JDF821 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

GİRİŞ Amaç ve Kapsam İÇERİK UYDU GÖRÜNTÜLERİNİN BİLGİ İÇERİĞİ Normal ve Etkin Yer Örnekleme Aralığı (YÖA) Değeri Örnek Uydu Görüntüleri UYDU GÖRÜNTÜLERİNİN KULLANIMA HAZIR HALE GETİRİLMESİ Geometrik Düzeltilme Radyometrik Geliştirme (Görüntü Zenginleştirme) UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI Sınıflandırma Kavramı ve Sistemler Piksel-Tabanlı ve Nesne-Tabanlı Yaklaşımlar UYGULAMA SONUÇ VE ÖNERİLER

GİRİŞ Doğru ve güncel bilgi gereksinimi Zaman, maliyet, doğruluk Haritacılık uygulamaları Arazi içerikli uygulamalarda, arazi kullanımı ve konum bilgisi ile ilgili doğru, gerçek ve güncel bilgi Mekana bağlı metrik ve semantik bilgi elde etmede Uzaktan Algılama tekniği kullanımı Uydu görüntülerinin varlığı, zengin bilgi içeriğine sahip olmaları, işlenebilmesi Büyük alanların incelenebilmesi, doğru, güvenilir ve kapsamlı güncel bilgilerin en hızlı şekilde üretilmesi Kentsel alanlardaki mevcut durum, gelişimler ve gelişim stratejileri

GİRİŞ Büyük ve orta ölçekte harita üretimi ve revizyonu, planlama, afet ve risk yönetimi uygulamaları Uydu görüntülerinin Yer Örnekleme Aralığı (YÖA -GSD) değerlerinin küçülmesine ve bilgi-işlem teknolojilerindeki gelişmeler Maliyet - İlgili alanın boyutu, gereksinimin niteliği ve kullanılacak görüntünün YÖA değerleri İhtiyaca uygun görüntülerin kullanımı ve ulaşılacak bilgiler Görüntülerin kullanıma hazır hale getirilmesi, gerekli yazılım ve donanım, kullanılacak yöntem Detay çıkarımı için bilgi içeriklerinin belirlenmesi ve görüntüdeki kentsel ayrıntıların tanıma ve çıkarma yaklaşımlarının değerlendirilmesi

AMAÇ Zengin bilgi içeriğine sahip yüksek çözünürlüklü uydu görüntüleri, görsel olarak çok fazla bilgi sunmasına rağmen uygulamalara altlık oluşturabilmesi için görüntülerdeki tüm detayların bilgilerinin çıkarılması gerekmektedir. Bu gereksinim mevcut bilgi işlem teknolojilerine bağlı olarak gelişmiş görüntü analiz ve sınıflandırma yaklaşımlarını da beraberinde getirmiştir. Bu çalışmada, son yıllarda sıkça kullanılan nesnetabanlı görüntü analizi ve sınıflandırma yaklaşımının; detay çıkarımı, arazi değişiminin belirlenmesi, harita bilgilerinin çıkarımı ve revizyonunun yapılması konularındaki başarısının test edilmesi amaçlanmıştır.

KAPSAM Bilgi içeriği kavramının tanımlanması, Geometrik düzeltme ve görüntü zenginleştirme işlemlerinin irdelenmesi, Klasik piksel-tabanlı ve yeni nesne-tabanlı sınıflandırma yaklaşımlarının tanımlanması, Görüntülerin belirlenmesi, elle vektörleştirme sonucu ürünlerin elde edilmesi ve mevcut referans vektör haritaların belirtilmesi, Nesne-tabanlı sınıflandırma yaklaşımının uygulanması, elde edilen detayların derlenmesi, Farklı detay çıkarım yaklaşımlarının başarısının incelenmesi, karşılaştırmalı analiz ve sonuçlarının verilmesi, Uydu görüntülerinden harita bilgilerinin çıkarımı ve revizyonu konularında sonuç ve önerilerinin yapılması.

BİLGİ İÇERİĞİ KAVRAMI Konum Doğruluğu ve Bilgi İçeriği (Topoğrafik Haritalarda) Konum Doğruluğu Yatayda: ± (0.25-0.30mm) x ölçek paydası Düşeyde: Arazinin eğimine bağlı (Genellikle eş yükseklik eğrileri aralığının 1/3 ü Bilgi İçeriği Sivil Uygulamalarda: Ölçeğe bağlı olarak haritada gösterilen ayrıntı Harita Ölçeği YÖA İlişkisi YÖA=(0.05 0.10mm) x ölçek (1/10000 için gerekli YÖA: 50cm-1.0m) (Görüntü detayı ve içeriğindeki değişikliklere göre) Askeri Uygulamalarda: STANAG 3769 kuralları geçerlidir

BİLGİ İÇERİĞİ KAVRAMI YÖA değeri, komşu piksellerin merkezlerinin yeryüzündeki fiziksel karşılıkları olarak tanımlanabilir. Görüntüleme Sistemi Normal YÖA Etkin YÖA E/N % ASTER VNIR 15.0 m 15.0 m %0 (TK 350) 10.0 m 13.0 m %30 IRS-1C pan (6 bit) 5.8 m 6.9 m %19 SPOT 5 pan 5.0 m 5.0 m %0 (KVR 1000) 1.6 m 2.2 m %40 IKONOS pan 1.0 m 1.0 m %0 QuickBird pan 0.6 m 0.6 m %0

BİLGİ İÇERİĞİ KAVRAMI Landsat 7 30m YÖA Landsat 7 30m YÖA ASTER 15m YÖA Farklı YÖA, yaklaşık aynı bilgi içeriği; ana yollar, yerleşim ve ormanlık alan ayrımı Pan ın MSS ye üstünlüğü yok Sınıflandırma için uygunluk (MSS) 1:100000 ölçekli harita üretimine izin verebilmektedir Yüksek kontrast (özellikle ormanlık alanların ayrımı) Geniş yollar, yerleşim, yeşil alanlar vs.

BİLGİ İÇERİĞİ KAVRAMI TK350 10m (13m) YÖA Kompsat-1 6.6m YÖA IRS-1C 5.7m (6.9m) YÖA Doğrudan topografik harita üretimine uygun değil, Stereo görüntü ile SYM üretimine uygun Düşük kontrast (13m etkin, 10m normal) Topoğrafik harita yapımı için uygun veri Ana yol ağları 1:50000 ölçekli harita 6bit, düşük kontrast 1:50000 ölçekli harita

BİLGİ İÇERİĞİ KAVRAMI IKONOS pan 1.0m YÖA IKONOS MSS 4.0m YÖA IKONOS pan-sharp 1.0m YÖA Pan ve MSS görüntüleriyle oldukça iyi bir detay zenginliğine sahip Pan ile binalar, yollar ve diğer nesneler gerçek boyutlarıyla algılanır Pan-sharp görüntüleri, sahip oldukları yüksek çözünürlük ve içerdikleri renk bilgileri nedeniyle nesneler arasındaki renk farklılıklarını ortaya koyar, nesne ayrımı ortaya çıkar 1:10000 ölçekli bir haritanın bilgi içeriğine sahiptir.

BİLGİ İÇERİĞİ KAVRAMI QuickBird pan 0.6m YÖA QuickBird MSS 2.4m YÖA QuickBird pan-sharp 0.6m YÖA Pan ve MSS görüntüleriyle çok iyi bir detay zenginliğine sahip 60 cm GSD li pan ile binalar, yollar ve diğer nesneler gerçek boyutlarıyla algılanır Pan-sharp görüntüleri, sahip oldukları yüksek çözünürlük ve içerdikleri renk bilgileri nedeniyle nesneler arasındaki renk farklılıklarını ortaya koyar, nesne ayrımı ortaya çıkar 1:5000 ölçekli bir haritanın bilgi içeriğine sahiptir.

BİLGİ İÇERİĞİ KAVRAMI GYA: 67 41 46 pan-sharp 41 GA: 138 166 144 166 Güneş yükseklik açısının (GYA) yanında, güneş azimutu (GA) değerinin de önemi büyüktür İkinci görüntüde bina gölgelerinden dolayı yolların tanınması güç Yol ve ev bahçeleri birbirlerinden ayırt edilememektedir. Üçüncü görüntüde yolların vektörleştirilmesi daha kolay Pan-sharp görüntüsü ile binaların tanınması kolay

BİLGİ İÇERİĞİ KAVRAMI Nesne Yapıları Yeterli Görülen YÖA Değeri (m) Kentsel binalar 2 Patika 1-2 Ara yollar 5 Demir yolları 5 Su yapıları 5 Ana yollar 10 Blok halindeki binalar 10 Pankromatik görüntülerden nesne tanımına ilişkin yeterli görülen YÖA değerleri

GEOMETRİK DÜZELTME Görüntülerden konumsal bilgi elde etme, vektör bilgisi üretilmesi ve görüntülerin altlık olarak kullanılması Sistematik ve sistematik olmayan hataların varlığı, geometrik olarak düzeltme Sistematik hatalar - kalibrasyon ve yörünge bilgileri ile düzeltilmesi veya arındırılmış halde satılması Sistematik olmayan hatalar - YKN ve SYM verileri ile Parametrik Olmayan Matematiksel Modeller Algılayıcı sisteme ait parametreler mevcut değildir ve çözümde sistemin görüntüleme geometrisi dikkate alınmaz. Parametrik Matematiksel Modeller SOM (Uydu Yörünge Modellemesi) - Doğrusal dizi sistemler için Görüntü alım geometrisini dikkate alır Görüntü koordinat sisteminde koordinatları ölçülen ve yer koordinat sisteminde koordinatları bilinen YKN verileri

GÖRÜNTÜ ZENGİNLEŞTİRME Görüntü zenginleştirme algoritmaları, görüntülere uygulanan görsel ve işlevsel amaçlı iyileştirme yöntemleridir. Yüksek çözünürlüklü renkli görüntünün bilgi içeriği ve sağlayacağı avantaj dolayısıyla, bir görüntü birleştirme tekniği olan pan-sharpening algoritması kullanılır. HIS, PCA, GS, Wavelet ve UNB Sharpening Algoritmaları UNB Sharpening Algoritması - University of Brunswick - Dr. Yun Zhang Renk dönüşümü mükemmeldir. Renkler orijinal çoklu banttakine çok yakın sonuçlar vermektedir. Görüntü birleşimindeki renk distorsiyonu ve operatör bağımlılığı gibi iki ana sorunu çözmektedir.

GÖRÜNTÜ ZENGİNLEŞTİRME Renkli, 2.44m YÖA Pan, 0.6m YÖA Pan-sharp QuickBird görüntüsü, 0.6m YÖA

SINIFLANDIRMA KAVRAMI Sınıflandırma, belirli bir sayıdaki nesneyi, sınıf tanımlamalarına göre belirli bir sınıfa dahil etmek anlamına gelir. Veri tabanı dilindeki terimiyle, özellikle uzayı, nesneler ve sınıflar arasında çoktan-teke ilişki kurmaya olanak sağlayan bağımsız bölgelere ayrılır. Klasik sınıflandırıcılar - 1.0 veya 0.0 üyelik derecesi. Bir nesne, ya bir sınıfa dahildir veya değildir. Bulanık sınıflandırıcılar - 1.0 ve 0.0 arasında değişebilen üyelik derecesi. 1.0, bir sınıfa tam üyelik/olasılık ve 0.0 tam anlamıyla üye olmamayı/olasılık olmamasını ifade eder. Avantajlar: Sınıf tanımlamalarındaki belirsizlikler ifade edilir, İnsan bilgisini ifade etmekte daha başarılıdır, daha gerçekçi sonuçlar vermektedir.

PİKSEL-TABANLI SINIFLANDIRMA Arazi örtü sınıfları ve özeliklerine göre bir görüntüdeki tüm pikselleri bir araya getirilir. Maksimum Benzerlik Minimum Uzaklık Paralelyüz Tekil piksellerin gri değerlerine göre işlem yapılır ve sınıflandırma için sadece spektral bilgi kullanılır. QuickBird ve IKONOS uydu görüntülerinde, tutarsız sınıflandırma sonuçları

NESNE-TABANLI SINIFLANDIRMA Temel işlem birimi, görüntü segmentleri veya nesneleridir. Her sınıflandırma kesin bir ölçeğe bağlıdır. Görüntü bilgisi, görüntü nesnelerinin ortalama büyüklüğüne bağlı olarak farklı ölçeklerde sunulabilir. Aynı görüntü daha küçük veya daha büyük objeler olarak segmentlere ayrılabilir. Şekil, doku, komşuluk ve diğer obje tabakalarından gelen bilgiler ile çok sayıda ek bilgi, görüntü nesnelerinden çıkartılabilmektedir. Daha iyi semantik ayırım ve daha doğru sınıflandırma. Temel özellikler, Topolojik özellikler, Çevresel özellikler.

NESNE-TABANLI SINIFLANDIRMA Ölçek, görüntüyü anlamayı sağlar. Belirli bir olgunun tanımlanabildiği çıkarım büyüklüğünü veya seviyesini tanımlar. Bir görüntüyle farklı çözünürlükler yerine farklı ölçeklerde çalışmak analizi kolaylaştırır. Segmentasyon: Görüntüyü birbirinden farklı alt bölümlere ayırma - Aşağıdan-yukarıya, bir piksellik nesnelerle başlayan, alan birleştirme tekniği. Uygun homojenlik sağlanarak pikselden nesneye doğru, uygun yapıyı kurulur. Ölçek, renk, biçim, yumuşaklık ve bütünlük değişkenleri

NESNE-TABANLI SINIFLANDIRMA Bulanık sınıflandırma, belirli bir sınıfa olan üyelik değerini işaret etmek için, temel olarak rasgele seçilmiş özellik değerleri aralığını, 0 ve 1 arasında bulanık değerlere dönüştüren basit bir tekniktir. Sınıf tanımlamaları altında belirtilen özellikler için kullanılan eşitlikler değişik fonksiyonlarla ifade edilebilir. Sınıf atamalarının yapılması için, o sınıf içine dahil edilmesi gereken nesneler için uygun öznitelikleri belirlenir.

Test Alanı Zonguldak UYGULAMA Madencilik, demir-çelik ve orman Engebeli, değişken topoğrafya Yer yer 800m yükseklik Sahil kesimi ve sık ormanlarla kaplı dağlar Merkezi bölge Çok değişken topoğrafya Ortalama 250m yükseklik Sahil ve iç kesimler Yapılaşma çok yoğun Yol ve bina yapıları mevcut 2008 yılı pan-sharp IKONOS görüntüsü

UYGULAMA Kullanılan Yazılımlar Geometrik düzeltme işlemleri için; PCI Geomatica yazılımı - OrthoEngine modülü Görüntü zenginleştirme (görüntülerin pan-sharp haline getirilmesi) işlemleri için; PCI Geomatica yazılımı Pan-sharp modülü Görüntülerden vektör ürünlerin üretilmesi ve derlenmesi, mevcut ürünlerin derlenmesi işlemleri için; NetCAD yazılımı Görüntülerin Piksel-tabanlı sınıflandırma işlemleri için; PCI Geomatica yazılımı Focus modülü Görüntülerin Nesne-tabanlı sınıflandırma işlemleri için; Ecognition yazılımı Mevcut ve Sonuç ürünlerin karşılaştırılmalı analiz işlemleri için; NetCAD ve MapInfo Professional yazılımları

Mevcut Veriler UYGULAMA 2002 yılı IKONOS görüntüsü 2008 yılı IKONOS görüntüsü 2004 yılı QuickBird görüntüsü ÖZELLİKLER 2002 YILI IKONOS 2008 YILI IKONOS 2008 YILI QuickBird Gün, Zaman 02/10/2002-08:59 06/03/2008 08:44 23/05/2004-08:39 Nominal azimut (derece) 10.5023 44.496 61.0 Nominal yükseklik açısı (derece) 63.2446 61.386 85.9 Güneş azimutu (derece) 166.2923 138.237 139.1 Güneş yükseklik açısı (derece) 41.5399 66.494 64.7 Nadir açısı (derece) 26.7554 28.614 3.9 Görüntü boyutu (piksel: satır - sütun) 11,004 x 11,000 13.384 x 12.340 24.572 x 25.500 Referans yüksekliği (m) 208.04 314.08 265.66

UYGULAMA Geometrik Düzeltme İşlemi (QuickBird Örneği) Uydu Yörünge Modellemesi (SOM) Toutin Modeli 33 farklı YKN Orto hale getirme işlemi SYM verisi Yer kontrol noktalarının dağılımı YKN na bağlı olarak elde edilen doğruluk değeri Görüntüler her hangi bir altlık ihtiyacını karşılayabilecek düzeye gelmiştir.

UYGULAMA Pan-sharp işlemi (QuickBird Örneği) Dr. Jun Zhang tarafından geliştirilen algoritma + Renkli, 2.4m YÖA Pan, 0.6m YÖA Pan-sharp, 0.6m YÖA Yüksek çözünürlükte ve renkli bir görüntü elde edilir.

Üretilen Vektör Ürünleri UYGULAMA 2002 yılı IKONOS görüntüsü üzerine bindirilmiş elle vektörleştirme sonuçları NetCAD yazılımı Operatör özelliği Vektörleştirme süresi: 5-24 saat

Üretilen Vektör Ürünleri UYGULAMA 2002 yılı IKONOS görüntüsünden elle vektörleştirme sonucu elde edilen ürün

UYGULAMA Üretilen Vektör Ürünleri (bina yapıları için) a b c a: 2002 yılı IKONOS görüntüsünden elle vektörleştirme sonucu elde edilen ürün b: 2008 yılı IKONOS görüntüsünden elle vektörleştirme sonucu elde edilen ürün c: 2004 yılı QuickBird görüntüsünden elle vektörleştirme sonucu elde edilen ürün

UYGULAMA Üretilen Vektör Ürünleri (yol yapıları için) a b c a: 2002 yılı IKONOS görüntüsünden elle vektörleştirme sonucu elde edilen ürün b: 2008 yılı IKONOS görüntüsünden elle vektörleştirme sonucu elde edilen ürün c: 2004 yılı QuickBird görüntüsünden elle vektörleştirme sonucu elde edilen ürün

UYGULAMA Piksel-tabanlı sınıflandırma sonuçları (Maks. Benzerlik) 2002 yılı IKONOS sonucu 2008 yılı IKONOS sonucu Doğruluk Değerlendirmesi Toplam Doğruluk (%) QuickBird 2002 yılına ait IKONOS 2008 yılına ait IKONOS 72.65 67.39 70.23 Kappa 0.614 0.486 0.542 2004 yılı QuickBird sonucu

UYGULAMA Nesne-tabanlı sınıflandırma (QuickBird Örneği) 1 2 3 Segmentasyon 4 5 Katman 1 2 3 4 5 6 Ölçek par. 10 20 30 35 60 30 Renk 0.5 0.7 0.3 0.5 0.5 Spektral Biçim 0.5 0.3 0.7 0.5 0.5 Farklılık Yumuşaklık 0.5 0.5 0.5 0.5 0.5 Bütünlük 0.5 0.5 0.5 0.5 0.5

UYGULAMA Nesne-tabanlı sınıflandırma (QuickBird Örneği) Sınıflar oluşturulur ve içerilerine üyelik fonksiyonları tanımlanır. Sınıf atamaları için kullanılan özellikler ve bunlara ait fonksiyonlar (bina sınıfları için)

UYGULAMA Nesne-tabanlı sınıflandırma sonuçları Sınıf Bina Yol Toplam Bina 100 0 100 Yol 9 41 50 Sınıflandırılmamış 14 16 30 Toplam 123 57 Doğruluk Üretici 0.81 0.72 Kullanıcı 1.00 0.82 2004 yılı QuickBird sonucu Toplam Doğruluk 0.78 Kappa 0.59

UYGULAMA Nesne-tabanlı sınıflandırma sonuçları Sınıf Bina Yol Toplam Bina 86 14 100 Yol 19 31 50 Sınıflandırılmamış 13 17 30 Toplam 118 62 Doğruluk Üretici 0.74 0.66 Kullanıcı 0.94 0.75 2002 yılı IKONOS sonucu Toplam Doğruluk 0.73 Kappa 0.52

UYGULAMA Nesne-tabanlı sınıflandırma sonuçları Sınıf Bina Yol Toplam Bina 94 6 100 Yol 15 35 50 Sınıflandırılmamış 15 15 30 Toplam 124 56 Doğruluk Üretici 0.78 0.69 Kullanıcı 0.96 0.79 2008 yılı IKONOS sonucu Toplam Doğruluk 0.75 Kappa 0.55

UYGULAMA Nesne-tabanlı sınıflandırma sonuçlarının vektör haline getirilmesi 2004 yılı QuickBird (bina ve yol yapıları) 2002 yılı IKONOS (bina ve yol yapıları) 2008 yılı IKONOS (bina ve yol yapıları)

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (QuickBird Örneği) (Referans Vektör Harita ve Elle Vektörleştirme Sonuçlarının Karşılaştırılması Bina yapısı) Görüntü üzerine bindirilmiş referans vektör harita Kırmızı: Referans Vektör, Mavi: Elle vektörleştirme

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (QuickBird Örneği) (Referans Vektör Harita ve Elle Vektörleştirme Sonuçlarının Karşılaştırılması Bina yapısı) Kırmızı: Referans vektör haritada mevcut olup; elle vektörleştirme ile çıkarılamayan bina yapıları; Mavi: Referans vektörde mevcut olmayan fakat elle vektörleştirme ile çıkarılan bina yapıları

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (QuickBird Örneği) (Referans Vektör Harita ve Elle Vektörleştirme Sonuçlarının Karşılaştırılması Yol yapısı) Görüntü üzerine bindirilmiş referans vektör harita Kırmızı: Referans Vektör, Mavi: Elle vektörleştirme

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (QuickBird Örneği) (Referans Vektör Harita ve Elle Vektörleştirme Sonuçlarının Karşılaştırılması Yol yapısı) Kırmızı: Referans vektör haritada mevcut olup; elle vektörleştirme ile çıkarılamayan yol yapıları; Mavi: Referans vektörde mevcut olmayan fakat elle vektörleştirme ile çıkarılan yol yapıları

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (QuickBird Örneği) (Referans Vektör Harita ve Nesne-Tabanlı Sın. Sonuçlarının Karşılaştırılması Bina yapısı) Görüntü üzerine bindirilmiş referans vektör harita Kırmızı: Referans Vektör, Mavi: Nesne-tabanlı sonuçlar

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (QuickBird Örneği) (Referans Vektör Harita ve Nesne-Tabanlı Sın. Sonuçlarının Karşılaştırılması Bina yapısı) Görüntü üzerine bindirilmiş; Kırmızı: Referans Vektör, Mavi: nesne-tabanlı sınıflandırma sonuçları

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (QuickBird Örneği) (Referans Vektör Harita ve Nesne-Tabanlı Sın. Sonuçlarının Karşılaştırılması Yol yapısı) Görüntü üzerine bindirilmiş referans vektör harita Kırmızı: Referans Vektör, Mavi: Nesne-tabanlı sonuçlar

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (QuickBird Örneği) (Referans Vektör Harita ve Nesne-Tabanlı Sın. Sonuçlarının Karşılaştırılması Yol yapısı) Görüntü üzerine bindirilmiş; Kırmızı: Referans Vektör, Mavi: nesne-tabanlı sınıflandırma sonuçları

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (Genel) Veri Detay Bina Yapısı (adet) Bina Yapısı (alan m 2 ) Yol Yapısı (uzunluk - m) Yol Yapısı (alan m 2 ) 1/5000 Ölçekli Referans Vektör Harita 596 (%100) 143100.45 (%100) 14570.31 (%100) 165037.52 (%100) 2004 yılına ait pan-sharp QuickBird Elle Vektör 422 (%71) Nesne- Tabanlı 520 (%87) 114198.67 (%79) 13285.57 (%91) - 130123.91 (%91) - 188729.34 (%114) 2002 yılına ait pan-sharp IKONOS Elle Vektör 404 (%68) Nesne- Tabanlı 530 (%89) 96814.44 (%68) 8063.66 (%55) 123534.14 (%86) - - 220481.00 (%133) 2008 yılına ait pan-sharp IKONOS Elle Vektör 431 (%72) Nesne- Tabanlı 451 (%76) 112504.76 (%79) 10096.23 (%69) - 138748.31 (%97) - 243216.13 (%147) Test alanındaki yol ve bina yapılarının, referans vektör haritadaki ve görüntülerden değişik yöntemlerle elde edilen vektör ürünlerindeki alan ve uzunluk bilgileri

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (Genel) Referans vektörün üretim ve uydu görüntülerinin alım tarihleri göz önüne alındığında, 2004 yılına ait QuickBird görüntüsü en uygun karşılaştırma örneği kabul edilmiştir. Görüntüden üretilen vektör haritadaki bina ve yol yapılarının 1/5000 ölçekli haritadaki mevcut bina yapılarına benzer şekilde çıkarıldığı görülmüştür. 1/5000 ölçekli ortofoto ve bundan üretilen vektör harita QuickBird görüntüsü ve bundan üretilen vektör harita

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (QuickBird Örneği)

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (Genel) 60cm YÖA 1.0m YÖA 1.0m YÖA Görüntüden çıkarılacak bilgi içeriğini etkileyen unsurlar: Görüntünün sahip olduğu etkin YÖA değeri, görüntünün alım zamanındaki atmosferik durum, görüntünün güneş yükseklik ve azimut açıları, görüntüleme sisteminin bakış açısı ve görüntüdeki ayrıntıların durumu ile aralarındaki kontrast.

UYGULAMA CBS ortamında Karşılaştırmalı Analizler (Genel) Bulunma Elle Vektörleştirme Nesne- Tabanlı Grup Tipi Olarak Tanınması Elle Vektörleştirme Nesne- Tabanlı Detay Görüntü 3 2 1 3 2 1 3 2 1 3 2 1 Bina Yapısı Yol Yapısı 2004 yılı QuickBird 2002 yılı IKONOS 2008 yılı IKONOS 2004 yılı QuickBird 2002 yılı IKONOS 2008 yılı IKONOS Bina ve yol yapılarının, görüntülerden değişik yöntemlerle bulunma ve grup olarak tanınma değerlendirmeleri

SONUÇ ve ÖNERİLER Düşük çözünürlüklü uydu görüntüleri ile 1/50000 ve 1/100000 ölçekli harita yapımı imkanı IKONOS, QuickBird, Orbview ve Worldview gibi yüksek çözünürlüklü uydu görüntüleri ile 1m ve altı YÖA değeri 50cm ve altında YÖA değerine sahip görüntüler ile 1/10000 ölçekli bir haritanın bilgi içeriğini çıkaracak ayrıntı zenginliği Bilgi çıkarım ve revizyon çalışmalarında görüntülerin hazır hale getirilmesi, işlenmesi ve yorumlanması için yazılım-donanım gereksinimi Bilgileri tanıma ve çıkarma yaklaşımları Bu yaklaşımların başarısı, harita bilgisi ve revizyon çalışmalarında kullanılabilmelerinin araştırılması

SONUÇ ve ÖNERİLER Zengin bilgi içeriğine sahip olan QuickBird ve IKONOS görüntüleri harita revizyonu için uygun bir veri olmasına rağmen, 1/5000 ölçekli haritadaki bilgi içeriğine erişememektedir. Ek bilgi ve ön düzeltme işlemlerinin yapılması, bu işlemde uygun YKN ve kaliteli SYM verilerinin kullanılması, görüntü zenginleştirme olanaklarının araştırılması gerekmektedir. Ekran üzerinden elle vektörleştirme işleminde; Kullanılacak yazılım-donanım ve operatör gereksinimi, işlemin fazla zaman alması sorunu mevcuttur. Yapılan uygulama sonucunda, en uygun verinin 2004 yılı QuickBird verisi olduğu ve bina yapılarında %71, yol yapılarında ise %91 oran ile 1/5000 lik referans vektör haritayı karşıladığı görülmüştür. Görüntülerdeki en önemli sorun, gölge etkisidir.

SONUÇ ve ÖNERİLER Nesne-tabanlı yaklaşımda; Kullanılacak yazılım-donanım ve kullanıcı gereksinimi mevcut olup, bilgi çıkarım işlemi en kısa sürede ve otomatik olarak yapılmaktadır. Bu yaklaşımla üretilen vektör haritanın başarısı, alan olarak bina yapılarında %79-97, yol yapılarında ise %115-147 oran ile 1/5000 lik referans vektör haritayı karşıladığı görülmüştür. Bu değerlerin elle vektörleştirme sonuçlarına yakın olması, nesne-tabanlı yaklaşımların kullanılabilirliğini göstermektedir. Yanlış çıkarımların sebebi, kullanılan görüntüdeki plansız yapılaşma ve dar yol yapıları gibi benzeri ayrıntıların varlığı, aralarındaki kontrast değerleri, mevcut gölge sorunu ve test alanının değişken topoğrafyası olarak gösterilebilir. Alan Büyütme Region Growing Algoritmasının bina yapıları gibi alansal nesnelerin çıkarımında daha başarılı olduğu, yol yapıları gibi çizgisel detayların çıkarımında sorunlar yaşadığı görülmüştür.

SONUÇ ve ÖNERİLER Genel sonuçlara dayanarak denilebilir ki; Elle vektörleştirmede operatör bilgisi kullanılabilirken, aynı durum nesne-tabanlı yaklaşımda geçerli olmamaktadır. Buna karşın, nesne-tabanlı detay çıkarım yaklaşımda uygulanan bulanık üyelik fonksiyonları, bu sorunun bir miktar giderilmesinde yardımcı olmakta ve spektral analizin dışında da imkanlar sağlamaktadır. 2008 yılı IKONOS uydu görüntüsünün değerlendirilmesiyle, geçen üç sene içerisinde bina ve yol yapılarında değişiklikler saptanmıştır. Elde edilen bu çıkarım sonuçlarından, özellikle yürütme işlemi uzun sürmeyen nesne-tabanlı yaklaşım ile güncelleme çalışmalarının yapılabileceği söylenebilmektedir. Bina ve ağaç gölgesinde kalmayan, açık alanlardaki ana yolların ve düzgün yerleşim gösteren şehirleşme bölgelerindeki tali yolların nesne-tabanlı yaklaşım ile başarılı bir şekilde çıkarılabileceği görülmüştür.

SONUÇ ve ÖNERİLER Bazı yol yapılarının spektral yansıma değerlerinin çıplak arazilerinkilerle aynı olması ve özellikle kullandığı algoritması nedeniyle bu yaklaşımın, yol yapılarının çıkarımında başarısız olduğu belirlenmiştir. Başarılı sınıflandırma sonuçları için, uygulama yapılacak bölgenin 1m den daha az YÖA değerine sahip uydu görüntüsünün kullanılması önerilmektedir. Nesne-tabanlı vektör sonuçlarının bir CBS yazılımı altında toplanmasıyla, test alanına ait diğer grafik ve öznitelik bilgileriyle birlikte analiz ve sorgulamaları yapılabilmektedir. Bu işlemler, güncel durumun ortaya koyması açısından önem taşımaktadır. Böylece kentsel oluşum sürecinde analizler yapılarak ileriye yönelik projeler için sayısal bir altlık oluşturulması sağlanmaktadır.