Classifier of hyperspectral images

Abstract

The field of remote sensing has seen incredible advances over the past few decades, with hyperspectral imaging forming a significant component of this progress. This cutting-edge technology, which captures and processes information from across the electromagnetic spectrum, enables more accurate identification of objects and materials than traditional imaging methods. However, despite its potential, the classification of hyperspectral images (HSIs) poses unique challenges that demand rigorous exploration. The primary aim of this diploma is to address these challenges, focusing on the development and evaluation of advanced classification techniques for hyperspectral imaging data. Hyperspectral images carry rich information as they consist of hundreds of contiguous spectral bands. This high dimensionality, however, brings about the 'curse of dimensionality,' where the increased complexity in handling, processing, and interpreting these images becomes a challenge. This diploma aims to address this problem by developing effective dimension reduction method and feature extraction techniques that will simplify the classification process, while preserving the maximum amount of spectral information. Through an in-depth analysis, experimentation, and implementation, this diploma aims to push the frontiers of current hyperspectral image classification methodologies. It will strive to develop a scalable, efficient, and accurate classification system capable of handling the challenges associated with hyperspectral data, thus paving the way for a broader range of applications in areas like agriculture, mineralogy, environmental science, and defense.

За останні кілька десятиліть дистанційне зондування досягло неймовірних успіхів, причому гіперспектральне зображення є суттєвим компонентом цього прогресу. Ця передова технологія, яка фіксує та обробляє інформацію з усього електромагнітного спектру, дозволяє точніше ідентифікувати об’єкти та матеріали, ніж традиційні методи візуалізації. Однак, незважаючи на свій потенціал, класифікація гіперспектральних зображень (HSI) створює унікальні проблеми, які потребують ретельного дослідження. Основною метою цього диплому є вирішення цих проблем, зосереджуючись на розробці та оцінці передових методів класифікації даних гіперспектральних зображень. Гіперспектральні зображення несуть багато інформації, оскільки вони складаються із сотень безперервних спектральних смуг. Однак ця висока розмірність породжує «прокляття розмірності», де підвищена складність обробки, обробки та інтерпретації цих зображень стає проблемою. Цей диплом спрямований на вирішення цієї проблеми шляхом розробки ефективного методу та функції зменшення розмірів методи вилучення, які спростять процес класифікації, зберігаючи при цьому максимальну кількість спектральної інформації. Завдяки поглибленому аналізу, експерименту та реалізації цей диплом має на меті розширити межі сучасних методологій класифікації гіперспектральних зображень. Він прагнутиме розробити масштабовану, ефективну та точну систему класифікації, здатну впоратися з проблемами, пов’язаними з гіперспектральними даними, прокладаючи таким чином шлях для більш широкого спектру застосувань у таких сферах, як сільське господарство, мінералогія, наука про навколишнє середовище та оборона.