UNSUPERVISED SINIFLANDIRMA YÖNTEMLERİNİN İNCELENMESİ, KARŞILAŞTIRILMASI VE YENİ METOD GELİŞTİRİLMESİ ÜZERİNDE ÇALIŞMALAR * Examnng of unsupervsed clusterng methods, confrontaton wth and mprovng new clusterng method * Bülent MITIŞ Ç.Ü. Fen Blmler Ensttüsü Toprak Anablm Dalı Ural DİNÇ Ç.Ü. Zraat Fakültes Toprak Anablm Dalı ÖZET Bu çalışmada kümeleme yöntemlernn ncelenmes, karşılaştırılması ve yen br kümeleme yöntem gelştrlmes üzernde çalışmalar yapmak amaçlanmıştır. Yapılan bu çalışmada daha önce gelştrlen kümeleme algortmalarından bazıları Fortran programlama dl le kodlanıp program halne getrlerek yer gerçeğ blnen bölgelere uygulanmış ve bunların sınıflamadak doğruluğu ncelenmş ve karşılaştırılmıştır. Landsat-5 uydusunun TM sayısal görüntü verler kullanılarak GAP bölgesnde seçlen test alanlarındak toprak çeştlern sınıflandırmak amaçlandığından genellkle yeşl btk örtüsünün az olduğu Eylül, Ekm ve Kasım aylarına at sayısal görüntü verler üzernde çalışılmıştır. Bu görüntü verler kullanılarak yen br yöntem gelştrlmes üzernde çalışmalar yapılmıştır. Yen yöntem de Fortran programlama dl le program kodlanarak hazırlanmıştır. Gelştrlen yen yöntem de önce yer gerçeğ blnen bölgelere uygulanmış ve öncek yöntemlerle elde edlen kümelenmş görüntülerle karşılaştırılmıştır. Gelştrlen yen yöntem le toprak sınıfları ve fazları brbrne karıştırılmadan belrleneblmekte, toprak sınırları ayırt edleblmektedr. Yen yöntem le zaman sorununa da çözüm bulmaya çalışılmıştır. ABSTRACT The man topcs of ths study are examnng of clusterng methods, confrontaton wth and mprovng new clusterng method. In ths study some of recent mproved clusterng algorthms were programmed by usng Fortran language to applcate ground truth regons and also ther truth dedcated n classfcaton and confrontated. Am of ths study was on sol classfcaton n dgtal mages of test areas from GAP regon, so n that reason September, October and November months were chosen as a less vegetaton data from Landsat-5 TM satellte. In addton whle usng mage data all studes dedcated to mprovng the new method. The new method was prepared by usng Fortran language. Prmarly new method applcated to ground truthed places and confrontated wth mages from recent methods. Sol classes and phases can be ndcare wth no mxture from the new mproved method. Also boundary of sol can be seperated. In addton wth ths method tme soluton was solved. Grş 972 yılında Amerka Brleşk Devletler tarafından yeryüzündek doğal kaynakları belrlemek amacıyla gönderlen lk Landsat (Erts-) uydusu le uzaktan algılama çalışmalarına başlanmıştır (NASA, 976; Barret ve Curts, 978). Uzaktan algılama, fzksel temas olmaksızın, tayfsal özellklernden yararlanarak csmler hakkında blg toplama şlemdr. Yeryüzündek farklı csmlern çeştl dalga boylarında farklı yansıma ve farklı yayınma değerlernn olması nedenyle bu csmlern uzaktan algılama yöntemyle belrlenebleceğ (Floyd ve Sabn, 978) düşünüldüğü çn çok çeştl uzaktan algılayıcı sstemler gelştrlmştr (Slatter, 980). Csmlern dalga boyuna göre yansıma, yayınma ve geçrgenlk özellkler tanınmalarında öneml br yer tutmaktadır. Bu yöntemle yapılablecek araştırmaları hartacılık, çevre blm, tarım ve ormancılık, denz blmler, yer blmler ve hdroloj olmak üzere altı sınıfta toplamak mümkündür (Dnç ve ark., 986). Bu konularda kullanılmak üzere uzaya gönderlen brçok uydu vardır. Bunların başında da Landsat sers uydular ve Spot uydusu gelmektedr. * Yüksek Lsans Tez MSc. Thess
Bu uydulardan elde edlen sayısal verler kullanarak csmler tanıma, toprak çeştlern bulma ve btk alanlarını brbrnden ayırma amacıyla sınıflandırma yöntemler kullanılır. Sınıflandırma yöntemler eğtml (supervsed) ve eğtmsz (unsupervsed) sınıflandırma yöntemler olmak üzere kye ayrılır (Swan, 978; Floyd ve Sabn, 978; Maktav ve Sunar, 99). Eğtml sınıflama, sınıflandırılacak bölge hakkında kullanıcıların yeterl blgye sahp olmaları durumunda kullanılacak br yöntemdr. Eğtml sınıflandırma yöntemlerne br çok yaklaşımlar vardır. Eğer sadece k band le çalışılıyorsa sınıflar arasındak sınırlar gözle kolaylıkla görüleblr. En az mesafe yöntem buna örnek olarak verleblr (Townshend, 98). En az mesafe yöntemnde her sınıfın yalnız ortalama vektörü bulunup, sınıfların kovaryans matrslernn eşt olduğu varsayılır. Her pksel n boyutlu uzayda kendsne en yakın ortalama vektörünün sınıfına konmuş olur. Bu yöntemde hata oranı dğer sınıflama yöntemlerne göre yüksektr (İnce, 986). Daha karışık yaklaşımlardan br de olasılık yöntemlernn kullanıldığı yöntemlerdr. Bu yönteme örnek olarak en çok benzerlk sınıflandırması (maxmum lkelhood) yöntem gösterleblr (İnce, 986). En yakın komşu yöntem veya en yakın k sayıda komşunun sınıflandırmada hesaba katıldığı KNN yöntem (İnce, 986), btk ndeks yöntem (Woodng, 979) dğer eğtml sınıflandırma yöntemlernden bazılarıdır. Eğtmsz sınıflama se sınıflanacak bölge hakkında hçbr blgnn olmaması veya blgnn yetersz olması durumlarında kullanılır (Bernsten, 978). Eğtmsz sınıflandırma yöntem (kümeleme), eğtml sınıflandırma yöntemlerne geçşte lk aşama olup sayısal görüntü şlemede çok öneml br yer tutar. Kümeleme yöntemlernn amaçlarından brs de n boyutlu görüntüde en yakın k pksel grubu yaratmaktır. Bu lk kümelemey belrler. İk en yakın pksel grubu aynı sınıfa konulur. Eğer algortmadak herhang br adımda ayrı ayrı k grup en yakın çft teşkl edyorsa bu k grup brleşr ve algortma stenen sınıf sayısına gelene kadar devam eder. Eğtmsz sınıflama yöntemlernde sınıflandırılacak bölgenn tüm pkseller kullanılarak kümelenmeler arandığı çn blgsayar kapastesnn de yeterl olması gerekmektedr. Aynı zamanda sınıflandırılacak bölgenn tüm pksellernn kullanılması zorunluluğu zaman sorununu da ortaya çıkarmaktadır. Pksellern br araya gelp kümelenmeler çn, önce br benzerlk veya yakınlık ölçütü tanımlamak gerekmektedr. Benzerlk ölçütü olarak Öklt (Eucldean) ve Mahalanobs gb çeştl uzaklıklar kullanılır. n 2 ( olarak verlr (Spath, 980; Rchards, 986). Burada; x y ) Öklt uzaklığı D= = n : bant sayısı, x :. banttak x pkselnn parlaklığı, y :. banttak y pkselnn parlaklığıdır. T Mahalanobs mesafes se D= ( x a) S ( x a) olarak tanımlanır (Spath, 980). Burada; k a = x ortalama, k = n S = ( x a )( y j a j ) kovaryans matrsdr. n = Kovaryans matrsnde; n : band sayısı, a :brnc bant ortalaması, a :knc bant ortalaması, j x :brnc banttak pksel parlaklığı, y :knc banttak pksel parlaklığıdır. j Bu ölçüt kararlaştırıldıktan sonra, kümeler oluşturmada seçlen algortmalar genelde k krter üzernde şlem sürdürürler. Brncs kümeler oluşturan pksellern yakınlık veya benzerlklernn br değer le kontrolü, kncs oluşan kümelern yakınlık veya benzerlklerne göre brleştrlmes veya bölünmesdr. Buradak amaç, kümelern çndek pksellern uzaklığını mümkün olduğu kadar mnmum, kümeler arası uzaklığın se mümkün olduğu kadar maksmum olmasını sağlamaktır. Kümeleme sonuçlarının kontrolü, sınıflarla lgl blg ve yer gerçeğ olmadığından veya yetersz
olduğundan statstksel yöntemlerle yapılır. Kümelern çerdğ pksellern ortalamaları, varyansları, standart sapmaları veya kovaryans matrsler bulunarak kümelern sağlıklı olup olmadığına karar verlr. Değlse yenden küme aranmasına gdlr. Materyal ve Metod Materyal Kümeleme yöntemlernn ncelenmes, karşılaştırılması ve yen br yöntem gelştrlmes üzerne çalışmalar yapılırken, daha önce üzernde çalışmalar yapılarak yer gerçeğ blnen bazı bölgelern görüntü verler kullanılmıştır. Landsat-5 uydusunda bulunan TM algılayıcısı tarafından kaydedlen görüntü verler kullanılmıştır. Üç bantta yapılan çalışmalarda görüntülern 3, 5 ve 7. bantları üzernde çalışılmıştır. Üzernde çalışılan sayısal görüntü verlernn bölgeler ve tarhler aşağıdadır. Çzelge : Çalışılan bölgelern sayısal görüntüler ve tarhler Bölgeler Uydusu Tarh Pksel Sayısı Bölge-: Gazantep Elbeyl Landsat-5 TM 3/0/89 52x52 Bölge-2: Saraççeşme Landsat-5 TM 6/0/86 52x52 Bölge-3: Ceylanpınarı Landsat-5 TM 7/09/87 52x52 Bölge-4: Ceylanpınarı Landsat-5 TM 6/0/86 52x52 Bölge-5: Gazantep cvarı Landsat-5 TM 07//89 52x52 Kullanılan bu görüntü verler blgsayar uyumlu teypler üzernde, gerekl geometrk ve radyometrk düzeltmeler yapılmış olarak bulunmaktadır. Görüntü verler üzerndek bu çalışmalar Ç.Ü. Zraat Fakültes Uzaktan Algılama Merkezndek sstemler kullanılarak yapılmıştır. Metod Yöntem üç aşamada gerçekleştrlmştr. Önce çalışılacak bölgeler belrlenmştr. Bu bölgeler, görüntü şleme brmnde bulunan Gemstone görüntü şleme yazılımının eğtmsz (unsupervsed) kümeleme yöntem le kümelendrlmş ve yne görüntü şleme brmndek programlarla zengnleştrlmştr. İknc aşamada daha önce gelştrlen kümeleme algortmalarından ks (çekml brleşme algortması ve pencere yöntem algortması ) Fortran programlama dl le kodlanarak bu bölgeler üzernde uygulanmıştır. Bu k programla elde edlen kümelenmş görüntüler üzernde de çalışmalar yapılarak kümelenmş görüntüler renklendrlmş ve zengnleştrlmştr. ÇALIŞILACAK BÖLGELERİN BELİRLENMESİ VE GÖRÜNTÜ VERİLERİNİN OKUTULMASI ELBEYLİ SARAÇÇEŞME CEYLANPINARI CEYLANPINARI GAZİANTEP CİVARI GÖRÜNTÜ İŞLEME BİRİMİNDE KÜMELEME VE ZENGİNLEŞTİRME ÇALIŞMALARI ÖNCEKİ ALGORİTMALAR İÇİN PROGRAMLAR HAZIRLANMASI VE KÜMELEME ÇALIŞMALARI, GÖRÜNTÜ ZENGİNLEŞTİRME ÇALIŞMALARI YENİ YÖNTEM GELİŞTİRİLMESİ ÇALIŞMALARI, PROGRAMLARIN HAZIRLANMASI VE KÜMELEME ÇALIŞMALARI,
GÖRÜNTÜ ZENGİNLEŞTİRME ÇALIŞMALARI Şekl : Çalışma metodu akış şeması Pencere yöntemne göre (Yıldırım, 989); -Eldek ver üzerne stenlen ebatta pencere yerleştrlerek stenlen ölçüde yana ve aşağıya kaydırılır. Her br kaydırma şlemnden sonra, pencerenn çndek bölgenn her bantta aynı özellkte (aynı dağılımda ve özellkte) olup olmadığına bakılır. Benzer özellkte se pencere çersndek pksellern ortalaması alınır, aks olursa bu pencereden ver alınmaz. 2-Aynı özellğ taşıyan bölgelerden elde edlen, boyutları daha azalmış bu verler üzernde kümeleme uygulanır. 3-Kümeleme şlemnden sonra, her br kümey oluşturan vektörlern (n bant boyutunda) ortalaması alınır. Böylece her br küme çn n boyutta tek br vektör elde edlr. Sınıflandırılmak stenen, şlenmemş görüntünün her br pkselnn, her br kümeye olan Öklt uzaklıkları hesaplanır. Pksel en yakın olduğu kümenn sınıfına atanır. Çekml brleşme yöntemne göre (İnce, 979; Yeğngl, 987); -Uzayda n spektral bant kadar boyutta br hstogram oluşturulur. Her br hstogram ağırlığını çeren hücre br küme kabul edlr. 2-Her br hücrenn ± n hücrelk br alandak komşuları le olan yer çekm gücü ve çekm vmes hesaplanır. 3-Hız, belrlenen eşk değernden büyükse hücre vme yönündek komşu hücrenn ağırlığıyla brleştrlr ve o hücre boşaltılır. 4-Hang hücrenn nereye gttğ blgs ayrıca tutulur. Bu şlem her hücre çn yapılır. Belrlenen sayıda hücre (küme) kalıncaya kadar şlem sürdürülür. 5-Elde edlen kümelere sınıf numaraları verlr. Sınıfı oluşturan hücrelern hangler olduğu blndğnden hücrelern ağırlıkları o sınıfın nümerk değerleryle değştrlr. 6-Her pkselle hstogram arasında bre br lşk olduğundan hstogramdan görüntü sınıflanır. Üçüncü aşamada se yen yöntem gelştrlmes üzernde çalışmalar yapılmıştır. Önce yen br kümeleme yöntem gelştrlmştr. Bu yöntem de Fortran programlama dl le kodlanarak program halne getrlmştr. Yne bu yöntem le de daha öncek aşamalarda kullanılan görüntü verler kullanılarak kümeleme yapılmış ve kümelenmş bu görüntüler de görüntü şleme brmndek programlarla renklendrlmş ve zengnleştrlmştr. Ayrıca kümelenmş görüntüler yoğunluk kesm yöntemn uygulamadan renklendrmek çn Fortran le br program daha hazırlanarak kümelenmş görüntülern renklendrlmes sağlanmıştır Gelştrlen Yen Yöntem En çok 52x52 pksel boyutlarında, aynı bölgenn farklı dalga boylu bantlarında yansıma değerler bulunan 3 bant görüntü vers üzernde kümeleme yapablmek çn br yöntem gelştrlmştr. Görüntü verler okunarak 2 boyutlu hstogramları bulunmaktadır. Hstogramlardak en çok pksel düşen bölgeler bulunarak oluşturulacak küme sayısı bu bölgelern sayısına göre program tarafından bulunmaktadır. 3 banttak görüntü verlernden, sıfırdan ve brbrnden farklı, küme sayısı kadar pksel seçlerek her pksel küme merkez olarak kabul edlr. Dğer pksellern bu küme merkezlerne olan Öklt uzaklıkları hesaplanır. Br pkseln sınıfı, o pksel le küme merkezler arasındak Öklt uzaklığı mnmum olan küme merkeznn sınıfı olarak belrlenr. Bu şlemler sonucunda tüm pksellern sınıfı belrlenr. Oluşan bu kümelern ortalamaları hesaplanır. Küme ortalamaları le daha önce seçlen küme merkezler eşt se oluşan kümelern ortalamaları ve varyansları bulunur. Bu değerler ncelenerek brleşeblecek kümeler brleştrlr. Kümelenmş görüntüler görüntü şleme brmne transfer edlerek orada üzernde çalışmalara devam edlr. Oluşan kümelern ortalamaları le daha önce seçlen küme merkezler brbrlernden farklı se hesaplanarak bulunan ortalamalar yen küme merkezler olarak alınır, tekrar pkseller le küme merkezler arasındak Öklt uzaklıkları hesaplanarak şleme devam edlr. Araştırma Bulguları Üzernde çalışmalar yapılacak bölgelern 3 banttak yansıma değerler blgsayar uyumlu teyplerden ayrı ayrı dosyalar halnde dske kaydedlmştr. Toprak sınıflarının daha y ayırt edleblmes
çn Landsat-5 uydusunun TM algılayıcısının 3, 5 ve 7. bant görüntüler kullanılmıştır. Böylece her bölgenn ayrı ayrı 3 banttak yansıma değerler elde edlmştr. Yen yöntem gelştrlmes üzernde çalışmalara başlamadan önce brnc aşamada bu verler görüntü şleme brmne transfer edlerek görüntü şleme brm üzernde ncelenmştr. 3 bant üst üste çakıştırılarak ham görüntüler üzernde çalışmalar yapılmıştır. Görüntü şleme brm üzernde bulunan yazılım çndek kümeleme programı tüm bölgeler çn uygulanmıştır. Kümelenen bu görüntüler üzernde yoğunluk kesm yöntem uygulanarak kümelenen görüntüler renklendrlmştr. Daha sonra da orta değer fltres yöntem uygulanarak görüntülerdek gürültüler ve keskn köşeler kaybedlmştr. Yapılan çalışmalar sonucunda elde edlen görüntülern fotoğrafları çeklmştr. Oluşan kümeler renklerle ayırt edldğ çn fotoğrafları çeklnce sınıf sayısı fazla olan görüntülern fotoğraf üzerndek kaltes azalmıştır. McroVax II sstemnde çekml brleşme kümeleme yöntem ve pencere yöntem Fortran le kodlanarak çalışılan bölgeler çn uygulanmıştır. Her k yöntem le de tüm bölgeler kümelendrlmştr. Yen oluşturulan kümelenmş görüntüler Gemstone görüntü şleme brmne transfer edlerek yoğunluk kesm ve orta değer fltres uygulanmıştır. Yen gelştrlen yöntem üzernde McroVax II sstemnde çalışılmıştır. Yöntem ve kümeleme algortması Fortran le hazırlanarak lglenlen tüm bölgelere uygulanmıştır. Oluşan bu kümelenmş görüntü verler de Gemstone da zengnleştrlmştr. Dğer yöntemler sonucunda oluşan görüntüler gb bu görüntülern de fotoğrafları çeklmştr. Tartışma ve Sonuçlar Kümeleme yöntemler, görüntü versndek her pksel kullanıldığı çn uzun zaman ve blgsayar kapastes gerektren sınıflama yöntemlerdr. Kümeleme yöntemlern kullanacak kşlern kapastes yüksek olan blgsayarlarda çalışmaları gerekmektedr. Dsk kapastes çok büyük, bellek kapastes çok yüksek olan br sstem kümeleme programlarını çalıştırmak çn dealdr. Çok uzun zaman alablecek şlemler yüksek kapaste nedenyle daha kısa zamanda sonuçlandırılablmektedr. Çalışılan McroVax II sstemnde dsk kapastesnn çok büyük olmasına karşılık bellek çok yüksek değldr. Sstemde Fortran le hazırlanan kümeleme programlarının çalışarak görüntüler kümelemes uzun zaman almaktadır. Daha kısa zamanda kümelemelern tamamlanablmes çn se kümeleme algortmalarında, görüntü verlerndek pksellern tamamını kullanmak yerne, pksel sayılarını azaltarak daha az sayıda pksel kullanacak değşklkler yapmak gerekmektedr. Bu durumda da kümelenen görüntülerdek hassasyet azalmaktadır. Fakat hakkında çok az şey blnen veya hç br şey blnmeyen bölgelern sınıflandırılması çn bu yöntemler kullanılablr. Yne de doğruya en yakın sonucu vereblecek br kümeleme yöntemnn terch edlmes gerekr. Bu çalışmada aynı bölge görüntü verler üzernde brden fazla kümeleme yöntem uygulanarak elde edlen kümelenmş görüntüler ncelenmştr. Çalışmada ayrıca yen br kümeleme yöntem gelştrlmes üzernde çalışmalar yapılmıştır. Gelştrlen yöntem de seçlen bölgelern toprak çeştlern ayırt edeblmek çn bölgeler üzernde uygulanmıştır. Gemstone da bulunan kümeleme yöntemnn çok y sonuçlar vermemes üzerne bölge-3 ve sonrak bölge verler üzernde bu yöntem uygulanmamıştır. Kümeleme algortmasına göre 2 bandın kullanıldığı çekml brleşme yöntemnde de blg kaybı ve sınıfların karışması dğer yöntemlere göre daha fazladır. Gelştrlmeye çalışılan yen yöntemde se 3 bant vers ve tüm pkseller kümelemede kullanıldığı çn kümeleme şlem çok uzun zaman almıştır. Daha kısa sürede kümeleme şlemnn sonuçlanması çn görüntüdek tüm pkseller yerne brer pksel atlanarak kümeleme yapılmıştır. Buna rağmen yukarda bahsedlen k yönteme göre daha y sonuçlar alınmıştır. Toprak sınıfları ve fazları brbrne karışmadan ayırt edleblmektedr. Çalışmadak 3 bölge görüntü vers çn çekml brleşme, pencere yöntem ve gelştrlen yen yöntem uygulanarak elde edlen kümelenmş görüntülern yanına bu test alanlarının daha önce eğtml (supervsed) çalışılarak yer gerçeğ doğrulanmış görüntü hartalarını koyarak bu üç kümeleme yöntemnn sınıflamadak doğrulukları daha y nceleneblr. Bu amaçla şekl-2 de bölge-2 çn, şekl-3 de bölge-3 çn ve şekl-4 de bölge-4 çn tüm bu kümelenmş görüntüler ve daha önce çalışılarak elde edlmş toprak hartaları yan yana getrlmştr. Bu hartalara karşılık gelen yerler görüntü üzernde şaretlenmştr. Şekllerden görüldüğü üzere çekml brleşme yöntem le elde edlen görüntülerde pksel sayısı az olan kümeler kaybolmuştur. Pksel sayısı daha fazla olan yakın komşu sınıflarla bu sınıfların brleştğ görülmektedr. Aynı şeyler pencere yöntem çn de söyleneblr. Bunda da br sınıf k veya daha fazla sınıfa bölünmüştür. Her k yöntemle de toprak sınırları karışmaktadır.
Gelştrlen yen yöntem görüntüler le yer gerçeğ doğrulanmış görüntü hartalarını karşılaştırınca toprak sınırlarının hemen hemen doğru olduğu görülmektedr. Sınırların karıştığı çok az sınıf vardır. Tüm sınıflar doğru olarak bulunablmştr. (a) (b) (c) (d) Şekl 2: (a) Bölge-2, çekml brleşme yöntem le kümelenmş görüntü. (b) Pencere yöntem le kümelenmş görüntü. (c) Üzernde çalışılan yen yöntem le kümelenmş görüntü. (d) Aynı alanın eğtml (supervsed) çalışılmış ve yer gerçeğ le doğrulanmış toprak hartası.
(a) (b) (c) (d) Şekl 3: (a) Bölge-3, çekml brleşme yöntem le kümelenmş görüntü. (b) Pencere yöntem le kümelenmş görüntü. (c) Üzernde çalışılan yen yöntem le kümelenmş görüntü. (d) Aynı alanın eğtml (supervsed) çalışılmış ve yer gerçeğ le doğrulanmış toprak hartası.
(a) (b) (c) (d) Şekl 4: (a) Bölge-4, çekml brleşme yöntem le kümelenmş görüntü. (b) Pencere yöntem le kümelenmş görüntü. (c) Üzernde çalışılan yen yöntem le kümelenmş görüntü. (d) Aynı alanın eğtml (supervsed) çalışılmış ve yer gerçeğ le doğrulanmış toprak hartası. Kaynaklar BARRET, E. C., CURTIS, L. F., 978. Introducton to Envronmental Remote Sensng. Chapman and Hall, London. BERNSTEIN, R., 978. Dgtal Image Processng for Remote Sensng. Hamlton Publshng Company, Santa Barbara, Calforna. DİNÇ, U., YEĞİNGİL, İ., İNCE, F., ŞENOL, S., PEŞTEMALCI, V., ERTUĞ, Ö., 986. Uzaktan Algılama Yaz Okulu Ders Ktabı, Ç.Ü. Fen Blmler Ensttüsü Yayınları. FLOYD, F., SABIN, J. R., 978. Remote Sensng Prncples and Interpretaton. New York, W. H. Freeman Company. İNCE, F., 979. Bazı Görüntü İşleme Metodları, Hstogram, Anableşenler, Sınıflandırma ve Kümeleme Teknkler, TÜBİTAK, Marmara Blmsel ve Endüstryel Araştırma Ensttüsü, Elektronk Araştırma Üntes, Ünte ç Rapor No: VI-79/3. İNCE, F., 986. Maxmum Lkelhood Classfcaton, Optmal or Problematc? A Comparson wth the KNN Classfcaton, Techncal Report No: Tr-86/09, TÜBİTAK, Marmara Blmsel ve Endüstryel Araştırma Ensttüsü, Elektronk Araştırma Üntes. İNCE, F., 986.Uzaktan Algılamada Sayısal Görüntü İşleme, Yayın No:OY-86/ 09. MAKTAV, D., SUNAR, F., 99. Uzaktan Algılama Kanttatf Yaklaşım, Swan, Phlp H., Davs, Shrley M. den çevr. NASA, 976. Msson to Earth: Landsat Vews to World, NASA, Sp. Pub. No:360, USA. RICHARDS, I. A., 986. Remote Sensng Dgtal Image Analyss. Sprnger-Verlag Berln Hedelberg New York. SLATTER, N. P., 980. Remote Sensng Optcs and Optcal Systems, Addson-Wesley Pub., London. SPATH, H., 980. Cluster Analyss Algorthms for Data Reducton and Classfcaton of Objects, John Wley and Sons, New York. SWAIN, P. H., DAVIS, S. M., 978. Remote Sensng. The Quanttve Approach. Mc Graw-Hll Inc., U.S.A. TOWNSHEND, J. R. G., 98. Terran Analyss and Remote Sensng, George Allen and Urwn Publshers. London. WOODING, M. G., 979. A Four Band Radometer for Ground Measurement of the Spectral Reflectance of Some-Crops Intal Results, Mnstry of Agrculture, Fsheres and Food, Aeral Photography Unt, Cambrdge. YEĞİNGİL, İ., 987. Görüntü İşleme Metotları ve Kümeleme Teknklernn Uygulanması, E. Ü. Blgsayar Araştırma ve Uygulama Merkez Dergs, Clt:0, Sayı:2.
YILDIRIM, H., 989. Br Eğtmsz (Unsupervsed) Sınıflandırma Metodunun Gelştrlmes Üzerne Araştırmalar ve Bunun Ceylanpınar Ovası Topraklarına Uygulanması, Yüksek Lsans Tez, Adana.