Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı
Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ 1. Sayısal Görüntü 2. Uydu Görüntülerinin Geometrik Olarak Düzeltilmesi 3. Uydu Görüntülerinin Radyometrik Olarak Düzeltilmesi 4. Görüntü Zenginleştirme 4.1. Kontrast Artırımı 4.2. Filtreleme 4.3. Çok Kanallı Uydu Verilerinin Zenginleştirilmesi 4.3.1. Ana Bileşenler Dönüşümü 4.3.2. Oran Görüntüleri 5. Sınıflandırma 5.1. Kontrolsüz Sınıflandırma 5.2. Kontrollü Sınıflandırma 5.3. Sınıflandırma Sonuçlarının Kontrolü (Doğruluk Analizi) 6. Veri Türleri ve Entegrasyonları 7. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Entegrasyonu 2
Uzaktan Algılama Uygulamaları 5. Sınıflandırma 5.1. Kontrolsüz Sınıflandırma 5.2. Kontrollü Sınıflandırma 5.3. Sınıflandırma Sonuçlarının Kontrolü (Doğruluk Analizi) 3
Sınıflandırma Sayısal görüntü sınıflandırma, bir görüntüdeki tüm piksellerin sınırlı sayıdaki sınıflar içerisinde gruplandırılması işlemidir. Spektral sınıflandırma, desen tanıma (pattern recognition), doku analizi (textural analysis), değişim belirleme (change detection) işlemleri sınıflandırmanın farklı türleridir. Bu işlemler üç temel konu üzerine odaklanmaktadır: (1) Bir görüntüdeki farklı özelliklerin belirlenmesi, (2) Ayırt edilebilir şekillerin ve uzaysal desenlerin ayrımı, (3) Bir görüntüdeki zamana bağlı değişimlerin tanımlanması. 4
Sınıflandırma Sınıflandırma işleminde, edilmek istenen bilgiye göre yapılmış spektral sınıflar, bir görüntüdeki tanımlanmış özelliklerle ilişkilendirilebilir (kontrollü sınıflandırma) ya da istatiksel olarak belirlenebilir (kontrolsüz sınıflandırma) (Lillesand ve diğ., 2004). (a) Orijinal Görüntü (b) Sınıflandırılmış Görüntü 5
Sınıflandırma Sınıflandırma işleminin gerçekleştirilmesi aşamasında, kullanılacak dalga boyunun, yeterli doğruluk ve sayıda kontrol alanlarının, Sınıflandırma algoritmasının belirlenmesi ve doğruluk analizlerinin yapılması, yapılacak çalışmanın doğruluğu açısından son derece önemlidir. (a) Orijinal Görüntü (b) Sınıflandırılmış Görüntü 6
Sınıflandırma Uzaktan algılamada; En Çok Benzerlik, Euklid Uzaklığı ve Mahalanobis Uzaklığı gibi sınıflandırma algoritmalarının yanında Yapay Sinir Ağları, Bulanık Mantık, Fuzzy C-Means, Neuro-Fuzzy gibi farklı sınıflandırma teknikleri de kullanılmaktadır (Zhang ve Foody, 2001). 7
Sınıflandırma Kontrolsüz Sınıflandırma (Eğitim verisi kullanılmadan yapılan sınıflandırma işlemi) Kontrollü Sınıflandırma (Eğitim verisi kullanılarak yapılan sınıflandırma işlemi) 8
Kontrolsüz Sınıflandırma Görüntü dijital değerlerinde var olan doğal gruplaşmalara veya kümelere dayalı olarak bu elemanları sınıflandıran algoritmalar kullanılır. Doğal gruplaşmaların sınıflandırılması söz konusu oluğu için kontrolsüz sınıflandırma sonucu oluşan sınıflar, işlemden önce tanımlanmamış spektral sınıflardır. Oluşturulan sınıflar sınıflandırma işleminden sonra, hava fotoğrafları, yüksek çözünürlüklü uydu görüntüleri, topografik ve jeolojik haritalar gibi ek bilgilerle tanımlanır. 9
Kontrolsüz Sınıflandırma Kontrolsüz sınıflandırmada küme merkezleri geçici olarak hesaplanarak, piksellerin dâhil olacağı sınıflar belirlenir ve bu işlem, küme merkezlerinin konumlarında değişim olmayana kadar devam eder. Sınıflandırma işleminde spektral uzunluğun belirlenmesinde, Euklid ve Mahalanobis gibi uzaklıklar kullanılır. Sıralı kümeleme (Sequential Clustering), statiksel kümeleme (Statistical Clustering), tekrarlı ardışık kümeleme (ISODATA Clustering- Iterative Self Organising Data Analysis Techniques) ve RGB kümeleme (RGB Clustering) gibi farklı kontrolsüz sınıflandırma türleri vardır. Bunlardan ISODATA algoritması uygulamada, iyi sonuç vermesi nedeniyle yaygın olarak kullanılmaktadır. 10
Kontrollü Sınıflandırma Kontrollü sınıflandırmada yeryüzünü temsil eden örnek bölgeler (test alanları) esas alınarak, sınıflandırılacak her bir cisim için spektral özellikleri tanımlı, özellik dosyaları oluşturulur. Test alanlarının örneklendiği özellik dosyası, görüntü verileri üzerine tatbik edilerek her bir görüntü verisi en çok benzer olduğu sınıfa atanır. 11
Kontrollü Sınıflandırma Kontrol aşamasında temsil edici nitelikteki kontrol bölgeleri ve her bir arazi örtü tipine ait spektral özellikler belirlenir. Bu aşamada, mevcut referans verileri ile bu verilerin uygulanacağı coğrafi bölgeye ait bilgilerden yararlanılır. Bütün veriler sınıflandırıldıktan sonra sonuçlar çıktı aşamasında farklı sunulur. Çıktı ürünleri genellikle tematik haritalar, çeşitli arazi örtü sınıfları için tüm görüntüye veya belirlenmiş alt görüntüye ait olan istatiksel tablolar veya coğrafi bilgi sistemlerine dâhil edilecek nitelikteki veri dosyaları olarak oluşturulabilir. 12
Kontrollü Sınıflandırma Günümüzde kabul gören yöntem bir pikselin belirli bir sınıfa ait olma olasılığına dayanan En Çok Benzerlik (Maximum Likelihood) yöntemidir. Bu olasılığın tüm sınıflar için eşit olduğu ve sınıf kontrol verilerini oluşturan noktalar kümesindeki dağılımın Gauss normal dağılımı olduğu kabul edilir. Bu kabulün ışığı altında normal dağılımın ortalama vektörü ve kovaryans matrisi ile tanımlanır. Belirli sınıfa ait olan görüntü elemanları için istatiksel olasılık hesaplanır. Olasılık yoğunluk fonksiyonları sınıfı belirlenmemiş aday pikselin belirlenmesinde kullanılır. 13
Doğruluk Analizi Sınıflandırılmış uydu görüntülerinin doğruluklarının belirlenmesi amacıyla iki farklı yöntem yaygın olarak kullanılmaktadır: Chi-Kare (X²) testi ile hatalı sınıflandırılan piksellerin belirlenmesi (Huang, 2002; Musaoğlu, 1999; Tripathi ve Rao, 2002), Hata matrisi ve Kappa katsayısı ile doğruluk analizi (Aplin ve Atkinson, 2004; Carleer ve Wolff, 2004; Foody, 2002; Musaoğlu ve diğ., 2005; Peddlea, 2004; Zhang, 1999). 14
Doğruluk Analizi Hata matrisinin oluşturulması ile referans veriler (sütunlar) kullanılarak sınıflandırılmış piksellerin (satırlar) atanma doğrulukları elde edilmektedir. İstatiksel analiz amacıyla kullanılan Kappa katsayısı, hata matrisinin satır-sütun toplamları ve köşegeni üzerindeki elemanlar kullanılarak elde edilir, 0 ile 1 arasındadır. 15