discrete Cosine Transformation on Augmented Facial Images using GANs

Enhancing Brain Tumor Detection on MRI Images Using an Innovative VGG-19 Model-Based Approach

Enhancing Geometry Education through Deep Learning Models: Addressing Challenges in Three-Dimensional Shape Visualization