BİNALARIN YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU GÖRÜNTÜLERİNDEN DESTEK VEKTÖR MAKİNELERİ SINIFLANDIRMA TEKNİĞİ KULLANILARAK BELİRLENMESİ

Transkript

1 292 BİNALARIN YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU GÖRÜNTÜLERİNDEN DESTEK VEKTÖR MAKİNELERİ SINIFLANDIRMA TEKNİĞİ KULLANILARAK BELİRLENMESİ Dlek Koç San 1 ve Mustafa Türker 2 1 ODTÜ, Fen Blmler Ensttüsü, Jeodez ve Coğraf Blg Teknolojler EABD, Ankara, Türkye - dkoc@metu.edu.tr 2 Hacettepe Unv., Müh. Fak., Jeodez ve Fotogrametr Mühendslğ Bölümü, Beytepe, Ankara, Türkye - mturker@hacettepe.edu.tr ÖZET Bu çalışmada, bnalar yüksek çözünürlüklü uydu görüntülernden Destek Vektör Makneler (DVM) sınıflandırma teknğ kullanılarak belrlenmş ve yardımcı verlern sınıflandırma şlemne etks değerlendrlmştr. İzlenen ana adımlar şu şekldedr: () Normalleştrlmş Sayısal Yüzey Modelnn (nsym) hesaplanması, () Görüntü ortorektfkasyonu, () Normalleştrlmş Fark Btk Örtüsü İndeksnn (NFBÖİ) hesaplanması, (v) Temel Bleşenler Analz, (v) Yoğunluk Görüntüsünün oluşturulması, (v) DVM Sınıflandırması ve (v) Artefaktların yok edlmes. Sınıflandırma şlem, IKONOS pankromatk görüntü le zengnleştrlmş renkl görüntünün dört spektral bandı (Mav, Yeşl, Kırmızı, Yakın Kızılötes), nsym, NFBÖİ, Brnc Ana Bleşen ve Yoğunluk Görüntüsü kullanılarak yapılmıştır. Bnaların belrlenmes şlemnde nsym nn kullanılması avantaj sağlamaktadır, çünkü bnalar araz yüzey üzerndek üç boyutlu objeler olup nsym kullanılarak arazden ayırt edleblrler. Benzer şeklde, NFBÖİ görüntüsü de özellkle yeşl alanlarla çevrl bnaların belrlenmesnde faydalı olmaktadır. Bu çalışmada, Brnc Ana Bleşen ve Yoğunluk Görüntüler de ek bantlar olarak kullanılmıştır, çünkü bu görüntüler orjnal görüntülerden daha y yorumlanablr. Önerlen yaklaşım Ankara nın Batıkent bölgesnde seçlmş olan üç test alanında üç farklı eğtm alanı örneğ boyutu (500, 1000 ve 2000) kullanılarak test edlmştr. Genel olarak yardımcı verlern sınıflandırma doğruluğunu arttırdığı görülmüştür. Yardımcı verlerden nsym ve NFBÖİ bantlarının sınıflandırmaya dahl edlmes doğruluğu öneml ölçüde arttırırken Brnc Ana Bleşen ve Yoğunluk Görüntülernn sınıflandırmaya dahl edlmes se doğrulukta dkkate değer poztf br etk yapmamıştır. Yne genel olarak örnek sayısındak artışın sınıflandırma doğruluğunu arttırdığı görülmüş ancak bu artış %2 y geçmemştr. Bu nedenle, elde edlen sonuçlara dayanarak, örnek sayısının çok fazla arttırılmasına gerek olmadığı söyleneblr. DVM sınıflandırma sonuçları ncelendğnde, tüm test alanları çn, yardımcı verler kullanıldığında bnaların belrlenmes doğruluğu %90 ın üzernde hesaplanmıştır. Elde edlen sonuçlar, bna sınırlarının yüksek çözünürlüklü uydu görüntülernden yardımcı verler de kullanılarak, DVM sınıflandırma teknğ le oldukça başarılı br şeklde belrlenebleceğn göstermektedr. Anahtar Sözcükler: Bna Belrleme, DVM, Sınıflandırma, nsym, NFBÖİ, Yüksek Çözünürlüklü Uydu Görüntüler, IKONOS ABSTRACT BUILDING DETECTION FROM HIGH RESOLUTION SATELLITE IMAGES USING SUPPORT VECTOR MACHINES CLASSIFICATION TECHNIQUE In ths study, the buldngs are detected usng the Support Vector Machnes (SVM) classfer and the ncorporaton of ancllary data to the classfcaton process s evaluated. The man steps are as follows: () Calculaton of the normalzed Dgtal Surface Model (ndsm), () Orthorectfcaton of the mage, () Calculaton of the Normalzed Dfference Vegetaton Index (NDVI), (v) Prncpal Component Analyss, (v) Intensty mage generaton, (v) SVM Classfcaton and (v) Removng the artefacts. The classfcaton process s performed usng the four spectral bands (Blue, Green, Red, and Near Infrared) of the IKONOS pan-sharpened mage, the ndsm, NDVI, Frst Prncpal Component (1st PC) and the Intensty Image. The ncluson of the ndsm band s useful n the buldng extracton process because the buldngs are the objects wth dfferent heghts over the terran and they can be clearly separated from the terran usng the ndsm. Smlarly, the NDVI mage s useful for those buldngs that are surrounded by vegetated areas. In addton, the frst Prncpal Component and the ntensty mage are also used as addtonal bands because they may be more nterpretable than the orgnal data. The proposed approach was mplemented n three sub-areas, whch were selected from Batkent, Ankara usng three dfferent sample szes (500, 1000 and 2000). It was observed that usng the ancllary data ncreases the buldng detecton accuracy consderably. Includng the ndsm and NDVI bands n the classfcaton process as addtonal bands ncreases the accuracy sgnfcantly. However, the ncluson of the 1st PC and the ntensty mage bands dd not have remarkable effect n the accuracy. When the affect of the tranng sample sze on the classfcaton accuracy s evaluated t can be sad that generally ncreasng the tranng sze ncreases the accuracy, however the ncrease s not more than %2. Therefore, t can be stated that small tranng sze (.e. 500 pxels) appears to be enough. For three sub-areas the buldng detecton percentages usng the addtonal data were calculated hgher than 90%. The obtaned results ndcate that the buldng areas can be detected qute successfully usng SVM classfcaton technque and the ancllary data. Keywords: Buldng Detecton, SVM, Classfcaton, ndsm, NDVI, Hgh Resoluton Satellte Images, IKONOS 1. GİRİŞ 292

2 293 Bnaların hava fotoğraflarından ve yüksek çözünürlüklü uydu görüntülernden otomatk olarak belrlenmes son zamanlarda öneml br araştırma konusu olmuştur. Bna sınırlarının otomatk olarak bulunmasında, öncelkle bnaların yaklaşık yerlernn belrlenmes önemldr. Olası bna alanlarının belrlenmes çn sınıflandırma teknkler, bölümlere ayırma ve kenar belrleme gb şlemler kullanılmaktadır. Son zamanlarda yapılan çalışmalar, DVM sınıflandırma teknğnn uzaktan algılama görüntülernn sınıflandırılmasında ümt verc olduğunu göstermektedr (Huang vd, 2002; Zhu ve Blumberg, 2002; Pal ve Mather, 2005; Foody ve Mathur, 2004). Watanachaturaporn vd. (2008) DVM sınıflandırma teknğn En Büyük Olasılık, Ger Beslemel Snr Ağları, Radyal Temell Fonksyon Snr Ağları ve Karar Ağacı sınıflandırma teknkler le karşılaştırmış ve DVM sınıflandırma teknğnn öneml ölçüde daha başarılı olduğu sonucuna varmışlardır. Başlangıçta DVM sınıflandırma teknğ k sınıflı sınıflandırma problemlernde kullanılmak üzere tasarlanmış, daha sonra çok sınıflı sınıflandırmalar çn de kullanılmak üzere gelştrlmştr. Önerlen bu çalışmada bnaları belrlemek çn k sınıflı DVM sınıflandırma teknğ kullanılmıştır, çünkü lglenlen tek br sınıf (bna sınıfı) bulunmaktadır. Foody vd. (2006) tek sınıf odaklı DVM sınıflandırmasının uzaktan algılama çalışmalarında öneml potansyel olduğunu dda etmektedrler. Boyd vd. (2006) bu sınıflandırma teknğn tek br spesfk sınıfıın hartalanmasında kullanmıştır. Sanchez vd. (2007) tarafından yapılan br dğer çalışmada se Landsat 7 ETM+ görüntülernden yne spesfk br sınıfın belrlenmes çn bu sınıflandırma teknğ kullanılmıştır. Geleneksel sınıflandırma teknklernde bütün sınıfların belrlenmes ve tüm sınıflar çn eğtm alanları toplanması önemldr. Fakat, eğer sınıflandırma aşamasında tek br sınıfla lglenlyorsa geleneksel teknklern kullanılması uygun olmayablmektedr (Foody vd., 2006). Bu nedenle, bu çalışmada bna alanlarını belrlemek çn DVM sınıflandırma teknğ kullanılmıştır. Spektral bantlara ek olarak nsym (Normalleştrlmş Sayısal Yüzey Model), NFBÖİ (Normalleştrlmş Fark Btk Örtüsü İndeks), 1.TB (Temel Bleşen) ve Yoğunluk Görüntüler de kullanılmış ve bu görüntülern sınıflandırma doğruluğuna etkler ncelenmştr. Ayrıca, farklı sayıdak eğtm alanı örneklernn sınıflandırma sonucuna etkler de ncelenmştr. Elde edlen sonuçlar En Büyük Olasılık sınıflandırma teknğ le de karşılaştırılmıştır. 2. METODOLOJİ Gelştrlen yaklaşımın akış şeması şekl 1 de verlmştr. Öncelkle, eş yükselt eğrler ve üç boyutlu noktaları çeren mevcut vektör verden Sayısal Araz Model (SAM), stero pankromatk uydu görüntülernden Sayısal Yüzey Model (SYM) oluşturulmuş ve SAM SYM den çıkarılarak nsym hesaplanmıştır. Daha sonra, oluşturulan SYM kullanılarak kesknleştrlmş renkl görüntü ortorektfye edlmştr. Dğer taraftan, Normalleştrlmş Fark Btk Örtüsü İndeks (NFBÖİ) hesaplanmış, Temel Bleşenler Analz yapılmış ve Yoğunluk Görüntüsü hesaplanmıştır. Bu şlemlern ardından bna alanlarını bulmak amacıyla ortorektfye edlmş, kesknleştrlmş renkl uydu görüntüler oluşturulan ek bantlar le brlkte kl DVM sınıflandırma teknğ kullanılarak bna alanları ve bna olmayan alanlar olarak sınıflandırılmıştır. Son olarak, artefaktlar morfolojk operasyonlar kullanılarak yok edlmş ve bu şlem sonucunda bnalar belrlenmştr. 293

3 294 Şekl 1: Önerlen bna belrleme akış şeması 3. ÇALIŞMA ALANI VE VERİ SETLERİ Gelştrlen yaklaşım farklı şekl ve kullanımdak bnaları çeren Batıkent, Ankara da uygulanmıştır (Şekl 2). Batıkent Projes Türkye de kooperatfler yoluyla yapılmış en büyük toplu konut projesdr. Proje 10 km 2 lk br alanı kapsamaktadır ve konut üntes olarak kş çn planlanmıştır. Bu proje 1979 yılında Ankara Büyükşehr Beledye Başkanlığı nın lderlğnde oluşan Kent-Koop (Batıkent Konut Yapı Kooperatfler Brlğ) tarafından başlatılmıştır. Batıkent planlı ve düzenl gelşen, farklı şekl ve kullanımdak yapıları çerdğnden bu çalışmada test alanı olarak kullanılmıştır. Çalışmada kullanılan ver setler, IKONOS stero pankromatk ve kesknleştrlmş renkl uydu görüntülerdr. Aynı yörüngeden uçuşa paralel olarak çeklen stero görüntüler 4 Ağustos 2002 tarhldr. Görüntüler Geo IKONOS formatındadır. Bu formattak görüntülern yatay konumsal doğruluğu yaklaşık 15 m dr. Sayısal Araz Model oluşturmak çn kullanılan eş yükselt eğrler Ankara Büyükşehr Beledyes, Su ve Kanalzasyon İdares Genel Müdürlüğü (ASKİ) tarafından 1999 yılında yaptırılan ve Ankara metropoltan alanını kapsayan 1:1.000 ölçekl verden üretlmştr. Batıkent bölgesnde farklı karakterstkte üç test alanı seçlmş ve seçlen bu alanlar bna ve bna olmayan alanlar olarak sınıflandırılmıştır (Şekl 3). 294

4 295 Şekl 2: Çalışma alanı, Batıkent, Ankara Şekl 3: Batıkent bölgesnde seçlen test alanları. 4. YARDIMCI VERİLERİN HAZIRLANMASI 4.1. Normalleştrlmş Sayısal Yüzey Modelnn Hesaplanması Bna belrleme çalışmalarında yükseklk modellernn kullanımı önem arz etmektedr. Arazden bell br yükseklkte olan kentsel nesneler, nsym ye br eşk değernn uygulanması le tespt edleblmektedrler. SAM topoğrafyanın yükseklk modeldr ve yerden yüksekte olan nesneler çermez. SYM se yeryüzeynn yükseklk modeldr ve topoğrafyanın yanısıra tüm üç boyutlu nesneler de çerr. Dolayısı le, SYM den SAM n çıkarılmasıyla nsym elde edlr. Bu çalışmada SAM mevcut sayısal vektör vertabanındak eş yükselt eğrler ve noktasal yükseklk verlernden, SYM se stereo IKONOS uydu görüntülernden PCI Geomatca 9.1 görüntü şleme yazılımının OrthoEngne modülü kullanılarak elde edlmştr. SYM oluşturmak çn Dferansyel Küresel Konumlandırma Sstem kullanılarak 48 kontrol noktası toplanmıştır. Bu noktalardan 24 adet Yer Kontrol Noktası (YKN), ger kalan 24 adet se Bağımsız Denetm Noktası (BDN) olarak kullanılmıştır. Elde edlen SAM n doğruluğu 0.2 m, SYM nn doğruluğu se 0.7 m olarak hesaplanmıştır. SAM ve SYM nn elde edlmes ve doğruluk analzler le lgl detaylar Koç ve Türker (2005) de verlmştr. Daha sonra, SYM den SAM çıkarılarak nsym oluşturulmuştur. Bnalarla ağaçları brbrnden ayırt edeblmek çn btk örtüsü ndeks bantı kullanılarak yeşl alanlar maskelenmştr. Dğer taraftan, nsym ye 3 m eşk değer uygulanarak bu değern üzernde yükseklğe sahp kent nesnelernn yer yüzeynden ayrılmaları sağlanmıştır. Eşk değernn 3 m alınmasının neden 3 m den daha alçak objeler, bna olamayacakları gerekçesyle, elmne etmektr. Böylece yalnız bna alanlarının yükseklklern çeren br nsym elde edlmştr. Seçlen test alanları çn elde edlen nsym ler Şekl 4 te verlmştr. 295

5 296 Şekl 4: Test alanlarına at nsym sonuçları Ortorektfkasyon Çalışmada kullanılan IKONOS uydu görüntüler Geo formatında ve yaklaşık 15m konumsal doğruluktadır. Dolayısı le, görüntüdek geometrk hataları yok etmek ve görüntünün eş yükselt eğrler ve referens bna ver tabanıyla doğru br şeklde çakışmasını sağlamak amacıyla görüntünün ortorektfkasyonu yapılmıştır (Şekl 5). Pankromatk ve kesknleştrlmş renkl uydu görüntülernn ortorektfkasyonu yapılırken daha önce oluşturulmuş olan SYM kullanılmıştır. Şekl 5: (a) Ortorektfkasyondan önce ve (b) sonra referans bna sınırlarıyla çakıştırılan kesknleştrlmş IKONOS renkl görüntü Normalleştrlmş Fark Btk Örtüsü İndeksnn (NFBÖİ) Hesaplanması a Normalleştrlmş Fark Btk Örtüsü İndeks (NFBÖİ), görüntüdek btksel alanları belrlemek çn kullanılmaktadır. Dolayısı le, ortorektfye edlmş kesknleştrlmş renkl IKONOS görüntülernn kırmızı ve yakın kızıl ötes bantları kullanılarak NFBÖİ bantı hesaplanmıştır (1). Test alanları çn elde edlmş olan NFBÖİ sonuçları şekl 6 da gösterlmştr. b NDVI PSM 4 PSM 3 (1) PSM 4 PSM 3 PSM3: IKONOS kesknleştrlmş renkl görüntünün Kırmızı bandı PSM4: IKONOS kesknleştrlmş renkl görüntünün Yakın Kızıl Ötes bandı 296

6 297 Şekl 6: Test alanlarına at NFBÖİ bantları Temel Bleşenler Analz Temel Bleşenler Analz (TBA) çok bantlı görüntülerdek bantlar arası korelasyonu yok etmek çn kullanılan br görüntü analz teknğdr. Dolayısı le, bu analz teknğ esas olarak bant sayısını azaltmakta kullanılmaktadır. Fakat, yapılmış olan bazı çalışmalarda TBA sonuçlarının orjnal bantlardan daha y yorumlanablr olduğu tespt edlmştr (Sngh ve Harrson, 1985). Bu çalışmada TBA kesknleştrlmş IKONOS renkl bantlarına (Mav, Yeşl, Kırmızı ve Yakın Kızıl Ötes) uygulanmış ve dört bleşen oluşturulmuştur. Blndğ üzere, bu bleşenlerden brncs (1. TB) en çok very çermektedr. Test alanları çn elde edlmş olan 1. TB ler şekl 7 de gösterlmştr Yoğunluk Görüntüsü Şekl 7: Test alanlarına at 1.Temel Bleşen görüntüler. Yoğunluk görüntüsü kesknleştrlmş IKONOS renkl bantların (Mav, Yeşl ve Kırmızı) artmetk ortalamaları alınarak hesaplanmıştır (2). Test alanları çn elde edlmş olan yoğunluk görüntüler şekl 8 de gösterlmştr. DN (Yoğunluk Görüntüsü) = ([DN (Band1) + DN (Band2) + DN (Band3)] / 3) (2) 297

7 298 Şekl 8: Test alanlarına at Yoğunluk görüntüler. 5. DESTEK VEKTÖR MAKİNELERİ SINIFLANDIRMASI DVM sınıflandırma teknğ, statstksel öğrenme teorsne dayalı br eğtml sınıflandırma teknğ olup temeller Vapnk (1995) tarafından gelştrlmştr. DVM sınıflandırmasında başlıca üç aşama bulunmaktadır. İlk olarak eğtm hücreler özellk vektörü olarak fade edlr. Sonra, bu özellk vektörler kernel fonksyonları kullanılarak özellk uzayına eşlenr. Son olarak sınıfları en uygun şeklde ayıran n-boyutlu hper düzlem oluşturulur. DVM kl sınıflandırma problemnde eğtm kümesn (x 1, r 1),, (x, r ), x Є R n kullanarak ve r Є {1,-1} olacak şeklde br model gelştrr. Burada x spektral değer, r se sınıf etketdr. Öğrenme şlem sırasında, k sınıf arasındak aralığı maksmum yapacak en uygun hper düzlem bulunur. İk sınıfı brbrnden ayırablecek brçok hper düzlem bulunablmektedr ancak amaç en optmum olanını bulmak ve aralığı maksmum almaktır. Sınıfları ayıracak hper düzlem şu şeklde tanımlanablr: w.x + b = 0 (3) Burada, w hper düzleme olan normal, b se sapmadır. Doğrusal olarak ayrılablen k sınıf örneğnde hper düzlem şu şeklde tanımlanablr. r (w.x + b) 1 0 (4) Hper düzlemler üzerndek noktalar destek vektör olarak adlandırılmaktadır. Bu düzlemler optmum ayırıcı düzlem bulmakta kullanılır. Optmum ayırıcı düzlem dğer düzlemlere paralel ve ksnn ortasındadır. Bu düzlemler arasındak aralık 2/ w ( w w nn Eucldean normu) dr. Aralığın maksmze edlmes optmzasyon problemne neden olmaktadır (5). Küçükle: {1/2 w 2 } (5) Bu problem Lagrange denklem le tanımlanablr: k k 1 2 k Büyükle: r r x. x j 1 1 Kısıtlamalar: 0 k 1 r 1 and α 0, = 1,2,,k Very k sınıftan brne (+1 sınıflardan brn, -1 dğern göstermektedr) sınıflandırablmek çn karar kuralı uygulanır. (8) o o f ( x) sgn r ( x. x) b sv Ver setlernn karışık olması durumunda ve doğrusal olarak ayrılması mümkün değlse eştlk 8 sağlanamaz ve bu nedenle arttıran yapay değşken (ξ) ve ceza parametreler (C) tanımlanmalıdır. Bu parametrelern eklenmesyle optmzasyon problem ve kısıtlamalar şu şeklde olmaktadır: 2 (9) r w mn C 1 2 r (w.x + b) 1 ξ (10) Yukarıdak eştlkte C parametres düzenleme parametresdr ve gürültülü eğtm alanları le sınıflandırma karmaşası arasındak dengey tanımlar. Doğrusal olmayan sınıflandırmada eğtm alanları yüksek boyutlu (özellk) uzaya transfer (6) (7) 298

8 299 edlerek çözümlenr. Bu durumda, problem kernel fonksyonu (K) kullanılarak çözülür ve Kernel fonksyonunu kullanmak karar kuralında aşağıda verlen değşklğe yol açar: (11) o o f ( x) sgn r K( x. x) b sv Bu çalışmada bna ve bna olmayan alanlar kl DVM sınıflandırması uygulanarak kye ayrılmıştır. Yardımcı verlern sınıflandırma şlemne katılmasının sınıflandırma doğruluğunu etkledğ blnmektedr. Bu nedenle bu çalışmada sınıflandırma sırasında IKONOS görüntüsünün spektral bantlarına ek olarak nsym, NFBÖİ, 1. TB ve Yoğunluk görüntüler yardımcı verler olarak kullanılmıştır. Kullanılan ver setler ve çerdkler bantlar tablo 1 de verlmştr. nsym de bnalar arazden ayırt edlebldğnden sınıflandırmaya katılmasının yararlı olableceğ düşünülmektedr. Benzer şeklde NFBÖİ görüntüsünün de sınıflandırmada kullanılmasının, özellkle yeşl alanlarla çevrl bnaların belrlenmesnde, faydalı olableceğ düşünülmektedr. Öte yandan, 1.TB ve yoğunluk görüntüler orjnal görüntülerden daha y yorumlanabldğnden sınıflandırma sırasında ek bant olarak kullanılmıştır. Sınıflandırma şlemnde kullanılan bantlar aşağıdak gb etketlenmştr: B 1 Kesknleştrlmş Mav bant B 2 Kesknleştrlmş Yeşl bant B 3 Kesknleştrlmş Kırmızı bant B 4 Kesknleştrlmş Yakın Kızıl Ötes bant B nsym Normalleştrlmş sayısal yüzey model (nsym) bandı B NFBÖİ Normalleştrlmş Fark Btk Örtüsü Indeks (NFBÖİ) bandı B TB1 Brnc Temel Bleşen bandı Yoğunluk Görüntüsü bandı B Y Ver Setler Bantlar Set 1 B 1, B 2, B 3, B 4 Set 2 B 1, B 2, B 3, B 4, B nsym Set 3 B 1, B 2, B 3, B 4, B NFBÖİ Set 4 B 1, B 2, B 3, B 4, B TB1 Set 5 B 1, B 2, B 3, B 4, B Y Set 6 B 1, B 2, B 3, B 4, B ndsm, B NFBÖİ Set 7 B 1, B 2, B 3, B 4, B TB1, B Y Set 8 B 1, B 2, B 3, B 4, B nsym, B NFBÖİ, B TB1, B Y Tablo 1: Destek Vektör Makneler Sınıflandırmasında kullanılan ver setler ve çerdkler bantlar Bu çalışmada tespt edlecek sınıf bna sınıfıdır. Fakat, alanda bna olmayan sınıflar örneğn, btk, yol, boş alan, yaya kaldırımı, gölge, vb. sınıflar da mevcuttur. Dolayısı le, bna sınıfını bna olmayan sınıflardan ayırablmek çn hem bna hem de bna olmayan sınıflardan eğtm alanı örneklernn toplanması gerekr. Bna ve bna olmayan sınıflar çn eşt sayıda eğtm hücres toplanmıştır. Bna olmayan alanlar çn eğtm hücre yüzdes alt sınıfların görüntüdek dağılımlarına göre belrlenmştr. Test alanlarından her sınıf ve alt sınıflar çn toplanan eğtm hücre sayıları ve yüzdeler tablo 2, tablo 3 ve tablo 4 de verlmştr. Classes Sub-Classes Eğtm Alanı Hücre Sayıları Bna (% 50) Bna (%50) 250, 500, 1000 Btk (%20) 100, 200, 400 Yol (%14) 70, 140, 280 Bna-Olmayan (% 50) Boş alan (%12) 60, 120, 240 Yaya kaldırımı (%2) 10, 20, 40 Gölge (%2) 10, 20, 40 Toplam (%100) Toplam (%100) 500, 1000, 2000 Tablo 2: I. Test alanı çn toplanan eğtm hücreler sayıları Sınıflar Alt-Sınıflar Eğtm Alanı Hücre Sayıları Bna (% 50) Buldng (%50) 250, 500, 1000 Btk (%15) 75, 150,

9 300 Yol (%15) 75, 150, 300 Bna-Olmayan (% 50) Gölge (%10) 50, 100, 200 Yaya kaldırımı (%2) 10, 20, 40 Boş alan (%8) 40, 80, 160 Toplam (%100) Toplam (%100) 500, 1000, 2000 Tablo 3: II. Test alanı çn toplanan eğtm hücreler sayıları Sınıflar Alt-Sınıflar Eğtm Alanı Hücre Sayıları Bna (% 50) Buldng (%50) 250, 500, 1000 Boş alan (%24) 120, 240, 480 Yol (%12) 60, 120, 240 Bna-Olmayan (% 50) Btk (%10) 50, 100, 200 Yaya kaldırımı (%2) 10, 20, 40 Gölge (%2) 10, 20, 40 Toplam (%100) Toplam (%100) 500, 1000, 2000 Tablo 4: III. Test alanı çn toplanan eğtm hücreler sayıları Eğtm alanı hücrelernn toplanmasından sonra, ver setlern azaltmak ve gereksz bantları sınıflandırmaya katmamak amacıyla, Jeffres-Matusta (Rchards, 1999) ya dayalı statstksel teknk kullanılarak sınıflar arasındak spektral ayrılablrlk değerler hesaplanmıştır. Spektral ayrılablrlk değerler 0 2 arasında br değer alır ve seçlen eğtm alanlarının statstksel olarak ne derece ayrılablr olduğunu gösterr. Yüksek değerler sınıfların statstksel olarak ayrılabldğn, düşük değerler se sınıflar arasında spektral çakışma olduğunu gösterr. Test alanları çn hesaplanmış olan spektral ayrılablrlk değerler tablo 5 de verlmştr. Test Alanları Ver- Bantlar Spektral Ayrılablrlk Değerler Setler Set 1 B1, B2, B3, B Set 2 B1, B2, B3, B4, BnSYM I. Test Alanı Set 3 B1, B2, B3, B4, BNFBÖİ Set 4 B1, B2, B3, B4, BTB Set 5 B1, B2, B3, B4, BY Set 6 B1, B2, B3, B4, BnSYM, BNFBÖİ Set 7 B1, B2, B3, B4, BTB1, BY Set 8 B1, B2, B3, B4, BnSYM, BNFBÖİ, BTB1, BY Set 1 B1, B2, B3, B Set 2 B1, B2, B3, B4, BnSYM II. Test Alanı Set 3 B1, B2, B3, B4, BNFBÖİ Set 4 B1, B2, B3, B4, BTB Set 5 B1, B2, B3, B4, BY Set 6 B1, B2, B3, B4, BnSYM, BNFBÖİ Set 7 B1, B2, B3, B4, BTB1, BY Set 8 B1, B2, B3, B4, BnSYM, BNFBÖİ, BTB1, BY Set 1 B1, B2, B3, B Set 2 B1, B2, B3, B4, BnSYM III. Test Alanı Set 3 B1, B2, B3, B4, BNFBÖİ Set 4 B1, B2, B3, B4, BTB Set 5 B1, B2, B3, B4, BY Set 6 B1, B2, B3, B4, BnSYM, BNFBÖİ Set 7 B1, B2, B3, B4, BTB1, BY Set 8 B1, B2, B3, B4, BnSYM, BNFBÖİ, BTB1, BY Tablo 5: Ver setler ve farklı sayıdak (500, 1000, 2000) eğtm hücreler çn hesaplanmış olan spektral ayrılablrlk değerler Hesaplanmış olan spektral ayrılablrlk değerler ncelendğnde, spektral bantlara ek olarak 1.TB (Set 4) veya yoğunluk görüntüsünün (Set 5) ya da her ksnn (Set 7) kullanılmasının, sadece spektral bantların kullanılmasıyla karşılaştırıldığında, sonuçları çok az etkledklern söylemek mümkündür. Ayrıca, nsym ve NFBÖİ bantlarını brlkte 300

10 301 ek bant olarak kullanmak ayrılablrlğ, sadece brn kullanmaktan daha çok, arttırmaktadır. Bu nedenle Set 2, Set 3, Set 4, Set 5 ve Set 7 sınıflandırma şlemnde kullanılmamıştır. Spektral ayrılablrlk değerler ncelendklernde nsym versnn ayrılablrlğ, her üç test alanında, öneml ölçüde arttırdığı görülmektedr. NFBÖİ görüntüsü ayrılablrlğ I. ve II. test alanları çn öneml ölçüde arttırmakta, III. test alanında se az br artış sağlamaktadır. Farklı bölgelerde farklı etknn olmasının nedennn farklı yeşl alan mktarlarından kaynaklandığı düşünülmektedr. I. ve II. test alanlarında bna çevrelernde yeşl alanlar bulunmaktadır, III. test alanında se oldukça az yeşl alan vardır. Tüm ver setler çn ayrılablrlk sonuçları değerlendrldğnde Set 6 ve Set 8 n en y sonuçlar verdğ ve bu k ver set arasında öneml br fark olmadığı görülmüştür. DVM sınıflandırması uygulanırken kernel metodunun ve C parametresnn belrlenmes önemldr. Bu çalışmada genellkle y sonuç veren Radyal Taban Fonksyonu (RTF) kullanılmıştır. RTF doğrusal olarak ayrılamayan problemlerde kullanılablmektedr. C parametres değer olarak 1000 alınmıştır. 6. ARTEFAKTLARIN YOK EDİLMESİ Sınıflandırma şlem sırasında yanlış sınıflandırılan hücrelerden dolayı elde edlen olası bna alanları artefaktlar çereblmektedr. Bunları gdermek çn açılma ve kapanma morfolojk operasyonları kullanılmıştır. Morfolojk operasyonlar görüntüler şekle göre şleyen görüntü şleme operasyonlarıdır. Bu çalışmada, yapılanma elemanından küçük olan görüntü detaylarını yok etmek çn açılma ve kapanma operasyonları zotropk yapılanma elemanı le brlkte kullanılmış ve böylece, objelern genel bçmler bozulmamıştır (Sonka vd., 1998). Aşınmayı takp eden genşleme açılma yı oluşturur. Görüntünün (f), yapılanma elemanı (k) le açılması f k le gösterlr ve (12) dek gb tanımlanır. Genşlemey takp eden aşınma se kapanma olarak adlandırılır. Görüntünün (f), yapılanma elemanı (k) le kapanması f k le gösterlr ve (13) dek gb tanımlanır. f k fk k (12) f k f kk (13) Açılma fltres nce çıkıntıları, dışarı doğru olan svr sınır düzenszlklern, nce brleşmler ve zole olmuş küçük objeler yok eder. Kapanma fltres se nce grntler, çe doğru olan svr sınır düzenszlklern ve küçük boşlukları yok eder (Gonzales vd., 2004). Bu nedenle, açılma ve kapanma operasyonlarını brleştrmek artefaktları ve gürültüyü yok etmek çn oldukça elverşl olablmektedr. 7. TARTIŞMA Önerlen yaklaşımla belrlenmş olan bna alanlarının doğruluklarını hesaplayablmek çn 1999 yılına at mevcut sayısal bna vektör vertabanı uydu görüntüsünden güncellenmş ve bu ver set referans bna ver tabanı olarak kullanılmıştır. Belrlenen bna alanları le referans bna alanları karşılaştırılmış ve dört ölçü değer (Doğru Poztf - DP, Doğru Negatf - DN, Yanlış Poztf - YP ve Yanlış Negatf - YN) hesaplanmıştır (Shufelt ve McKeown, 1993). Doğru Poztf (DP), hem önerlen yöntem sonucunda hem de referans verde bna olarak belrlenen alanlardır. Doğru Negatf (DN), hem önerlen yöntem sonucunda hem de referans verde arka plan (bna olmayan alan) olarak belrlenen alanlardır. Yanlış Poztf (YP), yalnız önerlen yöntem sonucunda bna olarak belrlenen alanları temsl ederken Yanlış Negatf (YN), yalnız referans verde bna olarak belrlenen alanları temsl etmektedr. Ayrıca, ayrılma katsayısı (YP/DP), kaçırma katsayısı (YN/ DP), bna belrleme yüzdes (100 * DP / (DP+YN)) ve kalte yüzdes (100 * DP / (DP+YP+YN)) değerler de hesaplanmıştır. Ayrılma katsayısı yanlışlıkla bna olarak bulunan alanların oranıdır ve fazladan bna alanı olarak belrlenen alanların, doğru br şeklde bna alanı olarak belrlenen alanlara bölünmesyle elde edlr. Kaçırma katsayısı, kaçırılan bna alanları oranını göstermekte olup gerçekte bna olduğu halde yaklaşımda bna olarak belrlenmeyen alanların, doğru br şeklde bna alanı olarak belrlenen alanlara oranıdır. Bna belrleme yüzdes (BBY) doğru bulunan bnaların yüzdesn göstermektedr. Kalte yüzdes (KY) yaklaşımın performansının toplam ölçümünü göstermektedr. Test alanları çn DVM sınıflandırmasının ncel değerlendrme sonuçları tablo 6, tablo 7 ve tablo 8 de verlmştr. Ver Setler Set 1 Eğtm Hücres Sayısı DP DN YP Ayrılma Kaçırma Bna Belrleme Kalte

11 302 Set 6 Set Tablo 6: I. Test alanı çn DVM sınıflandırmasının ncel değerlendrmes I. test alanı çn DVM sınıflandırma sonuçları ncelendğnde, sonuçların Set 6 ve Set 8 çn BBY ve KY açısından oldukça benzer olduğu görülmektedr. Set 6 çn 500, 1000 ve 2000 eğtm örneğ kullanıldığında BBY yüzde 91.01, ve olarak hesaplanmıştır. Benzer şeklde Set 8 çn 500, 1000 ve 2000 eğtm örneğ kullanıldığında BBY yüzde 90.99, ve olarak hesaplanmıştır. Bunun yanında, 500, 1000 ve 2000 eğtm örneğ kullanıldığında Set 6 çn KY değerler yüzde 65.21, ve 65.47, Set 8 çn se yüzde 64.80, ve olarak bulunmuştur. Dğer taraftan, Set 1 n kullanılmasıyla yapılan sınıflandırma sonucunda daha düşük doğruluk değerler elde edlmştr. Bu ver setnde 500, 1000 ve 2000 eğtm örneğ kullanıldığında BBY yüzde 79.92, ve 80.62, KY se yüzde 57.52, ve olarak hesaplanmıştır. Ver Setler Set 1 Set 6 Set 8 Eğtm Hücres Sayısı DP DN YP Ayrılma Kaçırma Bna Belrleme Kalte Tablo 7: II. Test alanı çn DVM sınıflandırmasının ncel değerlendrmes II. test alanında, I. test alanında olduğu gb, Set 6 ve Set 8 çn, benzer BBY ve KY değerler hesaplanmıştır. Set 6 çn 500, 1000 ve 2000 eğtm örneğ kullanıldığında BBY yüzde 92.79, ve olarak hesaplanmıştır. Benzer şeklde Set 8 çn 500, 1000 ve 2000 eğtm örneğ kullanıldığında BBY yüzde 92.60, ve olarak hesaplanmıştır. Dğer taraftan, Set 1 kullanılarak yapılan sınıflandırma sonucunda daha düşük doğruluk değerler elde edlmştr. Bu ver setnde 500, 1000 ve 2000 eğtm örneğ kullanıldığında BBY yüzde 89.47, ve olarak hesaplanmıştır. KY değerler, 500, 1000 ve 2000 eğtm örneğ kullanıldığında Set 6 çn yüzde 67.52, ve 67.94, Set 8 çn yüzde 67.59, ve olarak hesaplanmıştır. Fakat aynı değerlendrme faktörü Set 1 çn yüzde 56.57, ve olarak bulunmuştur. Ver Setler Set 1 Set 6 Eğtm Hücres Sayısı DP DN YP Ayrılma Kaçırma Bna Belrleme Kalte

12 303 Set Tablo 8: III. Test alanı çn DVM sınıflandırmasının ncel değerlendrmes III. test alanı çn DVM sınıflandırma sonuçları ncelendğnde Set 6 ve Set 8 çn BBY ve KY açısından oldukça benzer oldukları görülmektedr. Set 6 çn 500, 1000 ve 2000 eğtm örneğ kullanıldığında BBY yüzde 95.92, ve olarak hesaplanmıştır. Benzer şeklde, Set 8 çn 500, 1000 ve 2000 eğtm örneğ kullanıldığında BBY yüzde 95.43, ve olarak hesaplanmıştır. Bunun yanında 500, 1000 ve 2000 eğtm örneğ kullanıldığında Set 6 çn KY değerler yüzde 71.06, ve olarak, Set 8 çn se yüzde 70.56, ve olarak bulunmuştur. Dğer taraftan, Set 1 kullanılarak yapılan sınıflandırma sonucunda daha düşük doğruluk değerler elde edlmştr. Şöyle k, 500, 1000 ve 2000 eğtm örneğ kullanıldığında BBY yüzde 90.29, ve 90.57, KY se yüzde 63.59, ve olarak hesaplanmıştır. Sonuçlar değerlendrldğnde eğtm alanı örneğ sayısını artırmanın sonuçlarda öneml br değşklğe neden olmadığı görülmektedr. Bu nedenle, eğtm örneğ sayısını 500 olarak almanın uygun olduğu tespt edlmştr. Dğer taraftan, bu çalışmada kullanılan yardımcı verlern sınıflandırma doğruluğunu öneml ölçüde arttırdığı belrlenmştr. Özellkle nsym ve NFBÖİ bantlarının sınıflandırmada ek bantlar olarak kullanılmasının sonuçları olumlu etkledğ tespt edlmştr. Ancak bu bantlara ek olarak 1. TB ve yoğunluk görüntüsü kullanmanın sonuçlarda öneml br değşklğe neden olmadığı belrlenmştr. Özetle, Set 6 nın sınıflandırmada en y sonucu verdğ söyleneblr. Test alanları çn, Set 6 bantları ve 500 eğtm alanı örneğnn kullanılması le elde edlen DVM sınıflandırma sonuçları Şekl 9 da verlmştr. Ayrıca, elde edlen DVM sınıflandırma sonuçlarını En Büyük Olasılık Sınıflandırma Teknğ sonuçları le karşılaştırmak çn Set 6 verler ve 500 eğtm alanı örneğ kullanılarak çok sınıflı sınıflandırma yapılmıştır. Bu sınıflandırmaya at ncel değerlendrme sonuçları tablo 9 de verlmştr. Şekl 9: Set 6 verler ve 500 adet eğtm alanı hücres kullanılarak yapılan DVM sınıflandırma sonuçları DVM sınıflandırma sonuçları le En Büyük Olasılık Sınıflandırma Teknğ sonuçları karşılaştırıldığında, I. ve II. test alanları çn hem BBY ve hem de KY değerlendrme faktörler DVM sınıflandırmasında daha yüksektr. III. Test alanı çn, KY yne DVM sınıflandırma sonuçlarından daha yüksek hesaplanmış ancak BBY En Büyük Olasılık Sınıflandırma Teknğnde daha yüksek bulunmuştur. Bunun neden, III. Test alanındak bnaların genellkle benzer spektral yansıma değerlerne sahp olmalarıdır. Çünkü, bu gb durumlarda geleneksel sınıflandırma teknkler de y sonuç vereblmektedr. Test Alanları DP DN YP Ayrılma Kaçırma Bna Belrleme Kalte I. Test Alanı II. Test Alanı III. Test Alanı Tablo 9: Set 6 verler ve 500 adet eğtm alanı hücres kullanılarak yapılan En Büyük Olasılık 303

13 304 Sınıflandırmanın ncel değerlendrme sonuçları 8. SONUÇLAR Elde edlen sonuçlar değerlendrldğnde, DVM sınıflandırma teknğ kullanılarak bnaların yüksek çözünürlüklü uydu görüntülernden oldukça başarılı br şeklde belrlenebldğ görülmektedr. Tüm ver setler çn değerlendrme yapıldığında: BBY I. Test alanında yüzde aralığında, II. Test alanında yüzde aralığında ve III. Test alanında yüzde aralığında hesaplanmıştır. Benzer şeklde, KY I. Test alanında yüzde aralığında, II. Test alanında yüzde aralığında ve III. Test alanında se yüzde aralığında hesaplanmıştır. Genel olarak, BBY yüzde KY se yüzde aralığında bulunmuştur. Farklı ver setler çn doğruluklar ncelendğnde yardımcı verlern sınıflandırma doğruluğunu öneml ölçüde arttırdığı görülmektedr. Spektral bantlara ek olarak yardımcı verlern kullanılması halnde BBY değer aralığı yüzde , KY değer aralığı se yüzde olarak değşmektedr. nsym ve NFBÖİ bantlarının sınıflandırmada kullanılması durumunda doğruluk değerler öneml ölçüde artarken 1.TB ve Yoğunluk görüntüsünün kullanılması se doğrulukta öneml br artış sağlamamıştır. Eğtm alanı örneğ sayısının DVM sınıflandırması doğruluğuna olan etks ncelendğnde örnek sayısındak artışın, genel olarak, sınıflandırma doğruluğunu arttırdığı söyleneblr. Ancak bu artışın yüzde 2 den fazla olmadığı görülmüştür. Bu nedenle, bu çalışmada elde edlen sonuçlara göre eğtm alanı örneğ sayısını çok fazla arttırmaya gerek olmadığı söyleneblr. DVM ve En Büyük Olasılık sınıflandırma sonuçlarının karşılaştırılması yapıldığında, DVM nn daha y sonuçlar verdğ tespt edlmştr. KAYNAKLAR BOYD, D. S.; SANCHEZ-HERNANDEZ, C.; FOODY, G. M. (2006), Mappng a Specfc Class for Prorty Habtats Montorng from Satellte Sensor Data, Internatonal Journal of Remote Sensng, Vol.27, No. 13, ( ). FOODY, G. M.; MATHUR, A. (2004), A relatve Evaluaton of Multclass Image Classfcaton by Support Vector Machnes, IEEE Transactons on Geoscence and Remote Sensng, Vol.42, No. 6, ( ). FOODY, G. M.; MATHUR, A.; SANCHEZ-HERNANDEZ, C.; BOYD, D. S. (2006), Tranng Set Sze Requrements for the Classfcaton of a Specfc Class, Remote Sensng of Envronment, 104, (1-14). GONZALEZ, R. C.; WOODS, R. E.; EDDINS, S. L. (2004), Dgtal Image Processng Usng Matlab, Pearson Educaton, Inc. Upper Saddle Rver, New Jersey. HUANG, C.; DAVIS, L. S.; TOWNSHEND, J. R. G. (2002), An assessment of support vector machnes for land cover classfcaton, Int. J. Remote Sens., vol. 23, no. 4, ( ). KOÇ D.; TÜRKER M. (2005), IKONOS Pankromatk Uydu Görüntülernden Sayısal Yükseklk Model Oluşturulması, Harta Dergs, Sayı: 134, (31-43). PAL, M.; P. M. MATHER, (2005), Support vector machnes for classfcaton n remote sensng, Int. J. Remote Sens., vol. 26, no. 5, ( ). RICHARDS, J.A. (1999), Remote Sensng Dgtal Image Analyss, Sprnger-Verlag, Berln, p SANCHEZ-HERNANDEZ, C.; BOYD, D. S.; FOODY G., M. (2007), One-Class Classfcaton for a Specfc Land- Cover Class: SVDD Classfcaton of Fenland, IEEE Transactons on Geoscence and Remote Sensng, Vol.45, No. 4, pp. ( ). SHUFELT, J.A.; MCKEOWN, D.M. (1993), Fuson of Monocular Cues to Detect Man-Made Structures n Aeral Imagery, CVGIP: Image Understandng, 57 (3), ( ). SINGH, A.; HARRISON, A. (1985), Standardzed Prncpal Components, Internatonal Journal of Remote Sensng, 6, ( ). SONKA, M.; HLAVAC, V.; BOYLE, R. (1998), Image Processng, Analyss, and Machne Vson, PWS Publshng. VAPNIK, V. N. (1995), The Nature of Statstcal Learnng Theory, New York: Sprnger-Verlag, ISBN WATANACHATURAPORN, P.; ARORA M. K.; VARSHNEY P. K. (2008), Multsource Classfcaton Usng Support Vector Machnes: An Emprcal Comparson wth Decson Tree and Neural Network Classfers, Photogrammetrc Engneerng and Remote Sensng, Vol. 74, No. 2, ( ). ZHU, G.; BLUMBERG, D. G. (2002), Classfcaton usng ASTER data and SVMalgorthms: The case study of Beer Sheva, Israel, Remote Sensng of Envronment, vol. 80, no. 2, ( ). 304