Classification using hyper-spectral imagery
| Κύριος συγγραφέας: | |
|---|---|
| Μορφή: | Μεταπτυχιακή εργασία |
| Γλώσσα: | English |
| Έκδοση: |
Α.Ε.Ι. Πειραιά Τ.Τ.
2017
|
| Θέματα: | |
| Διαθέσιμο Online: | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4358 |
| _version_ | 1780278325402402816 |
|---|---|
| abstract | The subject of this dissertation is the study of concepts and principles of Remote Sensing focusing on the analysis and processing of Hyperspectral Images. Hyperspectral imaging as a tool for monitoring, detection and classification of objects and areas on Earth can be used in a wide range of applications. Especially in the case of monitoring environmental and climatic changes, hyperspectral imaging
can provide plenty of information in order to create an environmental database develop models and prevent possible natural disasters. Based on this framework and using Matlab software tool a processing system was proposed and developed. The procedure of processing raw hyperspectral data is described and a classification system is developed. This system uses classification algorithms in order to distinguish areas with vegetation, water resources, dry soil or man-made constructions using hyperspectral images from a remote sensor. Four supervised classification algorithms were developed and evaluated: Euclidean Minimum Distance, Mahalanobis Minimum Distance, Bayesian Classification and Maximum Likelihood approximation. The algorithms were applied on a satellite hyperspectral image of an area. Results have shown that the fastest algorithm is the Euclidean distance giving relatively accurate results. Weaknesses in the performance of the Mahalanobis distance algorithm were reveled in case of insufficient training sets. Bayesian Classification algorithm performed exceptionally well. However the best performance as far as accuracy is concerned were provided by the proposed
approximation of the Maximum Likelihood Distance Algorithm, which also reaches satisfactory performance without the need of a long iterative process. During the study the spectral signatures for the defined classes were estimated. Comparison with existing studies has shown that the estimates are
representative of the area under investigation confirming the integrity of the proposed procedure.
The dissertation is partitioned in two sections. Chapters 2, 3, 4 and 5 provide the necessary background and state of the art in the subjects of remote sensing and Hyperspectral Imaging, while chapters 6, 7 and 8 present the classification algorithms, the implemented processing system, the results and conclusions. The Matlab code with necessary clarifications and explanations is also provided in the Appendix. |
| abstracttranslated | Το αντικείμενο της παρούσας διατριβής είναι η μελέτη των εννοιών και των αρχών της Τηλεπισκόπησης με επίκεντρο την ανάλυση και επεξεργασία των Υπερφασματικών Εικόνων. Η υπερφασματική απεικόνιση ως εργαλείο παρακολούθησης, ανίχνευσης και ταξινόμησης αντικειμένων και περιοχών στη Γη μπορεί να χρησιμοποιηθεί σε ένα ευρύ φάσμα εφαρμογών. Ειδικά στην περίπτωση παρακολούθησης περιβαλλοντικών και κλιματικών αλλαγών, η υπερφασματική απεικόνιση μπορεί να παρέχει πολλές πληροφορίες για τη δημιουργία μιας περιβαλλοντικής βάσης δεδομένων για την ανάπτυξη μοντέλων και την πρόληψη πιθανών φυσικών καταστροφών. Με βάση αυτό το πλαίσιο και με τη χρήση του εργαλείου λογισμικού Matlab προτάθηκε και αναπτύχθηκε ένα σύστημα επεξεργασίας. Περιγράφεται η διαδικασία επεξεργασίας ακατέργαστων υπερφασματικών δεδομένων και αναπτύσσεται ένα σύστημα ταξινόμησης. Αυτό το σύστημα χρησιμοποιεί αλγόριθμους ταξινόμησης για να διακρίνει περιοχές με βλάστηση, υδάτινους πόρους, ξηρό έδαφος ή τεχνητές κατασκευές χρησιμοποιώντας υπερφασματικές εικόνες από έναν απομακρυσμένο αισθητήρα. Καταρτίστηκαν και αξιολογήθηκαν τέσσερις αλγόριθμοι κατηγοριοποίησης: Euclidean Minimum Distance, Mahalanobis Minimum Distance,
Bayesian Classification and Maximum Likelihood approximation. Οι αλγόριθμοι εφαρμόστηκαν σε μια δορυφορική υπερφασματική εικόνα μιας περιοχής. Τα αποτελέσματα έχουν δείξει ότι ο γρηγορότερος αλγόριθμος είναι o Euclidean distance που δίνει σχετικά ακριβή αποτελέσματα. Οι αδυναμίες στην εκτέλεση του αλγορίθμου απόστασης Mahalanobis αποκαλύφθηκαν σε περίπτωση ανεπαρκών
ομάδων εκπαίδευσης. Ο αλγόριθμος Bayesian Classification πραγματοποιήθηκε εξαιρετικά καλά. Ωστόσο, η βέλτιστη απόδοση όσον αφορά την ακρίβεια παρέχεται από την προτεινόμενη προσέγγιση του Αλγόριθμου μέγιστης απόστασης (Maximum Likelihood Distance Algorithm), o οποίος επίσης επιτυγχάνει ικανοποιητικές επιδόσεις χωρίς την ανάγκη μιας μακράς επαναληπτικής διαδικασίας.
Κατά τη διάρκεια της μελέτης εκτιμήθηκαν οι φασματικές υπογραφές (spectral signatures) για τις καθορισμένες κατηγορίες. Από τη σύγκριση με τις υπάρχουσες μελέτες προέκυψε ότι οι εκτιμήσεις είναι αντιπροσωπευτικές της υπό έρευνα περιοχής που επιβεβαιώνει την ακεραιότητα της προτεινόμενης διαδικασίας. Η διατριβή χωρίζεται σε δύο ενότητες. Τα κεφάλαια 2, 3, 4 και 5 παρέχουν το απαραίτητο υπόβαθρο και την τεχνολογία στα θέματα της τηλεπισκόπησης και της υπερφασματικής απεικόνισης, ενώ στα κεφάλαια 6, 7 και 8 παρουσιάζονται οι αλγόριθμοι ταξινόμησης, το εφαρμοσμένο σύστημα επεξεργασίας, τα αποτελέσματα και τα συμπεράσματα. Ο κώδικας Matlab με τις απαραίτητες διευκρινίσεις και επεξηγήσεις παρέχεται επίσης στο προσάρτημα. |
| advisor | |
| author | Δημόπουλος, Ηλίας |
| author_facet | Δημόπουλος, Ηλίας |
| author_sort | Δημόπουλος, Ηλίας |
| collection | Okeanis Institutional Repository |
| format | Μεταπτυχιακή εργασία |
| id | okeanis-123456789-4358 |
| institution | University of West Attica Campus II |
| keyword | Hyperspectral imaging Υπερφασματική απεικόνιση MATLAB Αλγόριθμοι ταξινόμησης Spectral signatures Φασματικές υπογραφές Τηλεπισκόπηση Φασματοσκοπία |
| language | English |
| physical | 112 |
| publishDate | 2017 |
| publisher | Α.Ε.Ι. Πειραιά Τ.Τ. |
| record_format | dspace |
| spelling | okeanis-123456789-43582018-12-14T10:05:01Z Classification using hyper-spectral imagery Δημόπουλος, Ηλίας Βελώνη, Αναστασία TPSH::Επιστήμη Υπολογιστών::Matlab Hyperspectral imaging Υπερφασματική απεικόνιση MATLAB Αλγόριθμοι ταξινόμησης Spectral signatures Φασματικές υπογραφές Τηλεπισκόπηση Φασματοσκοπία The subject of this dissertation is the study of concepts and principles of Remote Sensing focusing on the analysis and processing of Hyperspectral Images. Hyperspectral imaging as a tool for monitoring, detection and classification of objects and areas on Earth can be used in a wide range of applications. Especially in the case of monitoring environmental and climatic changes, hyperspectral imaging can provide plenty of information in order to create an environmental database develop models and prevent possible natural disasters. Based on this framework and using Matlab software tool a processing system was proposed and developed. The procedure of processing raw hyperspectral data is described and a classification system is developed. This system uses classification algorithms in order to distinguish areas with vegetation, water resources, dry soil or man-made constructions using hyperspectral images from a remote sensor. Four supervised classification algorithms were developed and evaluated: Euclidean Minimum Distance, Mahalanobis Minimum Distance, Bayesian Classification and Maximum Likelihood approximation. The algorithms were applied on a satellite hyperspectral image of an area. Results have shown that the fastest algorithm is the Euclidean distance giving relatively accurate results. Weaknesses in the performance of the Mahalanobis distance algorithm were reveled in case of insufficient training sets. Bayesian Classification algorithm performed exceptionally well. However the best performance as far as accuracy is concerned were provided by the proposed approximation of the Maximum Likelihood Distance Algorithm, which also reaches satisfactory performance without the need of a long iterative process. During the study the spectral signatures for the defined classes were estimated. Comparison with existing studies has shown that the estimates are representative of the area under investigation confirming the integrity of the proposed procedure. The dissertation is partitioned in two sections. Chapters 2, 3, 4 and 5 provide the necessary background and state of the art in the subjects of remote sensing and Hyperspectral Imaging, while chapters 6, 7 and 8 present the classification algorithms, the implemented processing system, the results and conclusions. The Matlab code with necessary clarifications and explanations is also provided in the Appendix. Το αντικείμενο της παρούσας διατριβής είναι η μελέτη των εννοιών και των αρχών της Τηλεπισκόπησης με επίκεντρο την ανάλυση και επεξεργασία των Υπερφασματικών Εικόνων. Η υπερφασματική απεικόνιση ως εργαλείο παρακολούθησης, ανίχνευσης και ταξινόμησης αντικειμένων και περιοχών στη Γη μπορεί να χρησιμοποιηθεί σε ένα ευρύ φάσμα εφαρμογών. Ειδικά στην περίπτωση παρακολούθησης περιβαλλοντικών και κλιματικών αλλαγών, η υπερφασματική απεικόνιση μπορεί να παρέχει πολλές πληροφορίες για τη δημιουργία μιας περιβαλλοντικής βάσης δεδομένων για την ανάπτυξη μοντέλων και την πρόληψη πιθανών φυσικών καταστροφών. Με βάση αυτό το πλαίσιο και με τη χρήση του εργαλείου λογισμικού Matlab προτάθηκε και αναπτύχθηκε ένα σύστημα επεξεργασίας. Περιγράφεται η διαδικασία επεξεργασίας ακατέργαστων υπερφασματικών δεδομένων και αναπτύσσεται ένα σύστημα ταξινόμησης. Αυτό το σύστημα χρησιμοποιεί αλγόριθμους ταξινόμησης για να διακρίνει περιοχές με βλάστηση, υδάτινους πόρους, ξηρό έδαφος ή τεχνητές κατασκευές χρησιμοποιώντας υπερφασματικές εικόνες από έναν απομακρυσμένο αισθητήρα. Καταρτίστηκαν και αξιολογήθηκαν τέσσερις αλγόριθμοι κατηγοριοποίησης: Euclidean Minimum Distance, Mahalanobis Minimum Distance, Bayesian Classification and Maximum Likelihood approximation. Οι αλγόριθμοι εφαρμόστηκαν σε μια δορυφορική υπερφασματική εικόνα μιας περιοχής. Τα αποτελέσματα έχουν δείξει ότι ο γρηγορότερος αλγόριθμος είναι o Euclidean distance που δίνει σχετικά ακριβή αποτελέσματα. Οι αδυναμίες στην εκτέλεση του αλγορίθμου απόστασης Mahalanobis αποκαλύφθηκαν σε περίπτωση ανεπαρκών ομάδων εκπαίδευσης. Ο αλγόριθμος Bayesian Classification πραγματοποιήθηκε εξαιρετικά καλά. Ωστόσο, η βέλτιστη απόδοση όσον αφορά την ακρίβεια παρέχεται από την προτεινόμενη προσέγγιση του Αλγόριθμου μέγιστης απόστασης (Maximum Likelihood Distance Algorithm), o οποίος επίσης επιτυγχάνει ικανοποιητικές επιδόσεις χωρίς την ανάγκη μιας μακράς επαναληπτικής διαδικασίας. Κατά τη διάρκεια της μελέτης εκτιμήθηκαν οι φασματικές υπογραφές (spectral signatures) για τις καθορισμένες κατηγορίες. Από τη σύγκριση με τις υπάρχουσες μελέτες προέκυψε ότι οι εκτιμήσεις είναι αντιπροσωπευτικές της υπό έρευνα περιοχής που επιβεβαιώνει την ακεραιότητα της προτεινόμενης διαδικασίας. Η διατριβή χωρίζεται σε δύο ενότητες. Τα κεφάλαια 2, 3, 4 και 5 παρέχουν το απαραίτητο υπόβαθρο και την τεχνολογία στα θέματα της τηλεπισκόπησης και της υπερφασματικής απεικόνισης, ενώ στα κεφάλαια 6, 7 και 8 παρουσιάζονται οι αλγόριθμοι ταξινόμησης, το εφαρμοσμένο σύστημα επεξεργασίας, τα αποτελέσματα και τα συμπεράσματα. Ο κώδικας Matlab με τις απαραίτητες διευκρινίσεις και επεξηγήσεις παρέχεται επίσης στο προσάρτημα. 2017-12 Μεταπτυχιακή εργασία http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4358 en http://creativecommons.org/licenses/by-nd/3.0/gr/ Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα Α.Ε.Ι. Πειραιά Τ.Τ. 112 http://okeanis.lib2.uniwa.gr/xmlui/bitstream/123456789/4358/4/ais_0105.pdf.jpg |
| spellingShingle | TPSH::Επιστήμη Υπολογιστών::Matlab Δημόπουλος, Ηλίας Classification using hyper-spectral imagery |
| title | Classification using hyper-spectral imagery |
| title_full | Classification using hyper-spectral imagery |
| title_fullStr | Classification using hyper-spectral imagery |
| title_full_unstemmed | Classification using hyper-spectral imagery |
| title_short | Classification using hyper-spectral imagery |
| title_sort | classification using hyper-spectral imagery |
| topic | TPSH::Επιστήμη Υπολογιστών::Matlab |
| url | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4358 |