Improving SVM Classification Accuracy with Image Fusion-Based Gabor Texture Features

Çiğdem ŞERİFOĞLU YILMAZ; Oguz GÜNGÖR

Makale detayları

Improving SVM Classification Accuracy with Image Fusion-Based Gabor Texture Features

Yazarlar:

Çiğdem ŞERİFOĞLU YILMAZ | Oguz GÜNGÖR

Yayıncı:

Halil AKINCI

Ana Başlıklar:

Mühendislik ve uygulamalı operasyonlar

Dergi:

Turkish Journal of Remote Sensing and GIS 2020 Vol.1 Issue 1, pp.34-44

Belge Tipi:

Makale

Yayın Tarihi:

3/2020

Belge Dili:

İngilizce

Document ID (Org No.):

2000672269

Sıklık:

İki Yıllık

eISSN:

2717-7165

Özet:

 


Image fusion is one of the most common techniques used to enhance the interpretability and functionality of remotely sensed data. The aim of this study was to improve the performance of the SVM (Support Vector Machines) classifier with the aid of texture features (TF) extracted from fused images. As a first step, the spatial resolution of the WorldView-2 MS (multispectral) imagery was increased by fusing it with a WorldView-2 PAN (panchromatic) image using the PCA (Principal Component Analysis), WSB (Wavelet Single Band), GS (Gram-Schmidt), BRV (Brovey), EHL (Ehlers), HCS (Hyperspherical Colour Space), HPF (High-Pass Filtering) and MCV (Multiplicative) algorithms. A PCA transform was then applied on all fused images. The first principal component obtained from each fused image was used to extract the Gabor TFs. As a final step, extracted Gabor TFs were combined with the original MS image. Resultant images were classified with the SVM algorithm to investigate to what degree the used methodology affect the classification accuracy. The results showed that the GS fusion-based Gabor TFs provided the greatest classification accuracy increase with 19.3%, whereas the PCA fusion-based Gabor TFs resulted in the second best classification accuracy increase with 18.7%. 

.

 


Görüntü kaynaştırma, uzaktan algılanan verilerin yorumlanabilirliğini ve işlevselliğini artırmak için en yaygın olarak kullanılan tekniklerden biridir. Bu çalışmanın amacı Destek Vektör Makineleri (DVM) sınıflandırma algoritmasının performansının kaynaştırılmış görüntülerden elde edilen doku özellikleri yardımıyla iyileştirilmesidir. Bu amaçla, ilk aşama olarak bir WorldView-2 çok bantlı görüntüsü bir WorldView-2 pankromatik görüntüsü ile PCA (Principal Component Analysis), WSB (Wavelet Single Band), GS (Gram-Schmidt), BRV (Brovey), EHL (Ehlers), HCS (Hyperspherical Colour Space), HPF (High-Pass Filtering) ve MCV (Multiplicative) yöntemleri kullanılarak kaynaştırılmıştır. Daha sonra her bir kaynaştırılmış görüntüye Temel Bileşenler Analizi uygulanmıştır. Her bir kaynaştırılmış görüntü için elde edilen birinci temel bileşen Gabor doku özelliklerinin çıkartılması amacıyla kullanılmıştır. Son aşama olarak da elde edilen doku özellikleri girdi çok bantlı görüntüye eklenmiştir. Elde edilen bu görüntüler DVM algoritmasıyla sınıflandırılarak kullanılan metodolojinin sınıflandırma doğruluğunu ne derece etkilediği incelenmiştir. Sonuç olarak, GS yöntemiyle elde edilen Gabor doku özelliklerinin %19.3 artış ile sınıflandırma doğruluğunu en fazla oranda arttıran doku özelliği olduğu ve PCA yöntemiyle elde edilen Gabor doku özelliklerinin ise %18.7 artış ile sınıflandırma doğruluğunu en fazla oranda arttıran ikinci doku özelliği olduğu tespit edilmiştir.

.

Makale detayları

Improving SVM Classification Accuracy with Image Fusion-Based Gabor Texture Features

Yazarlar: Çiğdem ŞERİFOĞLU YILMAZ | Oguz GÜNGÖR

Yayıncı: Halil AKINCI

Ana Başlıklar: Mühendislik ve uygulamalı operasyonlar

Dergi: Turkish Journal of Remote Sensing and GIS 2020 Vol.1 Issue 1, pp.34-44

Belge Tipi: Makale

Yayın Tarihi: 3/2020

Belge Dili: İngilizce

Document ID (Org No.): 2000672269

Sıklık: İki Yıllık

eISSN: 2717-7165

Sayı

Yazarlar:

Çiğdem ŞERİFOĞLU YILMAZ | Oguz GÜNGÖR

Yayıncı:

Halil AKINCI

Ana Başlıklar:

Mühendislik ve uygulamalı operasyonlar

Dergi:

Turkish Journal of Remote Sensing and GIS 2020 Vol.1 Issue 1, pp.34-44

Belge Tipi:

Makale

Yayın Tarihi:

3/2020

Belge Dili:

İngilizce

Document ID (Org No.):

2000672269

Sıklık:

İki Yıllık

eISSN:

2717-7165