0 Uzaktan Algılama da Boyut İndirgeme Yöntemleri

Tweet

Uzaktan Algılanmış görüntülerde boyut indirgeme;

•          Özellik çıkarımı (veya dönüşümü) (Feature Extraction)

•          Band seçimi (Band Selection) yöntemleri ile sağlanmaktadır.

Özellik Çıkarımı Yöntemleri

   Doğrusal                                                     Doğrusal Olmayan

   Ana Bileşenler Analizi (PCA)                         Eşölçülü Özellik Dönüşümü (ISOMAP)

   Bağımsız Bileşenler Analizi (ICA)                   Yerel Doğrusal Yerleştirme (LLE)

   Maksimum Gürültü Kesri (MNF)

   Doğrusal Diskriminant Analizi (LDA)

Uydu görüntüleri veri işleme aşamalarında hesapsal yükten kurtulmak için vektörleştirilerek işlenirler. Görüntülerin vektörleştirilmesi bir piksele ait spektral değerlerin bütün bandlardaki karşılığının elde edilmesiyle olur. Bir uydu görüntüsünden yatay ve düşeydeki piksellerin çarpımı kadar vektör verisi oluşturulur.

Uzaktan Algılama görüntülerinin sahip olduğu yüksek band sayısına rağmen (sahip oldukları korelasyondan dolayı) birkaç band bilgilerin büyük çoğunluğunu temsil edebilir. Bu sebepten dolayı, Uzaktan Algılanmış görüntüler “Boyut İndirgeme” yöntemleri sayesinde orijinal verideki ana özellikler korunarak daha düşük boyuta indirgenebilirler.

Boyut azaltma işleminin amacı; verinin daha az ancak etkili özelliklerini yüksek boyutlu uzaydan düşük boyutlu uzaya aktarmaktır.

Uzaktan Algılanmış görüntülerde boyut indirgemede iki yaklaşım kullanılır. Bunlar;

•          Band seçimi (Band Selection)

•          Özellik  (Detay) çıkarımı (Feature Extraction) yöntemleridir.

Özellik (Detay) Çıkarımı yöntemleri doğrusal ve doğrusal olmayan yöntemler olarak ikiye ayrılmaktadır.

Doğrusal boyut indirgeme algoritmaları veri setlerini doğrusal izdüşüm yöntemlerini kullanarak boyut indirgemeyi amaçlar.

Birçoğu bölgesel komşulukları koruma prensibine dayalı olan doğrusal olmayan yöntemler bazı durumlarda doğrusal yöntemlere göre daha iyi sonuç verebilirler. Ancak doğrusal olmayan boyut indirgeme algoritmalarının en büyük dezavantajı uzaktan algılama görüntüleri gibi büyük miktardaki verilerde oldukça uzun hesapsal zamana ihtiyaç duymaları ve yakınsama problemidir.

Ana Bileşenler Analizi; Aralarında yüksek korelasyon bulunan çok değişkenli verileri, aralarında korelasyon olmayan yeni bir koordinat sistemine dönüştüren doğrusal bir dönüşümdür.

ABA mümkün olduğunca varyansı en yüksek olan verinin düşük boyutlu gösterimini oluşturur.

Ana Bileşenler Analizinde yeni değişkenler orijinal korelasyonlu değişkenlerin özvektörlerle çarpımından elde edilir. Özvektörlerin hesabı ise veri setinin kovaryans matrisi ile veya korelasyon matrisi kullanılarak yapılabilir.

PCA ’nın temel ilkesi;

Görüntü vektör uzayında, veriler arasındaki korelasyonun ortadan kalktığı veya en aza indiği yeni bir koordinat sisteminin araştırılmasıdır.

Ana Bileşenler Analizi Uzaktan algılamada;

•          Görüntü sıkıştırmada,

•          Görüntü iyileştirmede,

•          Değişim belirlemede,

•          Görüntü birleştirilmesinde,

•          Sınıflandırma öncesinde sınıflandırmaya katılacak bandların sayısının azaltılmasında,

•          Yapay sinir ağlarında özellik çıkarımında kullanılmaktadır.

Ana Bileşenler Analizinde amaç U dönüşüm matrisinin elde edilmesidir. Bunun için özdeğer ve özvektör hesabından yararlanılır. Özdeğer ve özvektörlerin elde edilebilmesi için veri kümesine ait kovaryans matrisinin bilinmesi gereklidir.

Gönderen: Özer Akyürek (Araştırma Görevlisi, KOU)