UZAKTAN 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/ /marangoz.htm http://jeodezi.karaelmas.edu.tr/fukal

İÇERİK Giriş Sınıflandırma Kavramı ve Sınıflandırıcılar Bulanık Sınıflandırma Sistemleri Klasik Piksel-Tabanlı Sınıflandırma Yaklaşımı Nesne-Tabanlı Sınıflandırma Yaklaşımı Görüntü Yorumlamada Temel Bileşenler Segmentasyon Nesne-Tabanlı Görüntü Analizi Altında Bulanık Sınıflandırma Uygulama 2

GİRİŞ Zengin bilgi içeriği piksel-tabanlı sınıflandırma yaklaşımlarında tam olarak yansıtılamamaktadır. Bu yaklaşımların temelinin tekil piksellerin gri değerlerine dayanmakta ve böylelikle sınıflandırma için sadece spektral bilgi kullanılmış olmaktadır. QuickBird ve IKONOS da tutarsız sonuçlar Nesne-tabanlı sınıflandırma yaklaşımında, segmentlerin daha uygun hale getirilmesi için, spektral bilginin yanında yapısal veya dokusal ek bilgilerle daha pozitif sınıflandırma sonuçları sunar. Bu yöntemle, sadece tekil pikseller sınıflandırılmakla kalmaz, segmentasyon basamağı sırasında homojen görüntü nesneleri de ortaya çıkar. 3

Sınıflandırıcılar Genellikle sınıflandırma, belirli bir sayıdaki nesneyi, sınıf tanımlamalarına göre belirli bir sınıfa dahil etmek anlamına gelir. O sebeple bir sınıf tanımlaması, istenilen sınıfın sahip olduğu tipik özelliklerin ve durumların tanımlamasıdır. Ardından nesneler bu özellikleri veya durumları karşılayıp, karşılamadıklarına göre sınıfa dahil edilirler. Sonuç olarak her nesne bir kesin sınıfa dahildir veya hiçbir sınıfa dahil değildir. Uzaktan algılama uygulamalarında klasik sınıflandırıcılar, bu suretle nesnelere 1 veya 0 olarak üyeliği atarlar. Bu tip sınıflandırıcılar, geçişsiz sınıflandırıcılar olarak adlandırılırlar. Bunun tersine, geçişli sınıflandırıcılar (temelde bulanık sistemler) bir nesnenin, bir sınıfa üyeliğini tarif etmek için bir üyelik derecesi veya olasılık kullanırlar. Üyelik değeri genellikle 1.0 ve 0.0 arasında yer alır. 1.0 bir sınıfa tam anlamıyla üye olmayı/olasılık ifade eder (tamamen dahil olmak) ve 0.0 bir sınıfa tam anlamıyla üye olmamayı/olasılık olmamasını ifade eder. 4

Sınıflandırıcılar Geçişli metodun avantajı, sınıf tanımlamalarındaki belirsizliklerin ifade edilmesidir. Aynı zamanda, her bir nesnenin birden fazla sınıfa üyeliğinin tanımlanmasını veya diğer sınıflara ait olma olasılıklarını farklı düzeylerdeki üyelik veya olasılık şartıyla mümkün kılar. Görüntü anlamaya bağlı olarak, geçişli sınıflandırma sonuçları dünya hakkındaki belirsiz insan bilgisini ifade etmekte daha başarılıdır. Bu da insan diline, düşüncesine ve aklına daha yakın sınıflandırma sonuçları vermesini sağlar. Başka bir deyişle, geçişli sınıflandırıcılar, geçişsiz sınıflandırıcılara karşı daha gerçekçi sonuçlar verir. 5

Kontrollü ve Kontrolsüz Sınıflandırma Kontrollü yöntemde istenilen sınıflar kullanıcıya bağımlı olup, kontrolsüz yöntem hemen hemen kullanıcıdan bağımsızdır. Kontrolsüz yöntem hemen hemen otomatik çalışırken, kontrollü yöntem kullanıcı tarafından ya örnekler seçerek ya da sınıf özelliklerini tanımlayarak düzenlenmelidir. Kontrollü yöntemde bir sınıfın tanımlanması, genellikle sadece istenilen sınıf özelliklerinin bir tahmini olabilir. Özellikleri tahmin etmek aynı zamanda sınıf tanımlamaları hakkında az çok bilinen bir belirsizliği kabullenmek veya özelliklerin ölçülmüş değerleri hakkındaki bilinen bir belirsizlik anlamına gelir. Bu belirsizlikleri formülize edebilmek ancak geçişli sınıflandırıcılar kullanarak olur. 6

Kontrollü ve Kontrolsüz Sınıflandırma Kontrolsüz yöntemler, daha hızlıdır, fakat sınıflandırma algoritmalarının özel bir dalı oldukları sürece, sonuçların kullanıcılar tarafından yorumlanması gerekir. Kontrolsüz sınıflandırmanın diğer bir avantajı, nesnelerin istatistiklerini tamamen ve sistematik olarak analiz edebilme kabiliyetidir. Böylece, kontrolsüz bir sınıflandırmanın sonuçları, algılanabilecek sınıflar hakkında kullanışlı bilgiler verebilir. 7

Bulanık Sınıflandırma Sistemleri En güçlü geçişli sınıflandırıcılar, bulanık sistem üzerine kurulu olan sınıflandırıcılardır. Bulanık mantık, belirsiz ifadeleri ölçülendirmek için matematiksel bir yaklaşımdır. Temel düşünce, iki kati mantıksal ifade olan evet ve hayır durumlarını, devam eden [0...1] aralığıyla değiştirmektir. Bu sistemlerde 0 kesinlikle hayır ve 1 kesinlikle evet anlamına gelir. 0 ve 1 arasındaki her değer, evet ve hayır ın daha az veya çok belirgin durumunu ifade eder. Böylece, bulanık mantık insan düşüncesinin yerini alabilir ve hesapta yer alabilir. Bulanık sınıflandırma sistemleri, uzaktan algılama bilgilerinin çıkarılmasındaki çoğu belirsizliği dikkate almaya iyi uyan bir yapıdadır. Parametre ve model belirsizlikleri, üyelik fonksiyonlarıyla tanımlanan bulanık ayarlamalarla dikkate alınırlar. İkili doğru veya yanlış yerine, çoklu değerlendirmeli bulanık mantık, doğru ve yanlış arasındaki geçişlere izin verir. 8

Piksel-Tabanlı Sınıflandırma Tekniği Klasik piksel-tabanlı sınıflandırma yaklaşımlarının amacı, arazi örtü sınıfları ve özeliklerine göre bir görüntüdeki tüm pikselleri otomatik olarak bir araya getirmektir. Bu yaklaşımlarda genelde kullanılan kontrollü sınıflandırma yöntemleri; Maksimum Benzerlik Sınıflandırma Yöntemi, Minimum Uzaklık Sınıflandırma Yöntemi, Paralelyüz Sınıflandırma Yöntemi dir. Maksimum Benzerlik Sınıflandırma Yöntemi, uzaktan algılamada görüntü sınıflandırması için en çok kullanılan ve bilinen kontrollü sınıflandırma yöntemidir. Bu yöntem, sınıflar için eş olasılık eğrilerinin tanımlanmasına ve sınıflandırılacak piksellerin üyelik olasılığı en yüksek olan sınıfa atanması ilkesine dayanır. 9

Piksel-Tabanlı Sınıflandırma Tekniği Kontrollü Sınıflandırma (Maksimum Benzerlik Sınıflandırma Yöntemi) 10

Piksel-Tabanlı Sınıflandırma Tekniği Kontrollü Sınıflandırma (Maksimum Benzerlik Sınıflandırma Yöntemi) 11

Piksel-Tabanlı Sınıflandırma Tekniği Kontrollü Sınıflandırma (Maksimum Benzerlik Sınıflandırma Yöntemi) Yöntemin etkinliği, her spektral sınıf için ortalama vektör ile kovaryans matrisin doğru biçimde tahmin edilmesine bağlı olmaktadır. Bu koşul ise, sınıfların her biri için yeterli miktarda örnekleme verisinin (piksel) bulunabilmesine bağlıdır. Örnekleme bölgesine ait yeterli miktarda veri bulunmadığı zaman arzulanan sınıflandırma doğruluklarına ulaşılamaz. Böyle bir durumda kovaryans bilgilerini kullanmayan başka sınıflandırma yöntemlerine başvurmak gerekir. 12

Piksel-Tabanlı Sınıflandırma Tekniği Kontrollü Sınıflandırma (Minimum Uzaklık Sınıflandırma Yöntemi) Örnekleme bölgelerine ait örnekleme verileri sınırlı olduğu zaman, kovaryans bilgilerini kullanmayan yalnızca spektral sınıfların ortalama vektörlerinin kullanılmasına dayanan sınıflandırma yöntemlerine başvurmak gerekir. Böyle bir durumda kısıtlı örnekten ortalama değerler kovaryanslara göre daha doğru tahmin edilebilir. Örnekleme verilerinden sınıf ortalamaları belirlenir, sınıflandırmada bir piksel en yakın ortalamaya sahip sınıfa atanır. 13

Piksel-Tabanlı Sınıflandırma Tekniği Kontrollü Sınıflandırma (Minimum Uzaklık Sınıflandırma Yöntemi) 14

Piksel-Tabanlı Sınıflandırma Tekniği Kontrollü Sınıflandırma (Minimum Uzaklık Sınıflandırma Yöntemi) En küçük uzaklık yöntemi, en büyük benzerlik yönteminden daha hızlı olduğu için ilgi çekicidir. Ancak kovaryans bilgilerini kullanmadığından en büyük benzerlik yöntemi kadar esnek değildir. Yöntemde kovaryans verilerinin kullanılmaması nedeniyle sınıf modelleri spektral anlamda simetriktir. Bu nedenle bazı sınıflar iyi modellenmeyebilir. Ancak örnekleme verileri sınırlı olduğu zaman en küçük uzaklık yöntemi, en büyük benzerlik yönteminden daha doğru sonuçlar verir. 15

Piksel-Tabanlı Sınıflandırma Tekniği Kontrollü Sınıflandırma (Minimum Uzaklık Sınıflandırma Yöntemi) 16

Piksel-Tabanlı Sınıflandırma Tekniği Kontrollü Sınıflandırma (Paralelyüz Sınıflandırma Yöntemi) Uygulaması hızlı ve kolay olmasına rağmen; her bir örnekleme seti için özelliklerin yalnızca minimum ve maksimum değerleri kullanılması nedeniyle, gerçek spektral sınıfların iyi temsil edilememesine yol açmaktadır. Bu yöntem, kontrol (örnekleme) verilerinin spektral bileşenlerinin histogramlarının incelenmesine dayalı çok basit bir kontrollü sınıflandırmadır. Aynı zamanda bu sınıflandırma analist için de en az bilgiyi gerektiren yöntemdir. Tanımlanan her sınıf için, kullanılan her bandın minimum ve maksimum piksel değerleri kullanılmaktadır. Uygulanan karar kuralı, her bilinmeyen piksel, özellik değeri ile ilgili olduğu paralelyüz içine atanır. 17

Piksel-Tabanlı Sınıflandırma Tekniği Kontrollü Sınıflandırma (Paralelyüz Sınıflandırma Yöntemi) 18

Piksel-Tabanlı Sınıflandırma Tekniği Kontrollü Sınıflandırma (Paralelyüz Sınıflandırma Yöntemi) 19

Piksel-Tabanlı Sınıflandırma Tekniği Kontrolsüz Sınıflandırma Yöntemi 20

Piksel-Tabanlı Sınıflandırma Tekniği a) Kontrolsüz (ISODATA) sınıflandırma sonucu, Kontrollü sınıflandırma sonuçları: b) Paralelyüz (Parallelpiped), c) Minimum uzaklık (Minimum Distance), d) Maksimum Benzerlik (Maximum Likelihood) 21

Piksel ve Nesne Tabanlı Sınıflandırma Tekniği Pan-sharp Landsat 7 ETM+ görüntüsünün nesne-tabanlı sınıflandırma sonucu (Ölçek Parametresi=5) 22

Nesne-Tabanlı Sınıflandırma Tekniği Nesne-tabanlı sınıflandırma yaklaşımının temel işlem birimi, görüntü segmentleri veya nesneleridir. Burada sınıflandırma işlemi görüntü nesneleri üzerinden yapılır. Nesne-tabanlı yaklaşıma bir sebep, çoğu görüntü analizi uygulamasından beklenen sonucun, gerçek dünya nesnelerinin, gerçek sınıflandırma ve gerçek şekillerinde olmasıdır. Bu beklenti alışılagelmiş piksel tabanlı yaklaşımlarla sağlanamamaktadır. Her sınıflandırma işlemi kesin bir ölçeğe bağlıdır. Bu nedenle, görüntü nesnelerinin ortalama çözünürlüğünün istenilen ölçeğe uygunluğu çok önemlidir. Görüntü bilgisi, görüntü nesnelerinin ortalama büyüklüğüne bağlı olarak farklı ölçeklerde sunulabilir. Aynı görüntü daha küçük veya daha büyük objeler olarak segmentlere ayrılabilir ki bu görüntü nesnelerinden türetilecek tüm bilgileri pratik olarak büyük ölçüde etkiler. Bu nedenle her ölçekte farklı bilgiler çıkarılabilir. 23

Nesne-Tabanlı Sınıflandırma Tekniği Nesne-tabanlı görüntü analizinde çok sayıda ek bilgi, görüntü nesnelerinden çıkartılabilmektedir. Bunun nedeni, şekil, doku, komşuluk ve diğer obje tabakalarından gelen bilgilerdir. Bu bilgiler kullanılarak sınıflandırma, daha iyi semantik ayırım ve daha doğru sınıflandırma sonuçlarına ulaşır. Kavramsal bakış açısıyla, mümkün olan özellikler şu şekilde gruplara ayrılabilir: Temel Özellikler: Objelerin fiziksel özellikleri, ki gerçek dünyanın resmedilmesiyle ve görüntüleme durumuyla belirlenir (basit olarak sensör ve aydınlatma), bu özellikler rengi, dokuyu ve nesnelerin yapısını ifade eder. 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. 24

Nesne-Tabanlı Sınıflandırma Tekniği Nesne tabanlı sınıflandırmada bilgi çıkarımı, sadece görüntü nesnelerinin şekil ve boyutlarıyla ilgilenmekle kalmaz, onların semantik bilgilerini de işlem içerisine katar. Bu işlemle, görüntü alanındaki piksellerin sadece uzaysal kümeleşmesi gerçekleştirilmez, aynı zamanda görüntünün bilgi içeriğinin uzaysal ve semantik yapısına yaklaşılır ki, bu noktada asıl önemli olan da gerçek dünya nesnelerine yaklaşmaktır. Sonuç olarak, sınıflandırılmış görüntü nesnelerinin ilişkilendirilmesi, uzaysal veya semantik ağ olarak görülebilir. Bu noktadaki en önemli husus, bu şekilde bir ağ yapısının kurulmasıyla birlikte, ek bilgilerin bu ağ üzerinden çıkarımının, düzgün yapıdaki analizler yardımıyla oldukça basit bir şekilde yapılabilmesidir. Nesne-tabanlı yaklaşım, sonuçları birbirlerini etkilese de, pratikte birbirinden bağımsız olarak uygulanan, özel segmentasyon ve sınıflandırma teknikleridir. Örneğin, sınıflandırmaya esas olan yapı, segmentasyon sonucunda oluşan nesnelerdir, ancak iki aşama kesinlikle yapılırken birbirlerine bağlı değillerdir. 25

Nesne-Tabanlı Sınıflandırma Tekniği Ölçek, görüntüyü anlamanın önemli adımlarından biridir ve belirli bir olgunun tanımlanabildiği çıkarım büyüklüğünü veya seviyesini tanımlar. Bu nedenle bir görüntüyle farklı çözünürlükler yerine farklı ölçeklerde çalışmak analizi kolaylaştırır. Bir şehrin yüksek çözünürlüklü görüntüsüne bakıldığını varsayalım. Çok yakından bakıldığında tekil evler, binalar, yollar ve diğer kentsel nesneler ayrıntılı biçimde görülecektir. Eğer bakış mesafesi büyütülürse, bu kez tekil binalar görülmez, fakat oldukça farklı konut bölgeleri veya mahalleler ayırt edilebilir. Farklı dokular, farklı boyut ve şekilleriyle de seçilebilirler. Mahalle dokusu daha büyük bir ölçekte onun alt nesne ve yapılarını içerir (örn. Evler, yollar, bahçeler) ve bunlar özellikle renk tonu, şekil ve ayrıca topolojik ilişkileriyle tanımlanır. Ortaya çıkartılan farklı olgularda ve gerçek dünya nesnelerinin yapılarında bir çeşit hiyerarşi vardır. Bu hiyerarşi açıkça ölçekle belirlenir. Örneğin evleri, binaları, yolları çıkartırsak bunların birleştirilmesiyle yerleşim alanlarını, mahalleleri çıkartmış oluruz. Bunun gibi birçok yerleşim bölgesinin birleşimiyle kasaba veya şehir yapısına ulaşırız. 26

Nesne-Tabanlı Sınıflandırma Tekniği Çok yüksek çözünürlüklü bir görüntüde parkları ayırt etmek için sınıflandırma işlemini hayal edelim. Bir park her zaman geniş ve birbirini takip eden yeşil alanlardan oluşur. Bu farklı ölçek, parkı bahçeden ayırır. Ek olarak, parklar da örneğin parkların kentsel alanda yerleşmesiyle çayırlardan ayrılır. Tekil komşu evler parkları tanımlamak için yeterli bir şart değildir. Yine de, tekil binalara komşuluğu bahçeleri, çayırdan ayırmak için uygun bir ölçüttür. Bu basit örnek zaten ne kadar çok, birbiriyle ilişkili olan yapıların ölçeklerine bağlı kontekst bilginin mevcut olduğunu gösterir. Bu şaşırtıcı gerçek, anlamlı kontekst ilişkilerinin piksel tabanlı yaklaşımları kullanarak tanımlamanın ne kadar zor veya hatta imkansız olduğunu açıklar. 27

Nesne-Tabanlı Sınıflandırma Tekniği Segmentasyon, görüntünün birbirinden farklı alt bölümlere ayrılmasıdır. Bu işlemde görüntü üzerinde bulunan her bir piksel görüntü üzerinde bir nesneye hiyerarşik olarak bağlıdır. Bu hiyerarşi, segmentasyon için hazırlanmış olan algoritmada bazı değişkenlere bağlı olarak kurulur. Burada önemli olan uygun homojenliği sağlayarak pikselden nesneye doğru, uygun yapıyı kurmaktır. Segmentasyon aşamasında bunun için kullanılan değişkenler; ölçek, renk, biçim, yumuşaklık ve bütünlük değişkenleridir. Bu değişkenlerin dahil olduğu bir fonksiyon yardımıyla pikselden segmente ve buradan da daha büyük segmentlere doğru bir zincir yapı kurulur. Segmentasyon yöntemleri iki ana gruba ayrılır; Bilgi çıkarım yöntemleri (yukarıdan-aşağıya): Burada kullanıcı zaten görüntüden ne çıkarmak istediğini bilir, fakat çıkarımı nasıl yapacağını bilmez. İstenilen nesne modeli formülize edilerek, sistem onları çıkarmak için en iyi görüntü işleme metodunu bulmaya çalışır. Veri çıkarım yöntemleri (aşağıdan-yukarıya): Burada ise, segmentler bir dizi istatistik yöntem ve parametreyle tüm görüntüyü işlemeye bağlı olarak üretilir. Bu yöntemle bütün görüntünün segmentasyonunu gerçekleştirilir. 28

Nesne-Tabanlı Sınıflandırma Tekniği - Segmentasyon Kesilmiş pan-sharp QuickBird görüntüsü Level 5 Level 2 29

Nesne-Tabanlı Sınıflandırma Tekniği Segmentasyon Parametreleri 30

Nesne-Tabanlı Sınıflandırma Tekniği Aynı segmentasyon parametreleriyle oluşturulmuş vektörlü ve vektörsüz segmentasyon (A=Vektör Yapılı, B=Vektör yapısız) 31

Nesne-Tabanlı Sınıflandırma Tekniğinde Bulanık Mantık 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. Seçilen fonksiyon nesnenin o özelliği için karşılık gelecek üyelik değerini belirlemede direk rol oynar. Örneğin sinüs eğrisine benzer yapıda bir eğri kullanmak daha yumuşak geçişli sonuçlar verirken, dikdörtgensel fonksiyonlar kullanmak daha sert ve geçişe izin vermeyen sonuçlar verir. Bundan sonra yapılması gereken sınıf atamalarının yapılabilmesi için, o sınıf içine dahil edilmesi gereken nesneler için uygun öznitelikleri belirlemektir. Bu öznitelikler bazı üyelik fonksiyonlarıyla birlikte uygun sınıf içinde tanımlanır. 32

Uygulama 1 Safranbolu Örneği Safranbolu ya ait yüksek çözünürlüklü IKONOS görüntüsü kullanılarak bölgedeki tarihi binaların, klasik piksel-tabanlı ve nesne-tabanlı sınıflandırma tekniklerinin performansları karşılaştırılmıştır. Test alanı, Safranbolu nun tarihi yapılarını (Cinci Kervansarayı, Cinci Hamamı, Saat Kulesi, Eski Hükümet Binası Eski Cezaevi, Köprülü Mehmet Paşa Camii ve İzzet Paşa Camii) kapsayan bölgedir. Safranbolu nun tarihi yapıları Pan-sharp IKONOS görüntüsü 33

Uygulama 1 Safranbolu Örneği Çalışmayı zenginleştirmek için iki adet vektör veri ve mevcut hava fotoğrafları kullanılmıştır. Bu iki vektör verileri, eski tarihli 1:1000 ölçekli harita ve IKONOS görüntüsü kullanılarak ekran üzerinden sayısallaştırma yöntemi yardımıyla üretilen sayısallaştırılmış bina vektör verileridir. 34

Uygulama 1 Safranbolu Örneği Piksel-tabanlı sınıflandırma - PCI Geomatica v9.1.6 yazılımı 35

Uygulama 1 Safranbolu Örneği Nesne-tabanlı sınıflandırma ecognition v4.0.6 yazılımı Görüntü ecognition yazılımı altında çoklu segmentasyon aşamasıyla 9 farklı segmentlere ayrılmış ve oluşan katmanlardan arasından en uygun olan 7. katman seçilmiştir. Segmentasyon aşamasında görüntünün altına 1:1000 ölçekli haritadan sayısallaştırılan vektör katmanı koyularak en uygun segmentasyon sonucuna ulaşılması sağlanmıştır. Sınıflandırma aşamasına geçilmeden önce, tarihi bina sınıfı oluşturulmuş ve uygun üyelik fonksiyonları seçilerek segmentler bu sınıfa dahil edilmiştir. 36

Uygulama 1 Safranbolu Örneği Test alanında oluşturulan sınıf hiyerarşisinden elde edilen sınıflandırma sonuçlarına göre, Safranbolu daki bir çok tarihi bina çıkarılmıştır. Sınıflandırma kalitesi, önemli ve ilk adım olan segmentasyon aşamasının kalitesine bağlıdır. Bu amaçla bu aşamada, segmentasyonun kalitesinin geliştirilmesi için vektör veri kullanılmış ve böylelikle gerçeğe uygun ve düzgün şekilli segmentler oluşturulmuştur. 37

Uygulama 1 Safranbolu Örneği Uzaktan algılamada sınıflandırma doğruluğu, seçilen referans bilgiler ve sınıflandırılmış veri arasındaki uyuşmanın belirlenmesi anlamına gelmektedir. PCI yazılımında, çalışmada rastgele 150 piksel seçilmiş ve yer gerçeği verileriyle uyuşumu analiz edilmiştir. ecognition yazılımında doğruluk değerlendirmesini yapmak üzere rastgele örnek nesneler seçilmiştir. Her iki yazılımda da hata matrisleri oluşturulmuş ve sunulmuştur. 38

Uygulama 1 Safranbolu Örneği Piksel-tabanlı sınıflandırma yaklaşımla çıkarılan tarihi yapıların kullanıcı doğruluğunun normal değerde, fakat üretici doğruluğunun düşük değerde olduğu görülmektedir. Toplam doğruluklara göre nesne-tabanlı sınıflandırma yaklaşımı daha doğru sonuçlar üretmiştir. Bunun nedeni, bu yaklaşımda oluşturulan segmentlerin bütünlüğüdür. Böylece, toplam doğruluğu piksel-tabanlı yaklaşıma nazaran daha iyidir. 39

Uygulama 1 Safranbolu Örneği 40

Uygulama 1 Safranbolu Örneği - Sonuçlar Nesne-tabanlı sınıflandırma yaklaşımıyla çalışan ecognition yazılımında ilk olarak segmentasyon aşaması başlatılmış ve bulanık mantıkla çalışan sınıflandırma gerçekleştirilmiştir. Nesne-tabanlı görüntü analizi yaklaşımı yüksek çözünürlüklü uydu görüntüleri kullanılarak nesne çıkarımında tatmin edici sonuçlar göstermiştir. Detaylı doğruluk sonuçları hata matrisleri olarak elde edilmiş ve bunlar, doğru nesne sınıflandırması açısından nesne-tabanlı yaklaşımın, klasik piksel-tabanlı yaklaşıma göre çok ileride bir yöntem olduğunu göstermiştir. Sınıflandırma aşamasında ecognition yazılımındaki bulanık mantık sınıflandırması büyük yarar sağlamış, piksel-tabanlı sınıflandırma sonuçlarına nazaran gerçeğe yakın ve daha doğru sonuçlar vermiştir. Yazılımın bir diğer avantajı da, vektör dosyaların oluşturulmasının, yazılımının bir adımı olmasıdır. Böylece sınıflandırma sonuçları kolayca çıkarılabilmekte, herhangi bir Coğrafi Bilgi Sistemine aktarılabilmekte ve tablo verisi olarak kullanılabilmektedir. 41

Uygulama 2 Zonguldak Örneği Uygulamanın İçeriği Test Alanına Ait Nesne-Tabanlı Sınıflandırma ve Sonuç Ürünleri Test Alanına Ait Diğer Mevcut ve Üretilen Vektör Ürünleri CBS Ortamında Karşılaştırmalı Analizler Referans Vektör Harita ve Elle Vektörleştirme Sonuçlarının Karşılaştırılması Referans Vektör Harita ve Nesne-tabanlı Sonuçların Karşılaştırılması Sonuçlar 42

Uygulama 2 Zonguldak Örneği Test alanının pan-sharp QuickBird görüntüsünün üretilmesi, Bölgedeki kültürel detaylar olan binalar ve yolların, nesne-tabanlı görüntü analizi yazılımı olan ecognition yazılımı kullanılarak çıkarılması, Elde edilen sonuçların vektör ürün haline getirilmesi ve bir bilgi sistemi ortamına aktarımı, Bu vektör ürünün, test alanının mevcut 1/5000 ölçekli referans vektör haritası ile coğrafi tabanlı yazılımda karşılaştırılması ve nesne-tabanlı sonuçların diğer bir yöntem olan elle vektörleştirme ile elde edilen vektör ürünlerine karşı başarısının analizinin yapılması. 43

Uygulama 2 Zonguldak Örneği Test alanı Pan-sharp QuickBird görüntüsü, 0.6m YÖA (~1 km x 1 km) 44

Uygulama 2 Zonguldak Örneği Pan-Sharp İşlemi QuickBird multispektral görüntüsü, 2.4m YÖA QuickBird pankromatik görüntüsü, 0.60m YÖA 45

Uygulama 2 Zonguldak Örneği Pan-Sharp İşlemi 2.4m YÖA 0.6m YÖA Pan-sharp QuickBird görüntüsü, 0.6m YÖA 46

Uygulama 2 Zonguldak Örneği Segmentasyon işlemi, Nesne-tabanlı sınıflandırma ecognition V4.0.6 Pan-sharp QuickBird görüntüsü Nesne-tabanlı sınıflandırma sonucu 47

Uygulama 2 Zonguldak Örneği Bina yapılarının sınıflandırma sonucu Yol yapılarının sınıflandırma sonucu 48

Uygulama 2 Zonguldak Örneği Bina için 100 adet ve yol yapıları için 50 adet örnek nesne seçilmiştir. Bina ve yol sınıfları için istatistiki veri, örnek nesnelere göre oluşturulan hata matrisi türü seçilerek oluşturulmuştur. Toplam doğruluğun yaklaşık %78 olduğu görülmüştür. Üretici doğruluklarında, bina yapılarının %81 ve yol yapılarının %72, kullanıcı doğruluklarında ise bina yapılarının %100 ve yol yapılarının %82 gibi değerleri ön plana çıkmaktadır. Bu istatistiksel verilerden, görüntüdeki bina yapılarının ilgili sınıfa dahil etmede başarılı olduğu ve bina sınıflandırmasının daha tatmin sonuçlar verdiği, yol yapılarının ise ilgili sınıfa dahil edilmesinde daha az başarılı olduğunu ve bazı yanlış sınıflandırmaların oluştuğu söylenebilmektedir. 49

Uygulama 2 Zonguldak Örneği Nesne-tabanlı sınıflandırma sonuçları, vektör ürün haline kolaylıkla çevrilebildiği için CBS uygulamalarına altlık oluşturma açısından oldukça fazla kolaylıklar sağlamaktadır. Yol ve bina yapılarının sınıflandırma sonuçları, sonraki karşılaştırma, sorgulama ve analiz aşamalarında kullanılmak amacıyla vektör ürün haline getirilmiştir. Bina yapılarının vektör ürünü Yol sınıflarının vektör ürünü 50

Uygulama 2 Zonguldak Örneği Elde edilen nesne-tabanlı sonuçlar vektör ürün haline getirildikten sonra bir bilgi sistemi ortamına aktarılıp, test alanına ait diğer mevcut ve üretilmiş ürünlerle karşılaştırılarak analiz ve sorgulamalar yapılması amaçlanmıştır. 1/5000 ölçekli vektör haritadaki bina ve yol yapıları 51

Uygulama 2 Zonguldak Örneği Görüntüden elle vektörleştirme sonucu elde edilen bina ve yol yapıları 52

Uygulama 2 Zonguldak Örneği (Referans Vektör Harita ve Elle Vektörleştirme Sonuçlarının Karşılaştırılması Bina yapısı) Görüntü üzerine bindirilmiş referans vektör harita Kırmızı: Referans Vektör, Mavi: Elle vektörleştirme (%90 başarı) 53

Uygulama 2 Zonguldak 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 54

Uygulama 2 Zonguldak Örneği (Referans Vektör Harita ve Elle Vektörleştirme Sonuçlarının Karşılaştırılması Yol yapısı) Görüntü üzerine bindirilmiş referans vektör harita Kırmızı: Referans Vektör, Mavi: Elle vektörleştirme (%85 başarı) 55

Uygulama 2 Zonguldak 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 56

Uygulama 2 Zonguldak Örneği (Referans Vektör Harita ve Nesne-Tabanlı Sonuçların Karşılaştırılması Bina yapısı) Görüntü üzerine bindirilmiş referans vektör harita Kırmızı: Referans Vektör, Mavi: Nesne-tabanlı sonuçlar (%85 başarı) 57

Uygulama 2 Zonguldak Örneği (Referans Vektör Harita ve Nesne-Tabanlı Sonuçların Karşılaştırılması Bina yapısı) Kırmızı: Referans Vektör, Mavi: Görüntü üzerine bindirilmiş nesne-tabanlı sınıflandırma sonuçları 58

Uygulama 2 Zonguldak Örneği (Referans Vektör Harita ve Nesne-Tabanlı Sonuçların Karşılaştırılması Yol yapısı) Görüntü üzerine bindirilmiş referans vektör harita Kırmızı: Referans Vektör, Mavi: Nesne-tabanlı sonuçlar (%70 başarı) 59

Uygulama 2 Zonguldak Örneği (Referans Vektör Harita ve Nesne-Tabanlı Sonuçların Karşılaştırılması Yol yapısı) Kırmızı: Referans Vektör, Mavi: Görüntü üzerine bindirilmiş nesne-tabanlı sınıflandırma sonuçları 60

Uygulama 2 Zonguldak Örneği - Sonuçlar Nesne-tabanlı görüntü analizi günümüzde özellikle detay çıkarımı, arazi değişiminin belirlenmesi ve harita bilgilerinin revizyonunun yapılması için gerekli hale gelmiştir. Yüksek çözünürlüklü uydu görüntülerinden detay çıkarımı uygulamalarında görüntünün ekran üzerinden elle vektörleştirme işlemi oldukça fazla zaman almaktadır. Bu yaklaşımla üretilen vektör haritanın başarısı, bina ve yol yapılarında, 1/5000 ölçekli referans vektör haritayı büyük oranda karşılamaktadır. Detay çıkarım yöntemlerinden biri olan nesne-tabanlı yaklaşım ise çıkarım işleminin en kısa sürede ve yarı-otomatik gerçekleştirilmesine olanak tanımaktadır. Bu yaklaşımla üretilen vektör haritanın başarısı, bina yapılarında 1/5000 ölçekli referans vektör haritadaki aynı yapıları %85 oranında karşılamaktadır. Bu değerin elle vektörleştirme sonuçlarına yakın olması, nesnetabanlı yaklaşımların kullanılabilirliğini arttırmaktadır. 61

Uygulama 2 Zonguldak Örneği - Sonuçlar Nesne-tabanlı yarı-otomatik yol çıkarımlarında ise, analiz ve karşılaştırmalar sonucunda, referans vektör haritayı yaklaşık %70 oranında karşıladığı görülmüştür. Bu düşük değerin sebebi, kullanılan görüntüdeki detayların durumu (planlı ve plansız yapılaşma, büyük binalar, ara yollar vb.), aralarındaki kontrast değerleri, mevcut gölge sorunu ve test alanın topoğrafyası olarak gösterilebilir. Görüntüdeki bazı yol detaylarının, beton çatılı bina yapıları ile aynı spektral yansımayı vermesinden dolayı segmentasyon ve sınıflandırma aşaması olumsuz yönde etkilenmiş, böylece sonuç ürün referans vektörü tam anlamıyla karşılayamamıştır. 62

Uygulama 2 Zonguldak Örneği - Sonuçlar Elle vektörleştirmede operatör bilgisi kullanılabilirken, aynı durum nesne-tabanlı yaklaşımda geçerli olmamaktadır. Örneğin devam eden bir yolun ağaç altında kalması veya tünelle devam etmesi durumunda elle vektörleştirme yapan bir operatör, bilgisi dahilinde bu yol yapısını devam ettirebilirken, nesne-tabanlı yaklaşımın operatör bağımsız olması bu duruma izin vermemektedir. Buna karşın, nesne-tabanlı detay çıkarım yaklaşımda uygulanan bulanık üyelik fonksiyonları, yukarıdaki sorunun bir miktar giderilmesinde yardımcı olmakta ve spektral analizin dışında da imkanlar sağlamaktadır. 63

Uygulama 2 Zonguldak Örneği - Sonuçlar Nesne-tabanlı detay çıkarım sonuçları, vektör yapıya çevrilebildiği için CBS uygulamalarına altlık oluşturma açısından oldukça fazla kolaylıklar sağlamaktadır. Sonuç ürünlerin bir CBS yazılımı altında toplanmasıyla, test alanına ait diğer grafik ve öznitelik bilgileriyle birlikte analiz ve sorgulamaları yapılabilmektedir. Bu bağlamda, test alanı için mevcut raster ve vektör verilerle birlikte CBS tabanlı analiz ve karşılaştırmalarının yapılması, güncel durumun ortaya konması açısından önem taşımaktadır. Böylece kentsel oluşum sürecinde analizler yapılarak ileriye yönelik projeler için bir sayısal altlık oluşturulması sağlanabilmektedir. 64

Uygulama 3 Zonguldak Örneği Zonguldak ili bölgesine ait orta çözünürlüklü Landsat 7 ETM+ ASTER görüntüleri kullanılarak, bölgedeki farklı yapıdaki detayların nesne-tabanlı sınıflandırma tekniklerinin performansları karşılaştırılmıştır. 65

Uygulama 3 Zonguldak Örneği Landsat 7 ETM+ ve ASTER Görüntülerinin Spektral Bandları ve YÖA Değerleri 66

Uygulama 3 Zonguldak Örneği Landsat 7 ETM+ ve ASTER Görüntülerinin Nesne-Tabanı Sınıflandırma Sonuçları ve Oluşan Arazi Sınıfları (TÜM GÖRÜNTÜ) 67

Uygulama 3 Zonguldak Örneği Landsat 7 ETM+ ASTER Landsat 7 ETM+ ve ASTER Görüntülerinin Nesne-Tabanı Sınıflandırma Sonuçları ve Oluşan Arazi Sınıfları (ZONGULDAK ŞEHİR MERKEZİ) 68

Uygulama 3 Zonguldak Örneği Landsat 7 ETM+ Spot Landsat 7 ETM+ ve Spot Görüntüleri (ZONGULDAK ve ÇEVRESİ) 69

Uygulama 3 Zonguldak Örneği Landsat 7 ETM+ Spot Landsat 7 ETM+ ve Spot Görüntülerinin Nesne-Tabanlı Sınıflandırma Sonuçları ve Oluşan Arazi Sınıfları (ZONGULDAK ve ÇEVRESİ) 70

Uygulama 4 Bartın Örneği Ikonos Görüntüsü (Solda) ve Görüntünün Nesne-Tabanlı Sınıflandırma Sonucu (Sağda) (Bartın Merkez) 71

KAYNAKLAR, Yrd. Doç. Dr. Aycan Murat MARANGOZ, Bülent Ecevit Üniversitesi Müh. Fak. Jeodezi ve Fot. Müh. Bölümü, Fotogrametri ABD Sunuları, 2012 Uydu Görüntülerinden Kentsel Ayrıntıların Nesne-Tabanlı Sınıflandırma Yöntemiyle Belirlenmesi ve CBS Ortamında Bütünleştirilmesi, Yrd. Doç. Dr. Aycan M. MARANGOZ, Danışman: Prof. Dr. Zübeyde ALKIŞ, Doktora Tezi, YTÜ Fen Bilimleri Enstitüsü, Jeodezi ve Fotogrametri Müh. ABD, Uzaktan Algılama ve CBS Programı, Ekim 2009 Yüksek Çözünürlüklü Uydu Görüntülerinden Kentsel Ayrıntıların Nesne-Tabanlı Sınıflandırma Tekniğiyle Otomatik Olarak Belirlenmesi ve Coğrafi Bilgi Sistemi (CBS) Ortamında Bütünleştirilmesine Yönelik Araştırma, Yrd. Doç. Dr. Serkan KARAKIIŞ, ZKÜ Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 2005 Zonguldak Bölgesindeki Doğal Olmayan Çevresel Değişimlerin Uydu Görüntü Verileri ile Analizi, Uzman Murat ORUÇ, Yüksek Lisans Tezi, ZKÜ Fen Bilimleri Enstitüsü, 2003 Tübitak Raporu (2006), Batı Karadeniz Bölgesinin Uzay Görüntülerinin Harita Yapım Amaçlı Geometrik ve Semantik Analizi ve Veritabanı Oluşturulması, Çevre, Atmosfer, Yer ve Deniz Bilimleri Araştırma Grubu, Tübitak Projesi No: 104Y050, Haziran 2006, Zonguldak Baatz, M., Benz, U., Dehghani, S., Heynen, M., Höltje, A., Hofmann, P., Lingenfelder, I., Mimler, M., Sohlbach, M., Weber, M. and Willhauck, G., 2004. ecognition Professional: User Guide 5, Munich: Definiens-Imaging. Darwish A, Leukert K. and Reinhart, W., 2003. Image Segmentation for The Purpose of Object-Based Classification. Proceedings of IGARSS 2003 IEEE, Toulouse. Hofmann, P, 2001a. Detecting Buildings and Roads from Ikonos Data Using Additional Elevation Information, GIS Geo-Information-System, 6/2001. Hofmann, P, 2001b. Detecting Informal Settlements from Ikonos Image Data Using Methods Of Object Oriented Image Analysis - An Example From Cape Town,In: Remote Sensing of Urban Areas, edited by Jürgens, Carsten (Regensburg). Hofmann, P, 2001c. Detecting Urban Features from Ikonos Data Using an Object-Oriented Approach, RSPS 2001, Geomatics, Earth Observation and the Information Society. Karakış, S., Marangoz, A. M., Büyüksalih, G., (2005), Quickbird Pan-Sharpened Görüntüsü Üzerinden Otomatik Detay Çıkarımı ve Coğrafi Bilgi Sistemlerine Uygunluğunun Analizi, 10.Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara Marangoz, A. M., Oruç, M., Karakış, S., ve Şahin, H., 2006. Comparison of Pixel-Based and Object-Oriented Classification Using Ikonos Imagery for Automatic Building Extraction Safranbolu Testfield, Fifth International Symposium "Turkish-German Joint Geodetic Days", Berlin Technical University, Germany, 28-31 March 2006 Marangoz, A. M., Karakış, S., Oruç, M. ve Büyüksalih, G., (2005), Nesne-Tabanlı Görüntü Analizi ve Ikonos Pan-Sharpened Görüntüsünü Kullanarak Yol ve Binaların Çıkarımı, 10.Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara Oruç, M., Marangoz, A. M. ve Büyüksalih, G., (2004), Comparison of Pixel-based and Object-oriented Classification Approaches Using LANDSAT-7 ETM Spectral Bands, ISRPS 2004 Annual Conference, 19-23 July 2004, Istanbul, Turkey. 72