Hiperspektral görüntüler (HG), uzaktan algılamada yaygın olarak kullanılan bitişik bant görüntüleridir. Derin öğrenme HG sınıflandırmasında kullanılan etkili bir yöntemdir. Evrişimli sinir ağları (ESA) ise HG sınıflandırmasında kullanılan derin öğrenme yöntemlerinden biridir. Spektral-uzamsal alanlardan HG’lerin soyut özelliklerini öğrenebilen otomatik yaklaşımlar sağlamaktadır. HG’lerin yüksek boyutsallığı hesaplama karmaşıklığını arttırmaktadır. Bu nedenle, geliştirilen ESA modellerinin çoğu, ön-işleme adımı olarak boyut indirgeme gerçekleştirmektedir. HG sınıflandırmasındaki diğer bir problem ise, doğru sonuçlar elde etmek için spektral-uzamsal özelliklerin dikkate alınması gerekliliğidir. Çünkü, HG sınıflandırma performansı büyük ölçüde spektral-uzamsal bilgilere bağlıdır. Bu çalışmada, HG sınıflandırması için yeni bir 3B ESA modeli önerilmiştir. Önerilen yöntem, HG’lerdeki spektral-uzamsal özellikleri eşzamanlı olarak çıkarmak için etkili bir yöntem sağlamaktadır. Ağ, girişte 3B hiperspektral küpü kullanmaktadır. Hiperspektral küpteki boyutsal fazlalığı gidermek için temel bileşen analizi kullanılmaktadır. Daha sonra komşuluk çıkarımı kullanılarak, spektral-uzamsal özellikler etkin bir şekilde çıkarılmaktadır. Önerilen yöntem 4 veriseti ile test edilmiştir. Uygulama sonuçları 7 farklı derin öğrenme tabanlı yöntemle karşılaştırılmış ve 4CF-Net yöntemimizin daha iyi sınıflandırma performansı gösterdiği görülmüştür.
Hyperspectral images (HSI) are contiguous band images commonly used in remote sensing. Deep learning (DL) is an effective method used in HSI classification. Convolutional neural networks (CNN) are one of the DL methods used in HSI classification. It provides automated approaches that can learn abstract features of HSIs from spectral-spatial fields. The high dimensionality of the HSIs increases the computational complexity. Therefore, most of the developed CNN models perform dimensionality reduction as a preprocessing step. Another problem in HSI classification is that spectral-spatial features must be considered in order to obtain accurate results. Because, HSI classification performance is highly dependent on spectralspatial information. In this study, a new 3D CNN model is proposed for HSI classification. The proposed method provides an effective method to simultaneously extract spectral-spatial features in HSIs. The network uses the 3D hyperspectral cube at the input. Principal component analysis is used to eliminate the dimensional redundancy in the hyperspectral cube. Then, using neighborhood extraction, spectral-spatial features are extracted effectively. The proposed method has been tested with 4 datasets. The application results were compared with 7 different DL-based methods and it was seen that our 4CF-Net method showed better classification performance.
