Uzaktan Algılama (JDF439) Sayısal yükseklik modeli Görüntü sınıflandırma yöntemleri Yrd. Doç. Dr. Saygın ABDİKAN (Grup B) 2016-2017 Öğretim Yılı Güz Dönemi 1
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
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
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
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
SAYISAL YÜKSEKLİK MODELİ (SYM) Sayısal Yükseklik Modeli Kaynak: http://www.spaceimagingme.com/default.aspx?tabid=167 Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
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
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
SAYISAL YÜKSEKLİK MODELİ (SYM) TIN Kaynak: http://freegeographytools.com/2009/landserf- %E2%80%93-vector-functions Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
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
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
DEM gölge verisi (hillshade) https://trac.osgeo.org/ossim/wiki/ossim-chipper 12
Yöntemler stereo fotogrametri, stereo uydu görüntüleri, lidar, radar interferometri, total station arazi ölçümleridir. 13
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: http://www.ce.utexas.edu/prof/maidment/grad/tate/study/remote/termproj.html Fotogrametri II Ders Notları Yrd. Doç. Dr. Aycan M. MARANGOZ
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
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
http://www.sisef.it/iforest/contents/?id=ifor0767-006 SAYISAL YÜZEY MODELİ (YM) (a) SAM (b) YM
YM SYM/SAM http://www.charim.net/datamanagement/32 18
http://nik.com.tr/stereo_dem3.pdf 19
ASTER GDEM: http://asterweb.jpl.nasa.gov/gdem.asp SRTM: http://www2.jpl.nasa.gov/srtm/ ALOS World 3D: http://www.eorc.jaxa.jp/alos/en/aw3d30/ WorldDEM TM : http://www.geo-airbusds.com/worlddem/ 2m (bağıl) / 4m (mutlak) düşey doğruluk -12m x 12m raster 20
CBS Arazi verisi (nokta ölçümü) Vektör veri Raster veri 21
Görüntü Sınıflandırma Sınıflandırma nedir Sınıflandırma türleri Kontrolsüz/Kontrollü (Denetimli, Eğitimli) Sınıflandırma doğruluğu Hata matrisi 22
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
25
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
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
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
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
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
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
ISODATA İstenen sınıf miktarı Tekrarlama (Iterations) Yakınlaşma hatası limiti (Convergence threshold) iterasyonlar arası değişmeyen maksimum piksel (%) 33
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
http://academic.emporia.edu/aberjame/student/banman5/perisocl.gif 35
36
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
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
http://ces.iisc.ernet.in/hpg/envis/remote/section28.htm 40
http://www.sc.chula.ac.th/courseware/2309507/lecture/remote18.htm 41
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
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
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
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
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
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
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
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
Gelişmiş yöntemler Destek vektör makineleri (support vector machines) Karar agaçları (decision trees) Yapay sinir ağları (atrificial neural networks) Rastgele orman (rastgele orman) 52
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
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
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
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
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
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
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
Nesne/Obje tabanlı sınıflandırma Temel işlem birimi piksel yerine görüntü segmentleri/nesneler Görüntü analiz uygulamalarından beklenen gerçek dünya nesnelerinin elde edilememesi 60
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
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
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
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) http://www.ecognition.com/sites/default/files/337_fr07_1420.pdf 64
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
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
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
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
Renk / Biçim (Color / Shape): Renk ve biçim çatışmasının nesne üretimine olan etkisi (homojenlik) Biçim kriterinin yüksek olması spektral homojenliğinin nesne üretimine etkisini azaltır 69
Yumuşaklık / Bütünlük (Smoothness / Compactness): 0' dan büyük olduğunda kullanıcı, nesnelerin daha bütün (yoğun) veya daha yumuşatılmış olması gerektiğine karar verebilir. 70
J. Appl. Remote Sens. 8(1), 083686 (Jan 29, 2014). doi:10.1117/1.jrs.8.083686 71
72
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
http://geomatik.beun.edu.tr/marangoz/ 75