Görüntü Sınıflandırma

Transkript

1 Görüntü Sınıflandırma Chapter 12 CBwQFjAA&url=http%3A%2F%2Ffaculty.une.edu%2Fcas%2Fszeeman%2Frs%2Flect%2FCh% %2520Image%2520Classification.ppt&ei=0IA7Vd36GYX4Uu2UhNgP&usg=AFQjCNE2wG 21x1FvF9XPCbStx_tj_rcFUQ&sig2=H0frftLhKwBj-iOz0cTQBw&bvm=bv ,d.d24 CBwQFjAA&url=http%3A%2F%2Fwww.crssa.rutgers.edu%2Fcourses%2Fremsens%2Fremsens_ ugrad_ppt%2fremsensing8_files%2fremsensing8.ppt&ei=srq8vevxd8j4upr- gdam&usg=afqjcnhb2fhs3qixj1ddmhkcc5c1f7twiw&sig2=_a4vepgnzf- VhJWz5QTXdw&bvm=bv ,d.d24

2 Giriş Görüntü sınıflandırma piksellerin ilgili sınıflara atanmasıdır. Böylelikle homojen piksel grupları oluşturulur.

3 N bantlı görüntü Piksel Yansıma değerleri Belirlenen sınıflar Sınıflandırma sonucu Bantlar karşılaştırma sınıflandırma

4 Sınıflandırma kontrollü ve kontrolsüz sınıflandırma olmak üzere iki ana gruba ayrılır Kontrollü sınıflandırmada sınıflar kullanıcı tarafından bilinir. Kontrolsüz sınıflandırmada seçilen algoritma ve sınıf sayısına bağlı olarak pikseller gruplandırılır. Hibrid sınıflandırıcılar kontrollü ve kontrolsüz sınıflandırma yöntemlerinin her ikisini de kullanır.

5 Kontrollü Kontrol alanlarının seçimi kontrolsüz Kümeleme algoritması Düzeltilmesi/de ğerlendirilmesi Sınıfların belirlenmsi sınıflandırma Düzeltilmesi/değe rlendirilmesi Sınıflandırmanın doğruluk analizi Sınıflandırmanın doğruluk analizi

6 Kontrollü sınıflandırma A=Su B=Tarım alanı C=Kayalık alan

7 Kontrolsüz sınıflandırma Görüntüye ilişkin öncül bilgi mevcut değildir. Pikseller spektral olarak ayrılır. Kullanıcı: Sınıf sayısını İterasyon sayısını Yakınsama eşik değerini belirler En yaygın olarak: Isodata and k-means yöntemleri kullanılır.

8 Unsupervised classification Yansıma değerleri Algoritma Sınıflar A=Su B=Tarım alanı C=Kayalık alan Spektral sınıflar

9 Varyans Varyans: Ortalamadan olan farkların karesi olarak tanımlanır. Diğer bir deyişle standart sapmanın karesidir σ 2

10 Omuz yükseklikleri: 600mm, 470mm, 170mm, 430mm and 300mm Ort. = = 5 5 = 394

11 Ortalamadan farklar varyans (-224) (-94) 2 = 108,520 Variance: σ 2 = = 21,

12 Standart sapma: σ = 21,704 = 4.7 Böylelikle standart sapma kullanılarak normalin, çok uzun ve çok kısanın belirlenmesine yönelik bir ölçüt elde edilmiş olur. Buna göre Rottweillers uzun köpekler. And Dachsunds biraz kısa... Gibi.

13 Normal Dağılım

14

15 Ortalamaların farkları Basit bir tahmin için iki sınıfın ortalamalarının farkları alınabilir. En doğru yöntem normalleştirilmiş farklara bakmaktır. ND x a x b s a s b

16 NDWI

17 Normalleştirilmiş fark bitki indeksi

18 Kontrolsüz sınıflandırma Uzaktan algılama görüntüleri genellikle farklı spektral sınıfları içerirler Kontrolsüz sınıflandırma öncül olarak söz konusu sınıfların tanımlanması, işaretlenmesi, vb. işlemler için kullanılır.

19 Kontrolsüz sınıflandırma Avantajları Bölgeye ilişkin öncül bilgiye gereksinim yoktur İnsan hatası minimize edilmiştir Her bir sınıf farklı bir kümede toplanır Sakıncaları Sınıflar gerçek anlamda doğadaki karşılıkları ile eşleşmeyebilir Sınıflar ve özellikleri kontrol edilemez Sınıfların spektral özellikleri zaman içinde değişebilir

20 Kontrolsüz sınıflandırma Mesafe ölçümleri yansıma değerlerinin gruplandırılmasında kullanılır. Bu amaçla yakınlık ölçütünü elde etmek için Öklid mesafesi kullanılır.

21

22 Öklid uzaklığı uzaklık

23 Öklid uzaklığı Çok bantlı görüntüler için gösterim (bands) Σ (dif) 2 = 1, = Pixel A Pixel B Fark (Dif)

24 Spektral plot Görüntünün iki bandı. Her bir pikselin 2 band için dağılımı Band 2 Gözle pikseller kolaylıkla gruplandırılabilir Bazı piksellerin hiçbir kümeye atanamadığı durum söz konusu olabilir Band 1

25 K-means (kontrolsüz) 1. Her bir kümeye ait öncül merkezler belirlenir. 2. Pikseller kendilerine en yakın kümeye atanır 3. Her bir kümeye ait ortalama konum yeniden hesaplanır 4. Bu sınıf merkezleri sabit oluncaya kadar iteratif olarak tekrarlanır.

26 Örnek, k-means Band 2 Band 2 Band 2 Band 1 1. Birinci irerasyon. Sınıf merkezleri rastgele belirlenir. Pikseller en yakın sınıfa atanır. Band 1 2. İkinci iterasyon sınıf merkezleri sınıftaki piksellerin merkezine göre yeniden hesaplanır. Band 1 3. N. İterasyon sınıf merkezleri sabit kalır.

27 Sonuç olarak: Kontrolsüz sınıflandırmada uygulanacak yöntem için; Uzaklık ölçümü Sınıf merkezlerinin belirlenmesi Sınıfların ayrılabilirliğinin testi Önemlidir.

28 Karar sınırları Tüm sınıflandırma yazılımları sınıflar arasındaki sınırın belirlenmesi temeline dayanır. Böylelikle sınıflar arasında kesişim oluşmaz. Ortalamaya olan en kısa mesafe En yakın komşuluk Karar sınırı belirlenmesine yönelik kullanılan ölçütlerden bazılarıdır.

29 Karar sınırı Karar sınırı Ortalamaya en küçük mesafe En yakın komşuluk

30 Kontrollü sınıflandırma Sınıflara ilişkin ön bilgi gerekir. Sınıflar belirlenir Her bir sınıf için kontrol alanı seçilir Kontrol alanlarının testi için yer gerçekliği kullanılır. Birçok yöntem söz konusudur: Parallelepiped Maximum likelihood.

31 Kontrollü sınıflandırma Avantajları Analist sınıflandırmayı kontrol edebilir Her bir sınıfa ilişkin bilgi söz konusudur Denetim alanları yardımı ile yanlış sınıflandırma sonuçları denetlenebilir

32 Kontrollü sınıflandırma Zayıf yönleri Sınıflandırmayı analist belirler Kontrol alanları genellikle spektral özelliklere göre değil bilgiye dayalı olarak ölçülür Kontrol alanlarının temsil etme özelliği yetersiz olabilir Kontrol alanlarının seçimi zor ve zaman alıcı olabilir

33 Kontrollü sınıflandırma Kontrol alanlarının önemli karakteristikleri Piksel sayısı Bir sınıf için birden fazla kontrol alanı ölçülebilir Kontrol alanına örneklem pikseller sınıfı istatistiksel olarak temsil edebilecek sayıda olmalıdır Sayı dsınıf sayısına, çeşitliliğe ve kaynağa bağlıdır

34 Parallelepiped Minimum Distance sınıflandırıcı

35 Maximum likelihood (kontrollü) Her bir sınıf için seçilen kontrol alanlarına ilişkin varyans ve co-varyans hesaplabır Sınıf istatistiksel olarak ortalama vektörü ve kovaryans matrisi ile modellenir Sınıfın normal dağılımlı olduğu kabülü söz konusudur Tanımlanmayan pikseller verilen bir olasılık dahilinde bir sınıfa atanırlar Bir pikselin bir sınıfa atanması için o pikselin o sınıfa ait olma olasılığının en yüksek olması gerekir ya da tüm sınıflara ait olma olasılığı düşükse sınıflandırılmayan olarak belirlenir

36 Maximum likelihood (kontrollü) Olasılık yoğunluk fonksiyonu : iki değişkenli

37 N I R R e f l e c t a n c e Spektral özellik uzayı Maximum likelihood Grass Trees water Red Reflectance Impervious Surface & Bare Soil

38 N I R R e f l e c t a n c e Spektral özellik uzayı Grass Mix: grass/trees Broadleaf Trees Conifer Impervious Surface & Bare Soil water Red Reflectance

39 Maximum likelihood örnek Her bir eğitim sınıfına ilişkin normal olasılık dağılımları Çizgiler eşit olasılıklara sahip bölgeleri gösterir 1 1 nolu noktanın mavi sınıfa ait olma olasılığı en yüksektir 2 nolu noktanın tüm sınıflara ait olma olasılığı düşük olduğu için sınıflandırılmamış olarak işaretlenir Equiprobability contours 2

40 ISODATA (hibrid) k-means ın genişletilmiş durumudur Kümeler için standart sapma hesaplanır. Her bir sınıf için ortalama konum yeniden hesaplandıktan sonra : Merkezleri yakın olan sınıflar birleştirilir Büyük standart sapmaya sahip sınıflar ayrılır Çok küçük sınıflar silinir Sınıflandırma yenilenir. Maksimum iterasyon tamamlandığında ya da yakınsama limitine ulaştığında sonlanır Pikseller sınıflara atanır.

41

42

43 Örnek ISODATA Band 2 Band 2 Band 2 Band 1 Band 1 Band 1 1. Kümeleme yapılmıştır fakat mavi sınıf 1. bandda çok esnemiştir. 2.Cyan ve yeşil sınıflar sadece 2 ya da daha az piksele sahiptir. Silinirler 3. Outlier lar ya en yakın sınıfa atanır ya da sınıflandırılmamış olarak işaretlenirler.

44 Bayes s Sınıflandırma Bayesian sınıflandırma bir pikselin bir sınıfa ait olma olasılığının hesaplanmasına dayanır Bunu basit olarak 2 farklı zar çifti örneğinde açıklamak mümkündür 1. çift normal olsun 2. çiftte her yüzde fazladan bir nokta daha olsun 1. oyuncu herhangi birini seçer, atar ve sonucu söyler 2. oyuncu hangi zar çiftinin kullanıldığını söyler

45 Bayes s sınıflandırma Karar sınırının belirlenmesi için tüm olası sonuçların listelenmesi ve hangilerinin en çok benzediğinin belirlenmesi gerekir Normal zarlar için 2-12 Diğer zarlar için 6-16 Bunlar nasıl benzer olabilir? 2 nin elde edilebilmesi için yalnız bir durum söz konusudur 3 için, 2 durum (1 ve 2, veya 2 ve1)

46

47

48 Bayes s sınıflandırma Histogramlar ayırd edici fonksiyon niteliğini kazanır ve karar sınırı verilen bir durum için en yüksek olasılık olarak set edilir Çıktı 7 ise, bunun standart zara ait olması muhtemeldir Çıktı 4 ise, bu kesinlikle standart zara aittir

49 Bayes s sınıflandırma Arazi örtüsünü belirlemeye çalışılırken Olasılıklar kontrol alanları yardımı ile belirlenebilir Her bir sınıfın histogramları yardımı ile olasılık fonksiyonu hesaplanabilir Bu olasılıklar da pikselleri gruplamak için kullanılır

50

51 K-En Yakın Komşuluk

52 k Nearest Neighbor 3 durumu gerektirir:? Görüntü Sınıflar arasındaki uzaklığı hesaplama için bir uzaklık ölçütü k, elde edilebilen en yakın komşu sayısı Bilinmeyen bir pikseli sınıflandırmak için: Diğer kontrol alanlarına olan uzaklıklar hesaplanır k belirlenir Bilinmeyen pikselin bir sınıfa atanması için en yakındaki komşulara ait sınıflar belirlenir

53 k Nearest Neighbor İki nokta arasındaki mesafe: Euclidean uzaklığı d(p,q) = (p i q i ) 2 Hamming uzaklığı (overlap metric) En yakın komşu listesinden sınıfı belirlemek K-en yakın komşularda en çok tekrarlanan sınıf Ağırlık faktörü w = 1/d 2

54 k Nearest Neighbor k = 1: Kare sınıfına ait? k = 3: Üçgen sınıfına ait k = 7: Kare sınıfına ait Choosing the value of k: Eğer k çok küçükse gürültüye duyarlıdır Eğer k çok büyükse komşuluk diğer sınıflara ait noktaları içerebilir

55 Bulanık (Fuzzy) Kümeleme Geleneksel yöntemlerde bir pikselin herhangi bir sınıfa üyelik derecesi ya 0 dır ya da 1 dir. Bu durum bir çok uygulamada karışık sınıf sorununu meydana getirmektedir. Pikseller yanlış sınıflara atanabilmektedir. Bulanık mantıkta ise bir pikselin birden fazla sınıfa farklı derecelerde üyeliği söz konusudur Örneğin bir pikselin su sınıfna 0.7, orman sınıfına da 0.3 üyeliği söz konusu olabilir.

56 Yapay sinir ağları (Neural Networks) Yapay sinir ağları (YSA) beyni simüle eden yaklaşımdır. Girdi ve çıktı arasındaki bağlantılar oluşturularak güçlendirilir. Genel olarak 3 bileşenden oluşur Girdi katman Gizli katmanlar Çıktı katmanlar-sınıflar

57 Basit bir yapay sinir ağı Girdi katman Gizli katman Çıkı katmanı