Yrd. Doç. Dr. Saygın ABDİKAN (Grup B) Öğretim Yılı Güz Dönemi
|
|
- Coskun Koçer
- 7 yıl önce
- İzleme sayısı:
Transkript
1 Uzaktan Algılama (JDF439) Sayısal yükseklik modeli Görüntü sınıflandırma yöntemleri Yrd. Doç. Dr. Saygın ABDİKAN (Grup B) Öğretim Yılı Güz Dönemi 1
2 ARAZİ MODELLERİ Yeryüzü, matematiksel olarak tanımlanamayacak derecede düzensiz üç boyutlu bir şekildir. Tam olarak tanımlanabilmesi için sonsuz sayıda noktaya gereksinim vardır. Bu da olanaksız olduğundan, belirli sayıdaki nokta kümesi seçilir ve yüzey bu noktalardan yararlanılarak temsil edilmeye çalışılır. Yeryüzünün uygun bir şekilde temsili, yerbilimlerinde, çok sayıdaki mühendislik ve mimarlık alanında (geomatik, inşaat, jeoloji), askeri uygulamalarda ve diğer birçok alanda büyük bir ihtiyaçtır. Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
3 ARAZİ MODELLERİ Topoğrafik bir yüzey, genellikle uygulamada sayısal bir model olarak üç şekilde gösterilir. Sayısal Yükseklik Modeli (SYM-Digital Eelevation Model), Sayısal Arazi Modeli (SAM-Digital Terrain Model) Sayısal Yüzey Modeli (YM-Digital Surface Model) Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
4 SAYISAL YÜKSEKLİK MODELİ (SYM) Yeryüzü topoğrafyasını en sade ve çıplak şekilde; X, Y ve Z yükseklik değeriyle üç boyutlu olarak ifade eden model olarak tanımlanabilir. SYM ler özellikle topoğrafik bir yüzeyin sayısal gösterimi için kullanılmaktadır. SYM leri dijital anlamda nokta ve çizgi elemanları ile arazi yüzeyinin geometrik gösterimini sağlarlar. SYM ler yeryüzü topoğrafyasını en basit şekilde yansıtan en genel ve yaygın model olarak tanımlanmaktadırlar. Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
5 Yumuşak veya sert kırıklı çizgilerle ve noktalarla tanımlanabilen morfolojik detaylarla tamamlanan, düzenli veya düzensiz dağılımdaki noktalarla arazi yüzeyinin temsil edilmesidir. Noktalar ve çizgiler, aralarındaki lokal enterpolasyonlarla birlikte arazi yüzeyini temsil ederler. Uzaktan Algılama Dersi, Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ 5
6 SAYISAL YÜKSEKLİK MODELİ (SYM) Sayısal Yükseklik Modeli Kaynak: Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
7 SYM nin başlangıç verileri topoğrafyayı yansıtan noktaların XYZ koordinatlarıdır Temel olarak arazideki su toplama ve su ayırımı çizgilerini belirleyen noktalar ve eğimin değiştiği yerlerdeki noktalar SYM üretiminde kullanılır Yeryüzünün topoğrafik yapısını tam olarak bilgisayara aktarabilmek için çok sayıda nokta gerekir Bu kadar çok noktanın koordinatlarının ölçülerek tespit edilmesi hem zahmetli hem de zaman alıcı bir iştir Genel bir yaklaşım olarak mümkün olduğunca az, ancak gerçekleri de yansıtan noktaların arasında enterpolasyon yapılarak yeni noktaların yükseklikleri türetilir Enterpolasyon sonucu SYM kareler halinde hücreler yada üçgenler halinde elde edilir 7
8 SAYISAL YÜKSEKLİK MODELİ (SYM) SYM ler genellikle yaygın olarak raster formatında veya üçgenlenmiş düzensiz ağ (TIN- Triangulated Irregular Network) ile temsil edilir. SYM ler ayrıca sayısal bir görüntü gibi depolanır ve görüntüdeki pikseller yükseklik verilerini içerir. Yani, hücrelerin sayısal değerleri yükseklikleri gösterir. Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
9 SAYISAL YÜKSEKLİK MODELİ (SYM) TIN Kaynak: %E2%80%93-vector-functions Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
10 SAYISAL YÜKSEKLİK MODELİ (SYM) TIN ise rastgele dağılmış X, Y, Z koordinatları bilinen noktalar yardımıyla hesaplanan komşu, kesişmeyen üçgenler topluluğu olarak tanımlanabilir. TIN in vektör yapısı rastgele dağılmış nokta, çizgi ve poligon verileri üzerine kurulmuştur. TIN, eğim, bakı, yüzey alanı ve uzunluğu, hacim hesaplamaları, eşyükselti eğrileri ve yükseklik verilerinin enterpolasyonu için kullanılmaktadır. Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
11 Veriler toplandıktan sonra hata analizinin yapılması gerekir Genel yaklaşım yükseklik kesin değeri bilinen noktaların modelden çıkan değerlerini karşılaştırmaktır Bir SYM nin yeryüzü şekillerini yansıtıp yansıtmadığı, bir hücrenin etrafındaki piksel değerlerinden yeniden değerlenebildiği lokal istatistik ile veya gölge verisi (hillshade) oluşturularak da gözlemlenebilir Sonuçlar yeterli ise SYM oluşturmaya devam edilmektedir Uzaktan Algılama Dersi, Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ 11
12 DEM gölge verisi (hillshade) 12
13 Yöntemler stereo fotogrametri, stereo uydu görüntüleri, lidar, radar interferometri, total station arazi ölçümleridir. 13
14 SAYISAL ARAZİ MODELİ (SAM) SAM arazi yüzeyinin belirgin topoğrafik özelliklerinin ve arazinin gerçek şeklinin daha iyi biçimde sayısal olarak sunulmuş biçimidir. SAM, topoğrafya üzerindeki bina, bitki örtüsü, orman vb. farklı yükseklik değerlerine sahip detayları içermez. Sayısal Arazi Modeli Kaynak: Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
15 SAYISAL ARAZİ MODELİ (SAM) SAM ın oluşturulabilmesi için, seçilen yüzey noktalarının X, Y, Z koordinatları ile uygun bilgisayar programlarına ihtiyaç vardır. Programlar yardımıyla, uygun bir enterpolasyon yöntemi seçilerek dayanak noktalarına bağlı olarak yeni noktaların koordinatları elde edilir. Böylece elde edilen bütün veriler, başka bilgi sistemleri için veri olarak kullanılabilir. Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
16 SAYISAL YÜZEY MODELİ (YM) Sayısal yüzey modeli (YM), SAM ve SYM ye benzer. Farkı ise yükseklik bilgilerinin bina, ağaç, kule ve diğer objelerin yüzeyine ilişkin olmasıdır. Sürekli ve tek değerli olduğu kabul edilir. Başka bir deyişle, yüzey, herhangi bir ani yükseklik değişimi, zirve, çukur, dik yamaç, uçurum, ya da fay kırığı gibi yüzeyin sürekliliğini bozan yapıları içerir. Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
17 SAYISAL YÜZEY MODELİ (YM) (a) SAM (b) YM
18 YM SYM/SAM 18
19 19
20 ASTER GDEM: SRTM: ALOS World 3D: WorldDEM TM : 2m (bağıl) / 4m (mutlak) düşey doğruluk -12m x 12m raster 20
21 CBS Arazi verisi (nokta ölçümü) Vektör veri Raster veri 21
22 Görüntü Sınıflandırma Sınıflandırma nedir Sınıflandırma türleri Kontrolsüz/Kontrollü (Denetimli, Eğitimli) Sınıflandırma doğruluğu Hata matrisi 22
23 SINIFLANDIRMA Yer yüzeyindeki cisimlerin elektromanyetik spektrumun değişik bölgelerinde yansıttıkları veya yaydıkları ışınım farklılık göstermektedir. Bu farklılıklardan yararlanarak yer yüzeyindeki cisimler sınıflandırılabilmektedir. Sınıflandırma, piksellerin yansıtma değerleri dikkate alınarak gruplandırılmaları işlemidir. Amaç uydu görüntüsündeki her bir pikseli spektral özelliklerine göre farklı gruplara ayırmak ve pikseli yansıtma değerine göre yer yüzünde karşılık geldiği kümeye atmaktır. 23
24 24
25 25
26 SINIFLANDIRMA Sınıflandırma işleminde dikkat edilecek konular Algılayıcı, algılama zamanı ve spektral bantların amaca uygun olarak seçimi, Yeryüzü özelliklerini ortaya koyabilecek kontrol alanlarının seçimi, Amaca yönelik sınıflandırma algoritmalarının seçimi, Belirlenen bu özelliklerin tüm görüntüye uygulanması ve sonuç görüntülerinde doğruluk analizlerinin yapılması. 26
27 SINIFLANDIRMA Piksellerin yansıtma değerleri bulundukları görüntünün çeşidine ve ait olduğu ögeye bağlı olarak değişmektedir. Sınıflandırma yöntemi kriterlerine bağlı olarak piksel kümeleri oluşturulur, ancak bazı piksellerin değerleri, gruplar için belirtilen sayısal aralıkların çok dışında ise tanımlanamayanlar (null ya da unknown) grubuna yerleştirilir. Sınıflandırma yöntemleri, kullanıcının sınıflandırmaya müdahale edip etmemesine bağlı olarak, kontrollü/denetimli/eğitimli (supervised) ve kontrolsüz/denetimsiz/eğitimsiz (unsupervised) olmak üzere iki başlık altında incelenir (Shrestha, 1998). 27
28 SINIFLANDIRMA Kontrolsüz Sınıflandırma Kullanıcının veya araştırmacının sınırlı olarak yönlendirmesi ve belirli benzerlik uzaklıkları dikkate alınarak sadece bilgisayar tarafından piksellerin gri değerlerler kullanılarak spektral gruplar oluşturulur. Bu tip sınıflandırma, ilgili alan veya çalışma alanı hakkında daha önceden herhangi bir bilgi yoksa uygulanır. Kullanıcının bilgisi sadece bu grupların isimlendirilmesinde ve sınıf adedi belirtilmesinde kullanılır (Richards, 1986). 28
29 SINIFLANDIRMA Kontrolsüz Sınıflandırma Analitik işlem, algoritmalar kullanılarak ve bunlardan oluşturulan gruplara göre yapılır. Gruplama uygulaması, yansıma verilerinin sınıflandırılması sonucunda oluşur ve sonra bu spektral sınıflardan birine ait olarak ilgili bütün pikseller etiketlenir. Her bir sınıfın bilgisi sadece semboliktir ve yeryüzünü örtme çeşitleriyle ilgili değildir. Diğer taraftan kontrolsüz sınıflandırma, arazide araştırmacıların çalışmasından önce belirlenen çalışma alanındaki ayrılabilir sınıfların spektral olarak sayılarının belirlenmesine yardımcı olabilir. 29
30 SINIFLANDIRMA Kontrolsüz Sınıflandırma En temel kontrolsüz sınıflandırma yöntemi K- ortalamalar (K-means) algoritmasıdır. Bu yöntemde gruplar, seçilen küme merkezlerine olan uzaklıkları dikkate alınarak en yakın oldukları kümeye atanır. (Uzaklık ölçütü Öklit) Küme merkezleri rastlantısal ya da sistematik olarak belirlenir. Her bir kümeleme işleminden sonra küme merkezleri güncellenir. En uygun merkez değeri iteratif olarak güncellenerek elde edilir. 30
31 31
32 SINIFLANDIRMA Kontrolsüz Sınıflandırma Kontrolsüz sınıflandırma yöntemleri içerisinde diğer en yaygın olarak kullanılan ISODATA yüntemidir. ISODATA Iterative Self Organizing Data Analyses Tecnique Tekrarlı Veri Analizi Yöntemi Bu yöntem, tekrarlı olarak tüm sınıflandırmayı gerçekleştirme ve uygulanan her iterasyon sonrasında yeniden istatistik hesaplamasını temel alır. 512
33 ISODATA İstenen sınıf miktarı Tekrarlama (Iterations) Yakınlaşma hatası limiti (Convergence threshold) iterasyonlar arası değişmeyen maksimum piksel (%) 33
34 Sınıf merkezleri rastlantısal belirlenir ve pikseller merkeze en kısa mesafede ki sınıfa atanır Standart sapma ve sınıf merkezleri arası mesafe ölçülür Standart sapma değeri kullanıcı tanımlı eşik değerden büyükse sınıf ikiye bölünür İki sınıfın orta noktaları arası mesafe tanımlı min. mesafeden küçük ise iki sınıf birleştirilir. 34
35 35
36 36
37 SINIFLANDIRMA Kontrollü Sınıflandırma Sınıflandırmayı yapan kişinin çalışma alanı arazi örtüsü ile ilgili bilgi sahibi olması gereklidir. Çalışma ve karar verme şeklinde iki aşamaya ayrılır: Çalışma aşamasında, sınıflandırmayı yapan kişi, görüntü üzerinde her bir sınıf için piksel sayısal aralıklarını poligonlar oluşturarak tanıtır. kullanıcıya poligonlar çizdirme (draw poligon), artan bölge (region growing) önceden belirlenen poligon (existing poligon) yöntemlerinden bir tanesi seçilerek yapılır. 24
38 Artan bölge (region growing) Temel/ana/kaynak piksel (seed pixel) seçilir Komşu pikselleri tarar ve özellikleri kaynak piksel ile karşılaştırır (gri değer) Farklı kaynak pikseller farklı sonuçlar verebilir 38
39 39
40 40
41 41
42 SINIFLANDIRMA Kontrollü Sınıflandırma Bu işlemi karar verme aşaması izler ve bilgisayar piksellerin benzer özelliklerde olup olmadıklarını saptayarak görüntüdeki bütün pikselleri sınıflara atama işlemini gerçekleştirir Kontrollü sınıflandırma yöntemleri, aşağıdaki aşamaları içerir; Yeryüzünü kaplayan sınıfların sayısı ve bunların hangi görüntüde sınıflandırılacağına karar verilmesi. Çalışma alanındaki daha önceki bilgiler kullanılarak, belirlenmiş sınıflardan örnek piksel seçilmesi. Belirlenen her bir eğitim (training) örneği en az 30 piksel içermelidir. 29
43 SINIFLANDIRMA Kontrollü Sınıflandırma Belirli sınıfların parametrelerini hesaplamada algoritma kullanılarak eğitim örneğine uygulanır. Bu parametreler olasılık modeli özelliklerinde kullanılabilir veya çoklu-spektral alanda tanımlanan bölümlerin denklemlerinde olabilir. Verilen bir sınıf için bu parametreler dizini sınıfa ait signature olarak isimlendirilir. Görüntüdeki her piksel algoritmalar sınıflamasından bir tanesi kullanılarak istenilen sınıflardan biri içerisine yerleştirilir. Sonuçta sınıflandırılmış görüntü elde edilir. Tematik haritalar veya istatistik özellikli çizelgeler üretilir. 43
44 ontrollü Sınıflandırma arallelepiped/paralelkenar/paralelyüz Kutu (BOX) Uygun tanıtılan verinin her bir spektral ögesinin histogramları denetlenerek belirli bir standarda getirilir İki boyutlu alanda, dikdörtgenler her bir sınıf için tanıtım verileri etrafında oluşturulur. Üst ve alt alanlar tanıtılır ve bu sınıfın her bir ögesinin karakterleri için alan değeri kullanılmak üzere tanımlanır. İkiden büyük boyutlu özellik uzayında hiper paralelekenarlar oluşur. Bununla birlikte, bu alanda ki bütün ögeler çok boyutlu kutu veya parallelepiped olarak tanımlanır. Hızlı bir yöntemdir ancak hiper paralelkenarlar arasında oluşan bindirmeler sınıflandırma performansı için bir dezavantajdır. 44
45 SINIFLANDIRMA Kontrollü Sınıflandırma En kısa uzaklık En Kısa Uzaklık (Minimum Distance) Sınıflandırma Yöntemi Her bir tanımlama dosyasının ortalama vektörü hesaplanır. Pikselin her bir sınıf ortalamasından uzaklığı Öklid e göre hesaplanır. Öklid Uzaklığı ise Pisagor Teoremi temel alınarak bir pikselin diğer piksele olan uzaklığının ölçüm yöntemidir (Image Analyst User Guide, 1997) Pikseller, en yakın ortalama vektörün sınıf bilgisine atanarak bölümlere ayrılır 45
46 SINIFLANDIRMA Kontrollü Sınıflandırma Minimum Distance Hesaplama alanı için, sadece ortalama vektörleri hesaplanmış alanlar içerisindeki pikseller ve sınıflandırma için tanımlanamayan sınıfa ait piksellerin başlangıç eşik değerleri (threshold) dikkate alınır. Eğer herhangi bir piksel, belirlenen başlangıç eşik değerlerinden uzakta yer alıyorsa sınıflandırılmamış olarak tanımlanır. 46
47 SINIFLANDIRMA Kontrollü Sınıflandırma Minimum Distance Çok basit ve en kolay sınıflandırma yöntemidir, ancak birden fazla sınıfın sınırları içerisinde yer alan pikseller genellikle en küçük sınıfın içerisinde değerlendirilmeye alınır. Ayrıca bu sınıflandırma yöntemi üst sınıfa hizmet eder. Çünkü verilen spektral bant içinde en düşük ve en yüksek sınırlar ile sınıf sınırları tanımlanır. Eğer hala bütün sınıflar dışında pikseller varsa bu pikseller tanımlanamamış sınıf içerisinde atanırlar 47
48 48
49 SINIFLANDIRMA Kontrollü Sınıflandırma Maximum Likelihood En Çok Benzerlik/ Maksimum Olabilirlik Sınıflandırma Yöntemi Bu algoritma, veri tabanındaki spektral farklılıklardan yararlanarak işlem yapar. Spektral farklılıklar sadece objenin farklı yansımasından değil, ayrıca uydu görüntüsünün çözünürlüğünün düşük olması, topoğrafik etkiler, atmosferdeki su moleküllerinden kaynaklanan sis ve gürültü gibi etmenlerden de kaynaklanabilir. 49
50 İstatistiksel bir yöntemdir (varyans, kovaryans) Her pikselin herhangi bir sınıfa ait olma olasılığını değerlendirir, en yüksek olasılık değerine sahip olduğu sınıfa atanır Pikselleri sadece parlaklık değerlerine göre değil, her sınıf için ayrım oluşturacak varyanskovaryans matris değerine göre oluşturur. Bu yöntem normal dağılım gösteren veriler için daha uygun sonuçlar üretecektir 50
51 51
52 Gelişmiş yöntemler Destek vektör makineleri (support vector machines) Karar agaçları (decision trees) Yapay sinir ağları (atrificial neural networks) Rastgele orman (rastgele orman) 52
53 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ Uydu görüntülerinden elde edilen sınıflandırma sonuçlarının doğruluklarının belirlenmesi, uzaktan algılama verilerinden elde edilen haritaların kalitesinin ve kullanılabilirliğinin değerlendirilmesini sağlar. Sınıflandırılmış uydu görüntülerinin, çalışma alanına ait doğruluğu kesin olarak bilinen referans verilerle karşılaştırılmasıyla, sınıflandırılmış piksellerin ait olduğu sınıflara atanma doğrulukları, sınıflandırma hata matrisinden elde edilir. 53
54 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ I: Piksellerin yer alması gerekenden farklı bir sınıfa atanması (error of comission) dahil etme hatası II: Piksellerin uygun bir sınıfa atanamamasıdır (error of omission) 1-I: Üretici doğruluğu (Producer accuracy) 2-II: Kullanıcı doğruluğu (User accuracy) 54
55 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ HATA MATRİSİ (ERROR MATRIX) Hata matrislerinden çeşitli sınıflandırma doğruluk kriterleri türetilebilir. Toplam doğruluk (overall accuracy) Üretici doğruluğu (producer s accuracy) Kullanıcı doğruluğu (user s accuracy) 55
56 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ HATA MATRİSİ (ERROR MATRIX) Toplam doğruluk (overall accuracy): doğru olarak sınıflandırılmış piksellerin toplam sayısının (köşegen toplamı) referans piksellerin toplam sayısına bölünmesiyle elde edilir. Matrisin köşegeni üzerinde bulunmayan elemanları ihmal hatası nı (omission error) temsil eder. 56
57 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ HATA MATRİSİ (ERROR MATRIX) Üretici doğruluğu (producer s accuracy): Her sınıf içinde doğru olarak sınıflandırılmış piksellerin sayısını, bu sınıf için kullanılan örnekleme veri seti pikselleri sayısına bölerek bulunur. Verilen bir arazi örtü türünün örnekleme seti piksellerinin ne kadar iyi sınıflandırılabildiğini gösterir. 57
58 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ HATA MATRİSİ (ERROR MATRIX) Kullanıcı doğruluğu (user s accuracy): her sınıf içinde doğru sınıflandırılmış piksel sayısını, bu kategori içinde sınıflandırılan piksellerin toplam sayısına bölünmesiyle bulunur ve dahil etme hatasını gösteren bir ölçüdür. Bu doğruluk değeri, herhangi bir sınıfa atanan bir pikselin bu sınıfı gerçekte temsil etme olasılığını gösterir. 58
59 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ HATA MATRİSİ (ERROR MATRIX) Dahil etme hatası (commission error) Üretici ihmal hatası (Omission Er) Toplam doğruluk (overall accuracy):doğru olarak sınıflandırılmış piksellerin toplam sayısının (köşegen toplamı) referans piksellerin toplam sayısına bölünmesiyle elde edilir. Üretici doğruluğu:her sınıf içinde doğru olarak sınıflandırılmış piksellerin sayısını, bu sınıf için kullanılan örnekleme veri seti pikselleri sayısına bölerek bulunur Kullanıcı doğruluğu:her sınıf içinde doğru sınıflandırılmış piksel sayısını, bu kategori içinde sınıflandırılan piksellerin toplam 59 sayısına bölünmesiyle bulunur
60 Nesne/Obje tabanlı sınıflandırma Temel işlem birimi piksel yerine görüntü segmentleri/nesneler Görüntü analiz uygulamalarından beklenen gerçek dünya nesnelerinin elde edilememesi 60
61 Düşük çözünürlüklü görüntüler sadece piksel tabanlı sınıflandırılırken Yüksek çözünürlüklü görüntüler nesne tabanlı sınıflandırma yapmak mümkündür Temel Özellikler: Objelerin fiziksel özelliklerinin belirlenmesi (algılayıcı ve aydınlatma). Bunlar nesnenin rengini ve dokusunu ifade eder. 61
62 Topolojik Özellikler: Nesneler veya bütün çerçevenin geometrik komşuluğunu ifade eden özelliktir. Örneğin solda, sağda olma veya belirli bir nesneye belirli bir mesafede olma veya görüntü içindeki belirli bir alanda olma. Çevresel Özellikler: Nesnelerin semantik komşuluk ilişkilerini tanımlayan özelliklerdir. Örneğin bir park %100 şehir alanıyla çevrili olmalıdır. 62
63 Segmentasyon Segmentasyon görüntünün birbirinden farklı alt bölümlere ayrılmasıdır Çoklu segmentasyon aşağıdan-yukarıya, bir piksellik nesnelerle başlayan, alan birleştirme tekniğidir Çok sayıda alt adımda, küçük görüntü nesneleri, büyük olan nesneler ile birleştirilir 63
64 Genelde üç yaklaşım Nokta tabanlı: gri düzeyde eşik değer uyg. Kenar tabanlı: kenar yakalama teknikleri Bölge tabanlı: böl ve birleştir (görüntü nesneleri belirli homojenlik kriterlerine göre belirlenir) 64
65 Farklı uzaysal çözünürlükteki görüntü bilgilerinin eş zamanlı sunumu sağlanırken, görüntü nesnelerinin hiyerarşik ağ yapısını kurarken farklı segmentasyon teknikleri kullanılabilir Görüntü nesneleri birbiriyle bağlanmıştır, böylece, her görüntü nesnesi kendi kontekstini (komşuluk), üst nesnesini, alt nesnesini tanır Böylece nesneler arasındaki ilişkiyi tanımlamak mümkün olabilir. Örneğin Ormana sınır komşuluğu. 65
66 Bu hiyerarşik ağ topolojik olarak sınırlıdır, örneğin bir üst nesnenin sınırı, alt nesnelerinin sınırlarıyla uyumludur. Belirli bir görüntü nesnesiyle gösterilen bir alan, alt nesnelerin alanları toplamıyla tanımlanır. Her bir görüntü nesnesi için poligonlar üretilerek vektörleştirme yapılabilir 66
67 Çoklu-çözünürlüklü segmantasyon işlemi kullanarak görüntü nesnelerinin hiyerarşik yapısı oluşturulmaktadır. Üst katman görüntü segmentleri küçük ölçekli nesneleri gösterirken, alt katman segmentleri ise büyük ölçekli nesneleri gösterir. 67
68 Ölçek parametresi (Scale Parameter): Bu parametre, ortalama nesne boyutunu dolaylı yoldan etkiler. Bu parametre nesnelerin heterojenliğine izin veren maksimum değeri belirler. Ölçek parametresi ne kadar büyürse nesnelerin boyutu da o kadar büyür. 68
69 Renk / Biçim (Color / Shape): Renk ve biçim çatışmasının nesne üretimine olan etkisi (homojenlik) Biçim kriterinin yüksek olması spektral homojenliğinin nesne üretimine etkisini azaltır 69
70 Yumuşaklık / Bütünlük (Smoothness / Compactness): 0' dan büyük olduğunda kullanıcı, nesnelerin daha bütün (yoğun) veya daha yumuşatılmış olması gerektiğine karar verebilir. 70
71 J. Appl. Remote Sens. 8(1), (Jan 29, 2014). doi: /1.jrs
72 72
73 Segmentasyonda çeşitli parametreler göz önüne alınır: Renk: her bantın ortalama, std sapma, bant oranları Boyut: alan, uzunluk/genişlik oranı, Biçim: asimetri, dikdörtgen uyumu, yuvarlaklık Doku: pürüzsüzlük, lokal homojenlik Sınıf seviyesi: komşuluk ilişksi, alt ve üst komşuluk 73
74 74
75 75
Yrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi
Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2014-2015 Öğretim Yılı Bahar Dönemi 1 Görüntü Sınıflandırma Sınıflandırma nedir Sınıflandırma türleri Kontrolsüz/Kontrollü (Denetimli, Eğitimli)
DetaylıYrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi
Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2015-2016 Öğretim Yılı Bahar Dönemi 1 Görüntü Zenginleştirme Mekânsal Dönüşümler Mekânsal dönüşümler, uzaktan algılama görüntülerindeki bilgiyi
DetaylıYrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi
Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2016-2017 Öğretim Yılı Bahar Dönemi 1 Görüntü Zenginleştirme Mekânsal Dönüşümler Mekânsal dönüşümler, uzaktan algılama görüntülerindeki bilgiyi
DetaylıEmrah Kurtoğlu Gamze Dinçar Liva Gizem Göze Ali Kadir Ulu
1302120002 1302130068 1302150039 1302150049 Emrah Kurtoğlu Gamze Dinçar Liva Gizem Göze Ali Kadir Ulu 17.10.2016 SPEKTRAL İMGELER Bir malzeme için yansıyan, yutulan veya iletilen ışınım miktarları dalga
DetaylıUzaktan Algılama Uygulamaları
Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ
DetaylıUzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve
DetaylıGörüntü Sınıflandırma
Görüntü Sınıflandırma Chapter 12 https://www.google.com.tr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0 CBwQFjAA&url=http%3A%2F%2Ffaculty.une.edu%2Fcas%2Fszeeman%2Frs%2Flect%2FCh%2 52012%2520Image%2520Classification.ppt&ei=0IA7Vd36GYX4Uu2UhNgP&usg=AFQjCNE2wG
DetaylıYrd. Doç. Dr. Aycan M. MARANGOZ. BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF336 FOTOGRAMETRİ II DERSi NOTLARI
FOTOGRAMETRİ II FOTOGRAMETRİK ÜRÜNLER BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF336 FOTOGRAMETRİ II DERSi NOTLARI http://geomatik.beun.edu.tr/marangoz/ GİRİŞ Giriş Ortofoto Ortofoto Ürün
DetaylıUYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI DOĞRULUK DEĞERLENDİRMESİ
ZKÜ MÜHENDİSLİK FAKÜLTESİ JEODEZİ VE FOTOGRAMETRİ MÜHENDİSLİĞİ BÖLÜMÜ UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI VE DOĞRULUK DEĞERLENDİRMESİ UZM. MURAT ORUÇ 1 UZAKTAN ALGILAMANIN FİZİKSEL F ESASLARI Günümüzde
DetaylıUYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA
UYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında ucuz ve hızlı sonuç alınabilen uzaktan algılama tekniğinin, yenilenebilir
DetaylıGörüntü Segmentasyonu (Bölütleme)
Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 20 Aralık 2014 Cumartesi 1 Görüntü Segmentasyonu 20 Aralık 2014 Cumartesi 2 Gestalt kanunları Görüntü
DetaylıYOĞUN GÖRÜNTÜ EŞLEME ALGORİTMALARI İLE ÜRETİLEN YÜKSEK ÇÖZÜNÜRLÜKLÜ SAYISAL YÜZEY MODELİ ÜRETİMİNDE KALİTE DEĞERLENDİRME VE DOĞRULUK ANALİZİ
YOĞUN GÖRÜNTÜ EŞLEME ALGORİTMALARI İLE ÜRETİLEN YÜKSEK ÇÖZÜNÜRLÜKLÜ SAYISAL YÜZEY MODELİ ÜRETİMİNDE KALİTE DEĞERLENDİRME VE DOĞRULUK ANALİZİ Naci YASTIKLI a, Hüseyin BAYRAKTAR b a Yıldız Teknik Üniversitesi,
DetaylıTMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon
TMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon Lazer Tarama Verilerinden Bina Detaylarının Çıkarılması ve CBS İle Entegrasyonu
DetaylıTEMEL GÖRÜNTÜ BİLGİSİ
TEMEL GÖRÜNTÜ BİLGİSİ ÜRÜNLER Ortofoto/görüntü, Sayısal Yüzey, Yükseklik ve Arazi Modeli Kavramları BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF345 TEMEL GÖRÜNTÜ BİLGİSİ DERSİ NOTLARI http://geomatik.beun.edu.tr/marangoz/
DetaylıEROZYONUN KANTİTATİF OLARAK BELİRLENMESİ. Dr. Şenay ÖZDEN Prof.Dr. Nuri MUNSUZ
EROZYONUN KANTİTATİF OLARAK BELİRLENMESİ Dr. Şenay ÖZDEN Prof.Dr. Nuri MUNSUZ Havza koruma projelerinde erozyonun azaltılması ile sediment problemlerinin ıslahı, temel amaçları oluşturmaktadır. Bunun için
DetaylıKISIM 5 COĞRAFİ BİLGİ SİSTEMİ (GIS) ANALİZİ KISIM 5: GIS ANALİZİ 1
KISIM 5 COĞRAFİ BİLGİ SİSTEMİ (GIS) ANALİZİ KISIM 5: GIS ANALİZİ 1 GIS ANALİZİ GIS Analizi, üretme, işleme ve mekansal veriyi sorgulama kısımlarını kapsar 1. Veri üretme Görüntüyü sınıflandırma (Unsupervised)
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıNDEN BELİRLENEBİLME LME POTANSİYELİ UYDU GÖRÜNTÜLERİNDEN
BİNALARIN YÜKSEK Y ÇÖZÜNÜRLÜKLÜRLÜKL UYDU GÖRÜNTÜLERİNDEN NTÜLER NDEN BELİRLENEBİLME LME POTANSİYELİ Dilek KOÇ SAN dkoc@metu metu.edu.tr Orta Doğu u Teknik Üniversitesi, Jeodezi ve Coğrafi Bilgi Teknolojileri
DetaylıYrd. Doç. Dr. Aycan M. MARANGOZ. BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF336 FOTOGRAMETRİ II DERSi NOTLARI
FOTOGRAMETRİ II FOTOGRAMETRİK ÜRÜNLER BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF336 FOTOGRAMETRİ II DERSi NOTLARI http://geomatik.beun.edu.tr/marangoz/ GİRİŞ Giriş Ortofoto Ortofoto Ürün
DetaylıGörüntü Segmentasyonu (Bölütleme) Dijital Görüntü İşleme Fevzi Karslı, KTÜ Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır.
Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 16 Ocak 2014 Perşembe 1 Görüntü Segmentasyonu 16 Ocak 2014 Perşembe 2 Görüntüden Objelere Bir objeyi
DetaylıUzaktan algılamada uydu görüntülerine uygulanan işlemler
Uzaktan algılamada uydu görüntülerine uygulanan işlemler Uzaktan algılama görüntülerine uygulanan işlemler genel olarak; 1. Görüntü ön işleme (Düzeltme) 2. Görüntü İşleme olarak ele alınabilir. GÖRÜNTÜ
DetaylıKümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir
Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş
Detaylı3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü
3.2. Raster Veriler Satırlar Piksel/hücre büyüklüğü Sütunlar 1 Görüntü formatlı veriler Her piksel için gri değerleri kaydedilmiştir iki veya üç bant (RGB) çok sayıda bant Fotoğraf, uydu görüntüsü, ortofoto,
DetaylıTanımlar, Geometrik ve Matemetiksel Temeller. Yrd. Doç. Dr. Saygın ABDİKAN Yrd. Doç. Dr. Aycan M. MARANGOZ. JDF329 Fotogrametri I Ders Notu
FOTOGRAMETRİ I Tanımlar, Geometrik ve Matemetiksel Temeller Yrd. Doç. Dr. Saygın ABDİKAN Yrd. Doç. Dr. Aycan M. MARANGOZ JDF329 Fotogrametri I Ders Notu 2015-2016 Öğretim Yılı Güz Dönemi İzdüşüm merkezi(o):
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
DetaylıTanımlar, Geometrik ve Matemetiksel Temeller. Yrd. Doç. Dr. Saygın ABDİKAN Yrd. Doç. Dr. Aycan M. MARANGOZ. JDF329 Fotogrametri I Ders Notu
FOTOGRAMETRİ I Tanımlar, Geometrik ve Matemetiksel Temeller Yrd. Doç. Dr. Saygın ABDİKAN Yrd. Doç. Dr. Aycan M. MARANGOZ JDF329 Fotogrametri I Ders Notu 2015-2016 Öğretim Yılı Güz Dönemi İçerik Tanımlar
DetaylıORM 7420 USING SATELLITE IMAGES IN FOREST RESOURCE PLANNING
ORM 7420 USING SATELLITE IMAGES IN FOREST RESOURCE PLANNING Asst. Prof. Dr. Uzay KARAHALİL Week IV NEDEN UYDU GÖRÜNTÜLERİ KULLANIRIZ? Sayısaldır (Dijital), - taramaya gerek yoktur Hızlıdır Uçuş planı,
DetaylıTOPOĞRAFYA Temel Ödevler / Poligonasyon
TOPOĞRAFYA Temel Ödevler / Poligonasyon Yrd. Doç. Dr. Aycan M. MARANGOZ ÇEVRE MÜHENDİSLİĞİ BÖLÜMÜ JDF 264/270 TOPOĞRAFYA DERSİ NOTLARI http://geomatik.beun.edu.tr/marangoz http://jeodezi.karaelmas.edu.tr/linkler/akademik/marangoz/marangoz.htm
DetaylıJDF821 UZAKTAN ALGILAMA GÖRÜNTÜLERİNDEN DETAY ÇIKARIMI Sunu2
JDF821 UZAKTAN ALGILAMA GÖRÜNTÜLERİNDEN DETAY ÇIKARIMI Sunu2 Yrd. Doç. Dr. Aycan M. MARANGOZ FOTOGRAMETRİ ANABİLİM DALI SUNULARI http://jeodezi.beun.edu.tr/marangoz 2012-2013 Öğretim Yılı Bahar Dönemi
DetaylıTÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun.
Doç.Dr.Mehmet MISIR-2013 TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında
DetaylıCBS Veri. CBS Veri Modelleri. Prof.Dr. Emin Zeki BAŞKENT. Karadeniz Teknik Üniversitesi Orman Fakültesi 2010, EZB
Modelleri Prof.Dr. Emin Zeki BAŞKENT Karadeniz Teknik Üniversitesi Orman Fakültesi Objelerin temsili Raster -- Grid Piksel Konum ve değeri Uydu görüntüleri ve hava fotoları bu formatta Vector -- Linear
DetaylıCOĞRAFİ BİLGİ SİSTEMLERİ VE UZAKTAN ALGILAMA
Coğrafi Bilgi Sistemleri ve Uzaktan Algılama Taşınmaz Değerleme ve Geliştirme Tezsiz Yüksek Lisans Programı COĞRAFİ BİLGİ SİSTEMLERİ VE UZAKTAN ALGILAMA 1 Coğrafi Bilgi Sistemleri ve Uzaktan Algılama İçindekiler
DetaylıEğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir
sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt
DetaylıM. MARANGOZ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ
ÖLÇME BİLGİSİ II Poligon İstikşafı ve Yerüstü Tesisleri, Poligon Ölçüsü ve Türleri Yrd. Doç. Dr. Aycan M. MARANGOZ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF120 ÖLÇME BİLGİSİ II DERSİ NOTLARI http://geomatik.beun.edu.tr/marangoz
DetaylıJDF/GEO 120 ÖLÇME BİLGİSİ II POLİGONASYON
JDF/GEO 120 ÖLÇME BİLGİSİ II POLİGONASYON Dr. Öğr. Üyesi HÜSEYİN KEMALDERE Sınıflandırma (BÖHHBÜY (26.06.2018)-Md:8) Bu yönetmelik kapsamındaki kontrol noktalarının hiyerarşik sınıflandırılması aşağıda
DetaylıEski Yunanca'dan batı dillerine giren Fotogrametri sözcüğü 3 kök sözcükten oluşur. Photos(ışık) + Grama(çizim) + Metron(ölçme)
FOTOGRAMETRİ FOTOGRAMETRİ Eski Yunanca'dan batı dillerine giren Fotogrametri sözcüğü 3 kök sözcükten oluşur. Photos(ışık) + Grama(çizim) + Metron(ölçme) Buna göre ışık yardımı ile ölçme (çizim yapabilme)
DetaylıDigital Görüntü Temelleri Görüntü Oluşumu
Digital Görüntü Temelleri Görüntü Oluşumu Işık 3B yüzeye ulaşır. Yüzey yansıtır. Sensör elemanı ışık enerjisini alır. Yoğunluk (Intensity) önemlidir. Açılar önemlidir. Materyal (yüzey) önemlidir. 25 Ekim
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
DetaylıŞehir Plancıları için İleri Seviye ArcGIS Eğitimi
Şehir Plancıları için İleri Seviye ArcGIS Eğitimi Eğitim Süresi: 4 gün (28 Saat) /esriturkey /company/esri-turkey /EsriTurkiye egitim@esriturkey.com.tr Genel 3D Analyst, Spatial Analyst ve ModelBuilder
DetaylıDik İzdüşüm Teorisi. Prof. Dr. Muammer Nalbant. Muammer Nalbant
Dik İzdüşüm Teorisi Prof. Dr. Muammer Nalbant Muammer Nalbant 2017 1 Dik İzdüşüm Terminolojisi Bakış Noktası- 3 boyutlu uzayda bakılan nesneden sonsuz uzaktaki herhangi bir yer. Bakış Hattı- gözlemcinin
DetaylıArcGIS ile Tarımsal Uygulamalar Eğitimi
ArcGIS ile Tarımsal Uygulamalar Eğitimi Kursun Süresi: 5 Gün 30 Saat http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr ArcGIS ile Tarımsal Uygulamalar Eğitimi Genel
DetaylıKoordinat Referans Sistemleri
Koordinat Referans Sistemleri Harita yapımında geometrik süreç Küre Referans yüzeyin seçimi Elipsoit Ölçek küçültme Dünya/Jeoit Harita düzlemine izdüşüm Harita Fiziksel yer yüzünün belli bir şekli yok,
DetaylıHAVADAN LAZER TARAMA ve SAYISAL GÖRÜNTÜ VERİLERİNDEN BİNA TESPİTİ VE ÇATILARIN 3 BOYUTLU MODELLENMESİ
Akdeniz Üniversitesi Uzay Bilimleri ve Teknolojileri Bölümü Uzaktan Algılama Anabilim Dalı HAVADAN LAZER TARAMA ve SAYISAL GÖRÜNTÜ VERİLERİNDEN BİNA TESPİTİ VE ÇATILARIN 3 BOYUTLU MODELLENMESİ Dr.Nusret
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
DetaylıDr. Öğt. Üyesi Saygın ABDİKAN Öğretim Yılı Bahar Dönemi
Dijital Görüntü İşleme (GEO/JDF338) Dr. Öğt. Üyesi Saygın ABDİKAN 2017-2018 Öğretim Yılı Bahar Dönemi 1 Dersin Kaynakları 1. Rafael C. Gonzales, Richard E. Woods, Digital image processing, New Jersey:
DetaylıTrafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi
Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi ISITES 2016 4 TH INTERNATIONAL SYMPOSIUM ON INNOVATIVE TECHNOLOGIES IN ENGINEERING AND SCIENCE Dr. G. Çiğdem Çavdaroğlu ISITES,
DetaylıUZAKTAN ALGILAMA- UYGULAMA ALANLARI
UZAKTAN ALGILAMA- UYGULAMA ALANLARI Doç. Dr. Nebiye Musaoğlu nmusaoglu@ins.itu.edu.tr İTÜ İnşaat Fakültesi Jeodezi ve Fotogrametri Mühendisliği Bölümü Uzaktan Algılama Anabilim Dalı UZAKTAN ALGILAMA-TANIM
DetaylıTOPOĞRAFYA Kesitlerin Çıkarılması, Alan Hesapları, Hacim Hesapları
TOPOĞRAFYA Kesitlerin Çıkarılması, Alan Hesapları, Hacim Hesapları Yrd. Doç. Dr. Aycan M. MARANGOZ ÇEVRE MÜHENDİSLİĞİ BÖLÜMÜ JDF 264/270 TOPOĞRAFYA DERSİ NOTLARI http://geomatik.beun.edu.tr/marangoz http://jeodezi.karaelmas.edu.tr/linkler/akademik/marangoz/marangoz.htm
DetaylıKoordinat Dönüşümleri (V )
KOORDİNAT DÖNÜŞÜMLERİ ve FARKLI KOORDİNAT SİSTEMLERİ İLE ÇALIŞMA FieldGenius ile birden fazla koordinat sistemi arasında geçiş yaparak çalışmak mümkündür. Yaygın olarak kullanılan masaüstü harita ve CAD
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
DetaylıTOPOĞRAFYA Takeometri
TOPOĞRAFYA Takeometri Yrd. Doç. Dr. Aycan M. MARANGOZ ÇEVRE MÜHENDİSLİĞİ BÖLÜMÜ JDF 264/270 TOPOĞRAFYA DERSİ NOTLARI http://geomatik.beun.edu.tr/marangoz http://jeodezi.karaelmas.edu.tr/linkler/akademik/marangoz/marangoz.htm
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıTEMEL GÖRÜNTÜ BİLGİSİ
TEMEL GÖRÜNTÜ BİLGİSİ FOTOĞRAF/GÖRÜNTÜ KAVRAMI VE ÖZELLİKLERİ BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF345 TEMEL GÖRÜNTÜ BİLGİSİ DERSİ NOTLARI http://geomatik.beun.edu.tr/marangoz/ İÇERİK
DetaylıKLASİK FRAKTALLAR FRAKTAL ÖZELLİKLERİ VE BOYUT
KLASİK FRAKTALLAR FRAKTAL ÖZELLİKLERİ VE BOYUT.. KENDİNE BENZERLİK VE AFİNİTE Fraktal özelliklerinden bir diğeri de kendine benzerlikdir. Geometrik açıdan, aynı şekle sahip olan geometrik şekiller birbirine
DetaylıGörüntü İşleme. Dijital Görüntü Tanımları. Dijital görüntü ise sayısal değerlerden oluşur.
Görüntü İşleme Görüntü işleme, dijital bir resim haline getirilmiş olan gerçek yaşamdaki görüntülerin bir girdi resim olarak işlenerek, o resmin özelliklerinin ve görüntüsünün değiştirilmesidir. Resimler
DetaylıBÖLÜM III: Şebeke Modelleri. Şebeke Kavramları. Şebeke Kavramları. Şebeke Kavramları. Yönlü Şebeke (Directed Network) Dal / ok
8.0.0 Şebeke Kavramları BÖLÜM III: Şebeke Modelleri Şebeke (Network) Sonlu sayıdaki düğümler kümesiyle, bunlarla bağlantılı oklar (veya dallar) kümesinin oluşturduğu yapı şeklinde tanımlanabilir ve (N,A)
DetaylıDijital (Sayısal) Fotogrametri
Dijital (Sayısal) Fotogrametri Dijital fotogrametri, cisimlere ait iki boyutlu görüntü ortamından üç boyutlu bilgi sağlayan, sayısal resim veya görüntü ile çalışan fotogrametri bilimidir. Girdi olarak
DetaylıCOĞRAFİ BİLGİ SİSTEMLERİ İLERİ SEVİYE EĞİTİMLERİ 3D-SPATİAL ANALİZ ve MODEL BUİLDER
COĞRAFİ BİLGİ SİSTEMLERİ İLERİ SEVİYE EĞİTİMLERİ 3D-SPATİAL ANALİZ ve MODEL BUİLDER http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr Kursun Süresi: 5 Gün 40 Saat
DetaylıDigital Görüntü Temelleri Görüntü Oluşumu
Digital Görüntü Temelleri Görüntü Oluşumu Işık 3B yüzeye ulaşır. Yüzey yansıtır. Sensör elemanı ışık enerjisini alır. Yoğunluk (Intensity) önemlidir. Açılar önemlidir. Materyal (yüzey) önemlidir. 06 Kasım
DetaylıYrd. Doç. Dr. Aycan M. MARANGOZ. BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF329 FOTOGRAMETRİ I DERSi NOTLARI
FOTOGRAMETRİ I GEOMETRİK ve MATEMATİK TEMELLER Yrd. Doç. Dr. Aycan M. MARANGOZ BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF329 FOTOGRAMETRİ I DERSi NOTLARI http://geomatik.beun.edu.tr/marangoz/
DetaylıYrd. Doç. Dr. Aycan M. MARANGOZ. BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF329 FOTOGRAMETRİ I DERSi NOTLARI
FOTOGRAMETRİ I GEOMETRİK ve MATEMATİK TEMELLER Yrd. Doç. Dr. Aycan M. MARANGOZ BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF329 FOTOGRAMETRİ I DERSi NOTLARI http://geomatik.beun.edu.tr/marangoz/
DetaylıSummary. Research on Supervised Classification Methods to Determine Cotton Planted Areas by Remote Sensing Technique
Ege Üniv. Ziraat Fak. Derg., 2003 40(2):105-112 ISSN 1018-8851 Uzaktan Algılama Tekniği İle Pamuk Ekili Alanların Belirlenmesinde Kontrollü (Supervised) Sınıflandırma Yöntemlerinin İrdelenmesi Üzerine
DetaylıFOTOGRAMETRİ DAİRESİ BAŞKANLIĞI FAALIYETLERI
FOTOGRAMETRİ DAİRESİ BAŞKANLIĞI FAALIYETLERI Fotg.D.Bşk.lığı, yurt içi ve yurt dışı harita üretimi için uydu görüntüsü ve hava fotoğraflarından fotogrametrik yöntemlerle topoğrafya ve insan yapısı detayları
DetaylıLazer-obje (hedef) etkileşimi-yüzey eğim ve pürüzlülüğü
Lazer-obje (hedef) etkileşimi-yüzey eğim ve pürüzlülüğü Ölçülen düşey mesafe yüzeyin eğimi ve pürüzlülüğüne bağlıdır. Soldaki iki şekil için, sağ şekilden dönen eko daha geniş olduğundan ölçülen mesafe
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
DetaylıKADASTRO HARİTALARININ SAYISALLAŞTIRILMASINDA KALİTE KONTROL ANALİZİ
KADASTRO HARİTALARININ SAYISALLAŞTIRILMASINDA KALİTE KONTROL ANALİZİ Yasemin ŞİŞMAN, Ülkü KIRICI Sunum Akış Şeması 1. GİRİŞ 2. MATERYAL VE METHOD 3. AFİN KOORDİNAT DÖNÜŞÜMÜ 4. KALİTE KONTROL 5. İRDELEME
DetaylıBÖLÜM-II ERDAS IMAGINE TEMEL KISIM1: IMAGINE VIEWER 1
BÖLÜM-II ERDAS IMAGINE TEMEL KISIM1: IMAGINE VIEWER 1 KISIM 1 ERDAS IMAGINE VIEWER KULLANIMI KISIM1: IMAGINE VIEWER 2 GİRİŞ TERMİNOLOJİ GÖRÜNTÜ NEDİR? UZAKTAN ALGILAMA GÖRÜNTÜLERİN GÖRÜNÜŞÜ GEOMETRİK DÜZELTME
DetaylıYILDIZ TEKNİK ÜNİVERSİTESİ İNŞAAT FAKÜLTESİ HARİTA MÜHENDİSLİĞİ BÖLÜMÜ
YILDIZ TEKNİK ÜNİVERSİTESİ İNŞAAT FAKÜLTESİ HARİTA MÜHENDİSLİĞİ BÖLÜMÜ ARAZİ ÇALIŞMASI - 2 UYGULAMA PLANI İSTANBUL, 2018 Dersin Tanıtımı 1) Ders fotogrametri Kamu Ölçmeleri ve Kartografya Anabilim dalları
DetaylıJDF 116 / 120 ÖLÇME TEKNİĞİ / BİLGİSİ II POLİGONASYON
JDF 116 / 120 ÖLÇME TEKNİĞİ / BİLGİSİ II POLİGONASYON Yrd. Doç. Dr. HÜSEYİN KEMALDERE Jeodezik Noktaların Sınıflandırması (BÖHHBÜY-Md:8) Noktaların sınıflandırılması aşağıdaki şekildedir: a) Uzay ve uydu
DetaylıDoğal ve doğal olmayan yapı ve tesisler, özel işaretler, çizgiler, renkler ve şekillerle gösterilmektedir.
HARİTA NEDİR? Yeryüzünün tamamının veya bir parçasının kuşbakışı görünümünün, istenilen ölçeğe göre özel işaretler yardımı ile küçültülerek çizilmiş örneğidir. H A R İ T A Yeryüzü şekillerinin, yerleşim
DetaylıPROF. DR. FATMAGÜL KILIÇ GÜL HARİTA MÜHENDİSLİĞİ BÖLÜMÜ PROF. DR. ERKAN GÖKAŞAN DOĞA BİLİMLERİ MERKEZİ YILDIZ TEKNİK ÜNİVERSİTESİ 2018, İSTANBUL
HRT5207Coğrafi Bilgi Sistemleri ile Yeryüzü Şekillerinin Değerlendirilmesi PROF. DR. FATMAGÜL KILIÇ GÜL HARİTA MÜHENDİSLİĞİ BÖLÜMÜ PROF. DR. ERKAN GÖKAŞAN DOĞA BİLİMLERİ MERKEZİ YILDIZ TEKNİK ÜNİVERSİTESİ
DetaylıArazi örtüsü değişiminin etkileri
Aksaray Üniversitesi Jeodezi ve Fotogrametri Mühendisliği Bölümü Rize İlinin Arazi Örtüsündeki Zamansal Değişimin (1976 ) Uzaktan Algılama ve Coğrafi Bilgi Sistemi İle Belirlenmesi Yd Yrd. Doç. Dr. Sl
DetaylıYrd. Doç. Dr. Aycan M. MARANGOZ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ FOTOGRAMETRİ ANABİLİM DALI SUNULARI JDF435 UZAKTAN ALGILAMA DERSİ NOTLARI
UZAKTAN ALGILAMA Sayısal Görüntü ve Özellikleri GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ FOTOGRAMETRİ ANABİLİM DALI SUNULARI JDF435 UZAKTAN ALGILAMA DERSİ NOTLARI http://jeodezi.karaelmas.edu.tr/linkler/akademik/marangoz
DetaylıARAZİ ÖLÇMELERİ. Koordinat sistemleri. Kartezyen koordinat sistemi
Koordinat sistemleri Coğrafik objelerin haritaya aktarılması, objelerin detaylarına ait koordinatların düzleme aktarılması ile oluşur. Koordinat sistemleri kendi içlerinde kartezyen koordinat sistemi,
DetaylıVeri toplama- Yersel Yöntemler Donanım
Veri toplama- Yersel Yöntemler Donanım Data Doç. Dr. Saffet ERDOĞAN 1 Veri toplama -Yersel Yöntemler Optik kamera ve lazer tarayıcılı ölçme robotu Kameradan gerçek zamanlı veri Doç. Dr. Saffet ERDOĞAN
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Final
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Final Harris ve Moravec Köşe Belirleme Metotları Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim
DetaylıUZAKTAN ALGILAMA Görüntü Verisinin Düzeltilmesi ve Geliştirilmesi
UZAKTAN ALGILAMA Görüntü Verisinin Düzeltilmesi ve Geliştirilmesi Yrd. Doç. Dr. Aycan M. MARANGOZ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF439 UZAKTAN ALGILAMA DERSİ NOTLARI http://jeodezi.karaelmas.edu.tr/linkler/akademik/marangoz
DetaylıDers Sorumlusu: Dr. Ümran KÖYLÜ
Ders Sorumlusu: Dr. Ümran KÖYLÜ umrank@erciyes.edu.tr Ders Konu Başlıkları Veri tabanı yönetim sistemleri Veri tabanlarının işleyişi Öznitelik bilgilerinin veritabanında yönetimi Grafik veriler ile öznitelik
DetaylıUZAKTAN ALGILAMA YÖNTEMİ MADEN ARAŞTIRMA RAPORU
2014 UZAKTAN ALGILAMA YÖNTEMİ MADEN ARAŞTIRMA RAPORU, İhsanullah YILDIZ Jeofizik Mühendisi UZAKTAN ALGILAMA MADEN UYGULAMASI ÖZET İnceleme alanı Ağrı ili sınırları içerisinde bulunmaktadır.çalışmanın amacı
DetaylıİHA GÖRÜNTÜLERİNDEN ELDE EDİLEN OBJE ÖZNİTELİKLERİNİN DOĞRULUK DEĞERLENDİRMESİ ACCURACY ASSESSMENT OF UAV-DERIVED OBJECT ATTRIBUTES
İHA GÖRÜNTÜLERİNDEN ELDE EDİLEN OBJE ÖZNİTELİKLERİNİN DOĞRULUK DEĞERLENDİRMESİ O. ÖZCAN 1, B. BİLGİLİOĞLU 2, S. AKAY 3, N. MUSAOĞLU 2 1 İstanbul Teknik Üniversitesi, Avrasya Yer Bilimleri Enstitüsü, İstanbul,
DetaylıUZAKTAN ALGILAMA Uydu Görüntülerinin Sınıflandırılması
UZAKTAN ALGILAMA Uydu Görüntülerinin Sınıflandırılması GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF439 UZAKTAN ALGILAMA DERSİ NOTLARI http://jeodezi.karaelmas.edu.tr/linkler/akademik/marangoz http://geomatik.beun.edu.tr/marangoz/
Detaylıkoşullar nelerdir? sağlamaktadır? 2. Harita ile kroki arasındaki fark nedir?
1. Bir çizimin harita özelliği taşıması için gerekli koşullar nelerdir? 2. Harita ile kroki arasındaki fark nedir? 3. Haritalar günlük hayatımızda ne gibi kolaylıklar sağlamaktadır? 4. Haritalar hangi
DetaylıGörüntü İşleme. K.Sinan YILDIRIM Cenk İNCE Tahir Emre KALAYCI. Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 2003
Görüntü İşleme K.Sinan YILDIRIM Cenk İNCE Tahir Emre KALAYCI Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 2003 İçerik Görüntü İşleme Nedir? Görüntü Tanımlamaları Görüntü Operasyonları Görüntü İşleme
DetaylıTEMEL HARİTACILIK BİLGİLERİ. Erkan GÜLER Haziran 2018
TEMEL HARİTACILIK BİLGİLERİ Erkan GÜLER Haziran 2018 1 HARİTA Yeryüzündeki bir noktanın ya da tamamının çeşitli özelliklere göre bir ölçeğe ve amaca göre çizilerek, düzlem üzerine aktarılmasına harita
Detaylıİçerik Fotogrametrik Üretim 2 Fotogrametri 2 Hava Fotogrametrisi...2 Fotogrametrik Nirengi 3 Ortofoto 4 Fotogrametrik İş Akışı 5 Sayısal Hava
İçerik Fotogrametrik Üretim 2 Fotogrametri 2 Hava Fotogrametrisi...2 Fotogrametrik Nirengi 3 Ortofoto 4 Fotogrametrik İş Akışı 5 Sayısal Hava Kameralarının Sağlayacağı Faydalar.7 Pramit Oluşturma.10 Kolon
DetaylıYrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi
Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2015-2016 Öğretim Yılı Bahar Dönemi 1 Piksel / dpi Piksel en küçük anlamlı birim dpi = dot per inch/ 1 inch teki nokta sayısı 1 inch =25.4 mm
DetaylıBilgisayar Destekli Haritacılık 2017/ D ve Veri Değişimi. Netcad 7.6
B Bilgisayar Destekli Haritacılık 2017/2018 3D ve Veri Değişimi Netcad 7.6 Kartoğrafya Kartografya Anabilim Dalı Dalı Dalı 2018 K T Ü H a r i t a M ü h e n d i s l i ğ i 3D+: 'NETCAD 3D+', kent ve arazi
DetaylıBEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF 330/336 FOTOGRAMETRİ II
FOTOGRAMETRİ II FOTOGRAMETRİK ÜRÜNLER Yrd. Doç. Dr. Saygın Abdikan BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF 330/336 FOTOGRAMETRİ II DERSi NOTLARI Stereo değerlendirme yapabilmek için,
DetaylıMühendislik Mekaniği Statik. Yrd.Doç.Dr. Akın Ataş
Mühendislik Mekaniği Statik Yrd.Doç.Dr. Akın Ataş Bölüm 2 Kuvvet Vektörleri Kaynak: Mühendislik Mekaniği: Statik, R.C.Hibbeler, S.C.Fan, Çevirenler: A. Soyuçok, Ö.Soyuçok. 2 Kuvvet Vektörleri Bu bölümde,
DetaylıPAN-SHARP LANDSAT 7 ETM+ GÖRÜNTÜSÜ KULLANILARAK PİKSEL-TABANLI VE NESNE-TABANLI SINIFLANDIRMA YAKLAŞIMLARININ KARŞILAŞTIRILMASI
TMMOB Harita ve Kadastro Mühendisleri Odası 11. Türkiye Harita Bilimsel ve Teknik Kurultayı 2-6 Nisan 2007, Ankara PAN-SHARP LANDSAT 7 ETM+ GÖRÜNTÜSÜ KULLANILARAK PİKSEL-TABANLI VE NESNE-TABANLI SINIFLANDIRMA
DetaylıORMAN YOLLARININ UZAKTAN ALGILAMA VE CBS İLE PLANLANMASININ DEĞERLENDİRİLMESİ
ORMAN YOLLARININ UZAKTAN ALGILAMA VE CBS İLE PLANLANMASININ DEĞERLENDİRİLMESİ Arş. Gör. Burak ARICAK Arş. Gör. Erhan ÇALIŞKAN Öğrt. Gör. Dr. Selçuk GÜMÜŞ Prof. Dr. H.Hulusi ACAR KAPSAM Giriş Orman yollarının
DetaylıVERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme
DetaylıGÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ
GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ GÖRÜNTÜ İŞLEME Hafta Hafta 1 Hafta 2 Hafta 3 Hafta 4 Hafta 5 Hafta 6 Hafta 7 Hafta 8 Hafta 9 Hafta 10 Hafta 11 Hafta 12 Hafta 13 Hafta 14 Konu Giriş Digital Görüntü Temelleri-1
DetaylıYÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU VERİLERİ KULLANILARAK ORMAN ÖRTÜSÜNÜN SEGMENT-TABANLI SINIFLANDIRILMASI ÖZET
III. Ulusal Karadeniz Ormancılık Kongresi 20-22 Mayıs 2010 Cilt: II Sayfa: 471-476 YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU VERİLERİ KULLANILARAK ORMAN ÖRTÜSÜNÜN SEGMENT-TABANLI SINIFLANDIRILMASI Muhittin İNAN 1, Hakan
DetaylıBilgisayarla Fotogrametrik Görme
Bilgisayarla Fotogrametrik Görme Dijital Görüntü ve Özellikleri Yrd. Doç. Dr. Mustafa DİHKAN 1 Dijital görüntü ve özellikleri Siyah-beyaz resimler için değer elemanları 0-255 arasındadır. 256 farklı durum
DetaylıCOĞRAFİ BİLGİ SİSTEMLERİ 3D&Spatial Analyst ve ModelBuilder Eğitimi
COĞRAFİ BİLGİ SİSTEMLERİ 3D&Spatial Analyst ve ModelBuilder Eğitimi http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr Kursun Süresi: 5 Gün 40 Saat COĞRAFİ BİLGİ SİSTEMLERİ
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
Detaylı