Kernel-Based KNN and Gaussian Classifiers for Hyperspectral Image Classification

Kuo, Bor‐Chen; Yang, Jinn‐Min; Sheu, Tian-Wei; Yang, Szu-Wei

doi:10.1109/igarss.2008.4779167

Cited by 24 publications

(16 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…kNN is one of the widely used simplest classifier, and has been applied for HSI classification [27,28].…”

Section: K-nearest-neighbor (Knn) Classifiermentioning

confidence: 99%

Hyperspectral Image Classification

Gogineni¹,

Chaturvedi²

2020

Processing and Analysis of Hyperspectral Data

View full text Add to dashboard Cite

Hyperspectral image (HSI) classification is a phenomenal mechanism to analyze diversified land cover in remotely sensed hyperspectral images. In the field of remote sensing, HSI classification has been an established research topic, and herein, the inherent primary challenges are (i) curse of dimensionality and (ii) insufficient samples pool during training. Given a set of observations with known class labels, the basic goal of hyperspectral image classification is to assign a class label to each pixel. This chapter discusses the recent progress in the classification of HS images in the aspects of Kernel-based methods, supervised and unsupervised classifiers, classification based on sparse representation, and spectral-spatial classification. Further, the classification methods based on machine learning and the future directions are discussed.

show abstract

“…kNN is one of the widely used simplest classifier, and has been applied for HSI classification [27,28].…”

Section: K-nearest-neighbor (Knn) Classifiermentioning

confidence: 99%

Hyperspectral Image Classification

Gogineni¹,

Chaturvedi²

2020

Processing and Analysis of Hyperspectral Data

View full text Add to dashboard Cite

show abstract

“…Destek Vektör Makineleri(DVM), En Büyük Olabilirlik (EBO) ve K-En Yakın Komşu(K-EYK) algoritmaları gibi pek çok yöntem kullanılmıştır [1][2][3][4]. Bu yöntemlere ek olarak uzamsal bilgi ve spektral bilgiyi birlikte kullanarak sınıflandırma çalışmaları mevcuttur [5,6].…”

Section: Hiperspektral Sınıflandırma Için Yapılan çAlışmalardaunclassified

“…Bu çalışmada ayrıca K-EYK ve Dairesel Temelli Fonksiyonlu Yapay Sinir Ağı ile karşılaştırma yapılmıştır. [3]'te ise kernel tabanlı K-En Yakın Komşu ve Gaussian sınıflandırma yöntemleri hiperspektral sınıflandırma için kullanılmış ve karşılaştırma yapılmıştır. EBO yöntemi ile sınıflandırılma [4]'te incelenmiştir.…”

Section: Hiperspektral Sınıflandırma Için Yapılan çAlışmalardaunclassified

The effect of training data on hyperspectral classification algorithms

Özdemir

Çetin

2013

2013 21st Signal Processing and Communications Applications Conference (SIU)

View full text Add to dashboard Cite

Özetçe-Buçalışmada farklı hiperspektral sınıflandırma algoritmalarının aynı öğrenme verisi ile başarımları incelenmiştir. Çalışmada ayrıca hiperspektral sınıflandırma üzerinde öğrenme verisi boyutunun ve öğrenme verisi seçim yönteminin etkisi de ortaya koyulmuştur. Destek Vektör Makinaları(DVM), K-En Yakın Komşu(K-EYK) ve En Büyük Olabilirlik sınıflandırma yöntemi kullanılmıştır. Hiperspektral sınıflandırmada spektral bilgi ile uzamsal bilginin birlikte kullanımının hiperspektral sınıflandırmaya olumlu etkisi gözlemlenmiştir. Uzamsal bilgi kullanımı için ortalama kaydırmalı bölütleme ve pencere ağırlıklandırma yöntemleri kullanılmıştır. Çalışmada Indian Pines ve yüksek çözünürlüklü Pavia Üniversitesi hiperspektral verileri kullanılmıştır.Abstract-In this study, the performance of different hyperspectral classification algorithms with the same training set is investigated. In addition, the effect of the dimension and sampling strategy for the training set selection is demonstrated. Support Vector Machines (SVM), K-Nearest Neighbor (K-NN) and Maximum Likelihood (ML) methods are used. The contribution of using spatial information with spectral information is observed. Meanshift segmentation and window weighting methods are used for spatial information. High resolution Pavia University hyperspectral data and Indian Pines data are used in this study.

show abstract

“…Hiperspektral sınıflandırma başarımını artırmak için bu yöntemlerle birlikte yersel bilgiyi kullanan çalışmalar bulunmaktadır [5,6]. DVM'lerin farklı çekirdeklerle kullanıldığı çalışmada F. Melgani …”

unclassified

Improvement of hyperspectral classification accuracy with limited training data using meanshift segmentation

Özdemir

Çetin

2014

2014 22nd Signal Processing and Communications Applications Conference (SIU)

View full text Add to dashboard Cite

Özetçe-Buçalışmada hiperspektral sınıflandırma algoritmalarının sınırlı sayıda öğrenme verisi altında başarımı araştırılmıştır. Sınıflandırma için Destek Vektör Makinaları(DVM) Gauss çekirdeği ile birlikte kullanılmıştır. Çalışmada ayrıca ön işlemede boyut indirgeme işlemi için Temel Bileşen Analizi ve spektral ve uzamsal bilgi kullanımının bütünleştirildiği son işleme bölümünde ise Ortalama Kaydırmalı Bölütleme kullanılmıştır. Parametre eniyilemesi için Örüntü Arama algoritması kullanılmıştır. Yüksek çözünürlüklü Pavia Üniversitesi hiperspektral verisi üzerinde başarımı gösterilmiştir. Abstract-In this study, the performance of hyperspectral classification algorithms with limited training data investigated. Support Vector Machines (SVM) with Gaussian kernel is used.Principle Component Analysis (PCA) is employed for preprocessing and meanshift segmentation is used to incorporate spatial information with spectral information to observe the effect spatial information. Pattern search algorithm is used to optimize meanshift segmentation parameters. The performance of the algorithm is demonstrated on high resolution Pavia University hyperspectral data.

show abstract

Kernel-Based KNN and Gaussian Classifiers for Hyperspectral Image Classification

Cited by 24 publications

References 5 publications

Hyperspectral Image Classification

Hyperspectral Image Classification

The effect of training data on hyperspectral classification algorithms

Improvement of hyperspectral classification accuracy with limited training data using meanshift segmentation

Contact Info

Product

Resources

About