Giriş Sunusu-2 - Geomatik Mühendisliği Bölümü

Transkript

JDF 821
UZAKTAN ALGILAMA GÖR.DEN DETAY ÇIKARIMI
(Sunu 2)
Yrd. Doç. Dr. Aycan M. MARANGOZ
FBE GEOMATİK MÜHENDİSLİĞİ ABD
SUNULARI
http://jeodezi.karaelmas.edu.tr/linkler/akademik/marangoz
http://geomatik.beun.edu.tr/marangoz/
/marangoz.htm
http://jeodezi.karaelmas.edu.tr/fukal
İÇERİK
Giriş
 Bilgi İçeriği Kavramı
 Uydu Görüntülerinin YÖA Değeri


Normal ve Etkin YÖA Değerleri

Örnek Uydu Görüntülerinin Bilgi İçerikleri
Yapılan Çalışmaların Sonuç Değerlendirmeleri
Ders Konusunu İçeren Sonuçlar

Sınıflandırma


UA Gör.den Detay Çıkarımı Ders Notları
2
GİRİŞ
Yüksek çözünürlüklü uydu görüntülerinin uzaktan algılama
uygulamalarında ve konumsal bilgi elde etmede yoğun olarak
kullanılmaya başlanmasının en önemli nedeni, bu görüntülerin Yer
Örnekleme Büyüklüğünün (YÖA Değeri veya GSD: Ground Sampling
Distance) küçülmesidir. Bu durum görüntünün uzaysal (geometrik)
çözünürlüğünün artması ve nesnelerin daha ayrıntılı olarak
görüntülerden seçilmesi anlamına gelmektedir.
YÖA değerinin yanı sıra, görüntülerin radyometrik ve spektral
çözünürlükleri de bilgi içeriğini etkilemekte, değişim belirleme gibi
çalışmalarda zamansal çözünürlük de ön plana çıkmaktadır.
3
GİRİŞ
Bilgi içeriğini etkileyen çözünürlük kavramlarına ek olarak;
görüntülerin etkin YÖA değeri, atmosferik durum, görüntünün
güneş yükseklik açısı, güneş azimut açısı, görüntüleme sisteminin
bakış açısı ve ilgi alanındaki nesnelerin durumu ve aralarındaki
kontrast da bilgi içeriğini etkileyen parametrelerdir.
Uzaktan algılama görüntülerinden konumsal bilgi elde etmede
görüntülerin içerdiği geometrik doğruluk ve bilgi içerikleri iki önemli
etkendir. Geometrik doğruluk, sistemin görüntü alım geometrisi ile
yakından ilişkilidir ve bu doğruluk ile büyük ölçekli topografik
haritaların konum doğruluğuna ulaşmada herhangi büyük bir
sorun yaşanmamaktadır.
4
BİLGİ İÇERİĞİ KAVRAMI – Konum Doğruluğu
ve Bilgi İçeriği (Topoğrafik Haritalarda)
Gözün ayırma gücü dikkate alındığında, gösterimde uygulanmakta olan 0.20
mm kuralına göre 1:5000 ölçekli bir haritanın yatay konum doğruluğu ±1.0m
düzeyinde olmaktadır. Bu değere, 1.0m ve daha alt YÖA değerine sahip
ticari uydu görüntüleriyle ulaşmak mümkündür. Burada asıl sorun,
görüntünün sağladığı bilgi içeriğinin, 1:5000 ölçekli haritanın değil ancak
1:10000 ölçekli bir haritanın bilgi içeriğini vermesidir.
Düşey konum doğruluğunda ise daha belirsiz bir durum söz konusudur.
Düşey hassasiyet, arazi yapısına bağlıdır ve genellikle eşyükseklik eğrisi
aralığının 1/3’ü olarak kabul edilmektedir.
Konum Doğruluğu
Yatayda:
± (0.20mm) x ölçek paydası
Düşeyde:
Arazinin eğimine bağlı
(Genellikle eş yükseklik eğrisi
aralığının 1/3’ü)
5
BİLGİ İÇERİĞİ KAVRAMI – Konum Doğruluğu
ve Bilgi İçeriği (Topoğrafik Haritalarda)
Kazanılan deneyimlerden elde edilen durum, haritanın ölçeği ile YÖA değeri
arasında (0.05-0.10 mm) gibi bir ilişkinin olduğudur. Bu sayede 1/10000
ölçekli bir harita için 50cm-1.0m sonucuna rahatlıkla varılabilir. Bu ölçekte bir
haritanın gerektirdiği yatay konum hassasiyeti ± 2.0 düzeyindedir ki, 1.0 m
YÖA değerine sahip bir görüntü ile bu değerin altına inmek mümkündür.
Bilgi İçeriği
Sivil Uygulamalarda:
Ölçeğe bağlı olarak haritada gösterilen ayrıntı
Askeri Uygulamalarda:
STANAG 3769 kuralları
geçerlidir
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)
6
BİLGİ İÇERİĞİ KAVRAMI –
Etkileyen Faktörler









Görüntünün Kapladığı Arazi Boyutu
Görüntünün Uzaysal Çözünürlüğü Normal ve Etkin
YÖA Değeri
Görüntünün Spektral Çözünürlüğü (pan, ms)
Görüntülerin Radyometrik Çözünürlüğü (6, 8, 11 bit)
Görüntüdeki Renk Bilgisi (RGB, NIR)
Atmosferik Durum (bulut, sis vs.)
Güneş Yükseklik Açısı ve Azimut Açısı (Gölge Boyu)
Görüntüleme Sisteminin Bakış Açısı
Görüntüdeki Nesnelerin Durumu ve
Aralarındaki
Kontrast
7
Görüntünün Kapladığı Arazi Boyutu (Hatırlatma)
(Stoney, 2006)
8
Konumsal (Uzaysal) Çözünürlük (Hatırlatma)
Bir görüntüde fark edilebilir en küçük detay, algılayıcının konumsal
çözünürlüğü ile ilgilidir ve görülebilen en küçük hedef boyutunu
tanımlar.
YÖA: Yer Örnekleme Aralığı - GSD: Ground Sampling Distance,
Komşu piksellerin merkezlerinin yeryüzündeki fiziksel karşılıklarıdır .
Genellikle cm. ve/veya m. cinsinden ifade edilir.
9
Aynı bölgenin farklı uzaysal çözünürlüklerde örneklenmesi
10
Ticari uydular yarım metreden kilometrelere varan çözünürlükler
sağlamaktadırlar. Sadece çok büyük nesnelerin görülebildiği
görüntülerin çözünürlüğü düşük, küçük nesnelerin ayırt edilebildiği
görüntüler ise yüksek çözünürlüklüdür.
Farklı konumsal
çözünürlüğe sahip
uydu görüntüleri
(Eminönü, İstanbul)
11
12
13
1m YÖA, IKONOS
30m YÖA, Landsat 5
14
Normal ve Etkin YÖA Değeri

YÖA değeri, komşu piksellerin merkezlerinin yeryüzündeki fiziksel
karşılıkları olarak tanımlanabilir.

Bu komşu pikseller, birbirleri üzerine binebilmekte veya bunların
aralarında bazı boşluklar da olabilmektedir. Örneğin, SPOT-5, 2.5m YÖA
değerine sahip Supermode görüntüleri üretir, fakat burada komşu
piksellerin %50 oranında birbirleri üzerine binmesi sonucu, her pikselin
yerdeki karşılığı 5m olmaktadır.
15
Normal ve Etkin YÖA Değeri
YÖA değerine bağlı olarak ele alınması gereken bir durum da görüntülerin
etkin YÖA değeridir. Bu değer normal YÖA değeri ile aynı büyüklükte
olmayabilir ve bunun nedeni görüntüleme sisteminin yapısı ve atmosferik
durumdan kaynaklanabilir.
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
16
Radyometrik Çözünürlük (Hatırlatma)
17
Radyometrik Çözünürlük (Hatırlatma)
18
Harita Yapımı İçin Gereksinim
15m YÖA ile genel bir
bakış
Harita yapımı olanakları
10m YÖA ile başlar
5m YÖA ile ana yollar
ve büyük binalar
2m YÖA ile tekli binalar
1m ve altı YÖA ile
ayrıntılı olarak binalar
tanınabilir
Uzaktan Algılama Ders Notları
19
Örnek Görüntüler (1)
Landsat 7, 30m YÖA
Landsat 7, 30m YÖA
ASTER, 15m YÖA
LANDSAT-7 MSS görüntüsü, içerdiği nesnelerin sınıflandırılmasında kullanılmasına
karşın, harita yapımı için uygun değildir. Renk bilgisinin sağladığı avantajlarla, 15m
YÖA değerine sahip LANDSAT-7 pankromatik görüntüsüyle neredeyse aynı bilgi içeriği
sunmaktadır.
15m YÖA değerine sahip ASTER görüntüsü daha fazla detay içermektedir. Yüksek
kontrasta sahiptir. Geniş yollar ve yerleşim yapıları tanınabilmektedir. Bu görüntüler
1:100000 ölçekli bir haritanın yapılmasına olanak vermektedir.
20
TK350, 10m (13m) YÖA
Kompsat-1, 6.6m YÖA
IRS-1C, 5.7m (6.9m) YÖA
10m normal YÖA değerine sahip olan TK-350 görüntüsü ise, gerçekte 13m etkin YÖA
değerine sahiptir. Stereo görüntüleriyle SYM üretimi için uygun olan bu görüntü,
doğrudan topoğrafik harita yapımına uygun değildir.
KOMPSAT-1 görüntüsü IRS-1C görüntüsü gibi daha fazla bilgi içeriğine sahiptir.
KOMPSAT-1’ de yol yapıları daha açıktır ve büyük – blok halindeki binalar
tanınabilmektedir. Bu görüntüler 1:50000 ölçekli haritaların yapımı için yeterli
olmaktadır, fakat daha büyük ölçekli haritaların üretiminde kullanılamamaktadır.
21
IKONOS pan, 1.0m YÖA
IKONOS MSS, 4.0m YÖA
IKONOS pan-sharp, 1.0m YÖA
Ikonos görüntüsü; Pan ve MSS bandları ile oldukça iyi bir detay zenginliğine
sahiptir. 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.
22
QuickBird pan, 0.6m YÖA
QuickBird MSS, 2.4m YÖA
QuickBird pan-sharp, 0.6m YÖA
QuickBird görüntüsü, Pan ve MSS bandlarıyla çok iyi bir detay zenginliğine
sahiptir. 60 cm YÖA değerine sahip görüntüde 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. Yaklaşık olarak
1:5000 ölçekli bir haritanın bilgi içeriğine sahiptir.
23
Güneş Açıları (Hatırlatma)
Güneş ışınları dünya üzerine belirli açılarla gelirler. Bu ışınlar ile dünya
üzerindeki yüzeyler arasında belirli açılar vardır. Uydu görüntülerinin alımı
esnasındaki güneş ışınlarıyla ilişkili açılar bizim için önem arzetmektedir:

Güneş yükseklik açısı (α): güneş ışınımı ile yatay yüzey arasındaki açıdır.

Güneş azimut açısı (β): güneş ışınlarının kuzeye göre, saat dönüş yönünde
sapmasını gösteren açıdır. Örneğin saat 12.00 de 180º dir.
24
Örnek Görüntüler - Ikonos (5)
GY (α) :
67
41
46
GA (β ):
138
166
144
pan-sharp, 41
166
Güneş yükseklik açısının (GY) yanında, güneş azimutu (GA) değerinin de önemi
büyüktür. İkinci görüntüde bina gölgelerinden dolayı yolların tanınması güçtür. Bina
çatılarında güneşin yansıması olduğu için, binaların haritalanmasında herhangi bir
sorun bulunmamaktadır. Fakat Zonguldak’taki sıralı binalar birbirlerine çok yakın
olduğu için, bazen yol ve ev bahçeleri birbirlerinden ayırt edilememektedir. Güneş
yükseklik açısının yanında, güneş azimutu değerinin de önemi büyüktür. Üçüncü
görüntüde yolların vektörleştirilmesi daha kolaydır. IKONOS pan-sharpened görüntüsü
ile binaların tanınması kolaylaşmaktadır, fakat renk bilgisinin avantajı 1m YÖA değeri
için sınırlı kalmıştır.
25
Görüntüden Vektörleştirme Örnekleri
SPOT-5 (5m YÖA)
IRS-1C (6.9m YÖA)
SPOT-5 ve IRS-1C görüntüleri yaklaşık aynı YÖA değerlerine sahip olmalarına rağmen
farklı radyometrilere sahiptirler. IRS-1C görüntüsünün düşük radyometrik çözünürlüğü
yüzünden, SPOT-5 görüntüsünden daha fazla detay çıkarmanız olasıdır. Bu
görüntüden blok halindeki binalar, büyük tek binalar, ana ve ara yollar, kıyı çizgisi, açık
ve yeşil alanlar rahatlıkla tanınabilmektedir. Fakat IRS-1C görüntüsünde büyük tek
binaların ve ara yolların belirlenmesi SPOT-5 görüntüsündeki kadar kolay
olmamaktadır.
26
27
28
2002 yılı IKONOS görüntüsü ve
bu görüntüden elde edilen elle vektörleştirme sonuçları
29
30
Görüntüden üretilen vektör haritadaki bina ve yol yapılarının 1/5000
ölçekli haritadaki mevcut bina yapılarına benzer şekilde çıkarıldığı
görülmüştür.
31
(Zonguldak Fener Caddesi Kıyı Şeridi Bölgesi) (Sarı=Kıyı Şeridi, Yeşil=Yol, Kırmızı=Bina)
Worldview-2
32
(Kırmızı=Görüntü, Mor=Referans Harita)
Worldview-2
33
(Zonguldak Çarşı Girişi Yol Analizi) (Yeşil=Görüntü, Gri=Referans Harita)
Worldview-2
34
(Zonguldak Kıyı Şeridi Analizi) (Yeşil=Görüntü, Sarı=Referans Harita)
Worldview-2
35
Görüntüden Sınıflandırma Örnekleri
Nesne-tabanlı sınıflandırma, Pan-sharp QuickBird görüntüsü, eCognition V4.0.6
Pan-sharp QuickBird görüntüsü
Nesne-tabanlı sınıflandırma sonucu
36
Nesne-tabanlı sınıflandırma sonuçları, Pan-sharp QuickBird görüntüsü, eCognition V4.0.6
Bina yapılarının sınıflandırma sonucu
Yol yapılarının sınıflandırma sonucu
37
Nesne-tabanlı sınıflandırma vektör sonuçları, Pan-sharp QuickBird görüntüsü, eCognition V4.0.6
Bina yapılarının vektör ürünü
Yol sınıflarının vektör ürünü
38
Yapılan Çalışmaların Değerlendirilmesi
Uydu görüntülerinden topoğrafik harita yapımı, YÖA değeri ve harita ölçeği
arasında yeterli bir ilişki gerektirir. Günümüzde haritalar, ulusal
koordinatlarıyla bir CBS ortamında bulunsalar bile, bilgi içerikleri ve harita
yapımlarının düzeyi çıktı ölçeğiyle ilişkilidir. İstenen semantik bilgi harita
ölçeğine bağlıdır. Örneğin, tekli binalar 1:50000 ölçekli haritada
gösterilmezken, bu ölçekte sadece bölgenin genel yapısı sunulmaktadır.
1:5000
Bina yapıları ayrıntılı
olarak gösterilmiştir
1:25000
1:50000
Binaların genel yapıları
gösterilmiştir
Binalar sembol olarak
gösterilmiştir
39
Yapılan Çalışmaların Değerlendirilmesi (Askeri Amaçlı)
STANAG 3769’ a göre aşağıdaki ayrımlar yapılmaktadır:

Nesnelerin Bulunması (Detection): Görüntü yorumlamada, nesnenin
tanınmadan varlığının belirlenmesi,

Nesnelerin Grup Olarak Tanınması (Recognition): Görüntüdeki tank, hava
aracı gibi bir özelliğin veya nesnenin kimliğinin grup tipi halinde
kararlaştırılması kabiliyeti (Recognition, detection’ a ihtiyaç duyar),

Nesnelerin Tam Olarak Tanınması (Identification): Görüntüdeki bir
özelliğin veya nesnenin kimliğinin tam olarak kararlaştırılması kabiliyeti
(örneğin T-54 Tankı, MIG-217J hava aracı gibi),

Teknik Analizler : Görüntüdeki bir özelliğin, nesne veya bir elemanın tam
olarak tanımlanma kabiliyetidir.
40
Yapılan Çalışmaların Değerlendirilmesi (Askeri Amaçlı)
Görüntü Yorumlama İçin Yeterli Görülen YÖA Değerleri
(STANAG 3769 NATO Standartları)
Bulunması
(Detection)
Grup Tipi Olarak
Tanınması
(Recognition)
Ayrıntılı Olarak
Tanınması
(Identification)
Teknik
Analizler
~800m
90m
3m
0.75m
Yerleşim
Alanları
60m
15m
3m
0.75m
Yollar
6m
4.5m
1.5m
0.38m
Demiryolları
15m
4.5m
1.5m
0.38m
Köprüler
6m
4.5m
1.5m
0.3m
Havaalanı
Tesisleri
6m
4.5m
3m
0.15m
Nesne
Bölgesel
Özellikler
41
Yapılan Çalışmaların Değerlendirilmesi (Sivil Amaçlı)
Zonguldak bölgesindeki ve daha önce yapılan testlere dayanarak, nesne
sınıflandırılmasına ilişkin bulunan bazı kurallar aşağıdaki çizelgede
gösterilmiştir:
Normal Koşullar Altında Pankromatik Görüntülerden
Nesne Çıkarımına İlişkin Yeterli Görülen YÖA Değerleri
Nesne Yapıları
Yeterli Görülen
YÖA Değeri (m)
Yerleşim bölgelerindeki binalar
2
Bina
0.6 - 1
Patika
2
Ara yollar
5
Tren yolları
5
Su yapıları
5
Ana yollar
10
Blok halindeki binalar
10
42
10m
s
ap
m
c
es
tur
c
u
str
r
rge
a
l
,
ps
ma
aps
c
i
m
h
h
c
p
t
hi
gra
res
rap
op o
g
t
tructu
o
s
r
p
e
l
l
to
sma
aps,
m
c
i
raph
topog
d
e
l
i
deta
conomic
le - not e
ib
s
s
o
p
mapping
ati
em
5m
2.5m
1m
1 : 100 000
1 : 50 000
1 : 25 000
1 : 10 000
1 : 5 000
10m YÖA değerinin üzerindeki görüntüler topoğrafik harita yapımı için uygun değildir.
Kontrastı uygun olmayan ve 5-7m arasındaki YÖA değerlerine sahip görüntülerden bütün
önemli nesneleri tanımak olanaksızdır. 2.2m etkin YÖA değerine sahip KVR-1000
görüntüsü, 1:25000 ve daha büyük ölçekli topoğrafik haritaların içerdiği detay zenginliğini
karşılamaktadır. Fakat 1:10000 ölçeği için uygun değildir. 1m YÖA değerine sahip IKONOS
görüntüsü yaklaşık olarak 1:10000 ölçeğinde harita yapımı ve 60cm YÖA değerine sahip
QuickBird görüntüsü yaklaşık olarak 1:5000 ölçeğinde harita yapımı için kullanılabilir.
43
Zonguldak örneğindeki bina ve yol yapılarının, görüntülerden değişik
yöntemlerle bulunma ve grup olarak tanınma değerlendirmeleri
Grup Tipi Olarak
Tanınması
Bulunma
Elle
Vektörleştirme
Detay
Bina
Yapısı
Yol
Yapısı
2
1
NesneTabanlı
3
2
1
Elle
Vektörleştirme
Görüntü
3
3
2004 yılı
QuickBird
√
√
2002 yılı
IKONOS
√
√
2008 yılı
IKONOS
√
√
√
2004 yılı
QuickBird
√
√
√
2002 yılı
IKONOS
√
√
√
2008 yılı
IKONOS
√
√
√
2
√
1
NesneTabanlı
3
2
1
√
√
√
√
√
√
√
44
Görüntüden üretilen vektör haritadaki bina ve yol yapılarının 1/5000
ölçekli haritadaki mevcut bina yapılarına benzer şekilde çıkarıldığı
görülmüştür.
45
DERS KONUSU İLE İLGİLİ SONUÇLAR







Düşük çözünürlüklü uydu görüntüleri ile 1/50000 ve 1/100000 ölçekli
harita yapımı imkanı vardır.
IKONOS, QuickBird, Orbview, Worldview-2 ve GeoEye-1 gibi yüksek
çözünürlüklü uydu görüntüleri ile 1m ve altı YÖA değeri sağlanmaktadır.
50cm ve altında YÖA değerine sahip görüntülerde yaklaşık 1/10000
ölçekli bir haritanın bilgi içeriğini çıkaracak ayrıntı zenginliği mevcuttur.
Bilgi çıkarım ve revizyon çalışmalarında görüntülerin hazır hale
getirilmesi, işlenmesi ve yorumlanması için yazılım-donanım gereksinimi
vardır.
Günümüzde bilgileri tanıma ve çıkarma yaklaşımları ortaya çıkmaktadır.
Bu yaklaşımların başarısı, görüntülerin harita bilgisi üretme ve revizyonu
çalışmalarında kullanılabilmelerini sağlamaktadır.
Zengin bilgi içeriğine sahip olan QuickBird ve IKONOS görüntüleri harita
revizyonu için uygun bir veri olmasına rağmen, 1/5000 ölçekli haritadak
bilgi içeriğine erişememektedir.
46
GELECEK HAFTA:
Uydu Görüntülerinin Sınıflandırılması
47
KAYNAKLAR





















Uzaktan Algılama Ders Notları, Yrd. Doç. Dr. Aycan Murat MARANGOZ, BEÜ 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
Büyüksalih, B., Marangoz A. M. ve Jacobsen, K., (2005), Potential of KOMPSAT-1 for Mapping Purposes”, EARSeL Workshop on 3D Remote Sensing, Porto
Cheng, P., Toutin, T., Zhang, Y. ve Wood, M., (2003) “QuickBird – Geometric Correction, Path and Block Processing and Data Fusion”, 2003
Hoffmann, P., (2005), “Detecting Informal Settlements From Ikonos Image Data Using Methods Of Object Oriented Image Analysis – An Example From Cape Town
(South Africa)”, www.definiens-imaging.com
Jacobsen, K., (2005), “High Resolution Imaging Satellite Systems”, 3D-Remote Sensing Workshop, Porto
Karakış, S., Topan, H., Büyüksalih, G., Marangoz, A. M. ve Jacobsen, K., (2005), “Semantic Analysis of Space Imagery for Mapping Purposes”, 2. Uluslararası
RAST Kongresi, İstanbul
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
Karakış, S., (2005), “Yüksek Çözünürlüklü Uydu Görüntülerinden Kentsel Ayrıntıların Nesne-Tabanlı Sınıflandırma Tekniğiyle Otomatik Olarak Belirlenmesi ve
Coğrafi Bilgi Sistemi (CBS) Ortamında Bütünleştirilmesine Yönelik Araştırma”, ZKÜ Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 2005
Liedtke, J., (2002), “QuickBird-2 System Description and Product Overview”, JACIE Workshop, 25-27 Mart 2002, Washington DC
Marangoz, A. M., Oruç, M. ve Büyüksalih, G., (2004), “Object-oriented Image Analysis and Semantic Network for Extracting The Roads and Buildings from Ikonos
Pan-sharpened Images”, XX ISPRS Kongresi, İstanbul
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
Ohlhof,T., Emge, T., Reinhardt, W., Leukert, K., Heipke, C. ve Pakzad, K., “Generation and Update of VMap Data Using Satellite and Airborne Imagery”, 2005
Özfidan, F., Topan, H., Şahin H., Karakış, S., (2005), “Yüksek Çözebilirlikli Uydu Görüntülerinin Bilgi İçeriklerinin Karşılaştırılması”, IGSM&GHG 2005, İstanbul
Padwick, (2005), “Pan Sharpening of High Resolution Satellite Imagery”, DigitalGlobeWEB, http://digitalglobe.com
QuickBird Imagery Products, Product Guide, DigitalGlobe Inc., 2003
STANAG 3769: “Minimum resolved object sizes and scales for imagery interpretation”, AIR STD 80/15, Edition 2,HQ USAF/XOXX(ISO) Washington D.C. 203305058, 1970, http://astimage.daps.dla.mil/docimages/0000/26/72/108527.PD6
Stoney, W. E. ,(2006) Guıde To Land Imagıng Satellites
Şahin, H., Topan, H., Karakış, S. ve Marangoz, A. M., (2004), “Comparison of Object Oriented Image Analysis and Manual Digitizing for Feature Extraction” XX
ISPRS Kongresi, İstanbul
Şahin, H., Büyüksalih, G., Akçın, H., Topan, H., Karakış, S. ve Marangoz, A.M., (2004), “Information Content Analysis of KVR-1000 Ortho-Image Based on the
Available Topographic Maps in the GIS Environment”, EARSeL Workshop on Remote Sensing for Developing Countries, Kahire
Şahin, H., Karakış, S., Topan, H., ve Marangoz, A. M., (2005), “KVR-1000 Uydu Görüntüsü Üzerinden Elle Sayısallaştırma ve Nesneye Yönelik Görüntü Analizi
Yöntemlerinin Karşılaştırılması”, 10.Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara
Topan, H., Büyüksalih, G. ve Jacobsen, K., (2004), “Comparison of Information Contents of High Resolution Space Images”, XX ISPRS Kongresi, İstanbul
Topan, H., Büyüksalih, G. ve Jacobsen, K., (2005), “Information Contents of High Resolution Satellite Images”, EARSeL Workshop on 3D Remote Sensing, Porto
48
Uydu Görüntülerinin Sınıflandırılması
İÇERİK


Giriş
Sınıflandırma Kavramı ve Sınıflandırıcılar



Klasik Piksel-Tabanlı Sınıflandırma Yaklaşımı
Nesne-Tabanlı Sınıflandırma Yaklaşımı




Bulanık Sınıflandırma Sistemleri
Görüntü Yorumlamada Temel Bileşenler
Segmentasyon
Nesne-Tabanlı Görüntü Analizi Altında Bulanık Sınıflandırma
Uygulama
49
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.
50
SINIFLANDIRMA KAVRAMI –
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.

51
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.

52
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.
53
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.
54
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.
55
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.
56
Maksimum Benzerlik Sınıflandırma Yöntemi
57
58
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.

59
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.

60
61



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.
62
63
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.
64
65
66
Kontrolsüz Sınıflandırma Yöntemi
67
a) Kontrolsüz (ISODATA)
sınıflandırma sonucu,
Kontrollü sınıflandırma
sonuçları:
b) Paralelyüz
(Parallelpiped),
c) Minimum uzaklık
(Minimum Distance),
d) Maksimum Benzerlik
(Maximum Likelihood)
68
Piksel ve Nesne Tabanlı Sınıflandırma Tekniği
Pan-sharp Landsat 7 ETM+
görüntüsünün nesne-tabanlı
sınıflandırma sonucu
(Ölçek Parametresi=5)
69
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.
70

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.
71
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.

72
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.

73


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.
74


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.
75
Nesne-Tabanlı Sınıflandırma Tekniği - Segmentasyon
Kesilmiş pan-sharp QuickBird görüntüsü
Level 5
Level 2
76
Segmentasyon Parametreleri
77
Aynı segmentasyon parametreleriyle oluşturulmuş vektörlü ve vektörsüz segmentasyon
(A=Vektör Yapılı, B=Vektör yapısız)
78
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.
79
Uygulama – 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
80

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.
81

Piksel-tabanlı sınıflandırma - PCI Geomatica v9.1.6 yazılımı
82



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.
83
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.

84




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.
85
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.

86
87
Uygulama – 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.
88
Uygulama – 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
89




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.
90
Test alanı
Pan-sharp QuickBird görüntüsü,
0.6m YÖA
(~1 km x 1 km)
91
Pan-Sharp İşlemi
QuickBird multispektral görüntüsü, 2.4m YÖA
QuickBird pankromatik görüntüsü, 0.60m YÖA
92
Pan-Sharp İşlemi
2.4m
YÖA
0.6m
YÖA
Pan-sharp QuickBird görüntüsü,
0.6m YÖA
93

Segmentasyon işlemi, Nesne-tabanlı sınıflandırma

eCognition V4.0.6
Pan-sharp QuickBird görüntüsü
Nesne-tabanlı sınıflandırma sonucu
94
Bina yapılarının sınıflandırma sonucu
Yol yapılarının sınıflandırma sonucu
95




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.
96


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
97

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
98
Görüntüden elle vektörleştirme sonucu elde edilen bina ve yol yapıları
99

(Referans Vektör Harita ve
Karşılaştırılması – Bina yapısı)
Elle
Görüntü üzerine bindirilmiş referans vektör harita
Vektörleştirme
Sonuçlarının
Kırmızı: Referans Vektör, Mavi: Elle vektörleştirme
(%90 başarı)
100

(Referans Vektör Harita ve
Karşılaştırılması – Bina yapısı)
Kırmızı:
Mavi:
Elle
Vektörleştirme
Referans
vektör
haritada
mevcut
olup;
elle
vektörleştirme
Referans vektörde mevcut olmayan fakat elle vektörleştirme ile çıkarılan bina yapıları
ile
çıkarılamayan
Sonuçlarının
bina
yapıları;
101

(Referans Vektör Harita
Karşılaştırılması – Yol yapısı)
ve
Elle
Vektörleştirme
Sonuçlarının
Kırmızı: Referans Vektör, Mavi: Elle vektörleştirme
(%85 başarı)
102

(Referans Vektör Harita
Karşılaştırılması – Yol yapısı)
Kırmızı:
Mavi:
ve
Elle
Vektörleştirme
Referans
vektör
haritada
mevcut
olup;
elle
vektörleştirme
Referans vektörde mevcut olmayan fakat elle vektörleştirme ile çıkarılan yol yapıları
ile
Sonuçlarının
çıkarılamayan
yol
yapıları;
103

(Referans Vektör Harita ve Nesne-Tabanlı Sonuçların Karşılaştırılması –
Bina yapısı)
Kırmızı: Referans Vektör, Mavi: Nesne-tabanlı sonuçlar
(%85 başarı)
104

Bina yapısı)
Kırmızı: Referans Vektör, Mavi: Görüntü üzerine bindirilmiş nesne-tabanlı sınıflandırma sonuçları
105

Yol yapısı)
Kırmızı: Referans Vektör, Mavi: Nesne-tabanlı sonuçlar
(%70 başarı)
106

Yol yapısı)
Kırmızı: Referans Vektör, Mavi: Görüntü üzerine bindirilmiş nesne-tabanlı sınıflandırma sonuçları
107
Uygulama – 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.
108



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.
109



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.
110


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.
111

Zonguldak ili bölgesine ait orta çözünürlüklü Landsat 7 ETM+ ASTER
görüntüleri kullanılarak, bölgedeki farklı yapıdaki detayların nesne-tabanlı
sınıflandırma tekniklerinin performansları karşılaştırılmıştır.
112
Landsat 7 ETM+ ve ASTER
Görüntülerinin Spektral Bandları ve
YÖA Değerleri
113
Landsat 7 ETM+ ve ASTER Görüntülerinin Nesne-Tabanı Sınıflandırma Sonuçları ve Oluşan Arazi Sınıfları
(TÜM GÖRÜNTÜ)
114
Landsat 7 ETM+
ASTER
Landsat 7 ETM+ ve ASTER Görüntülerinin Nesne-Tabanı Sınıflandırma Sonuçları ve Oluşan Arazi Sınıfları
(ZONGULDAK ŞEHİR MERKEZİ)
115
Landsat 7 ETM+
Spot
Landsat 7 ETM+ ve Spot Görüntüleri (ZONGULDAK ve ÇEVRESİ)
116
Landsat 7 ETM+
Spot
Landsat 7 ETM+ ve Spot Görüntülerinin Nesne-Tabanlı Sınıflandırma Sonuçları ve Oluşan Arazi Sınıfları
(ZONGULDAK ve ÇEVRESİ)
117
Uygulama – Bartın Örneği
Ikonos Görüntüsü (Solda) ve Görüntünün Nesne-Tabanlı Sınıflandırma Sonucu (Sağda)
(Bartın Merkez)
118
KAYNAKLAR














Uzaktan Algılama Ders Notları, 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.
119

Giriş Sunusu-2 - Geomatik Mühendisliği Bölümü

Transkript

Benzer belgeler

online katalog - Detay İnşaat | Anasayfa

Ödev/Sunu Planı

Sunu5 - Geomatik Mühendisliği Bölümü

TOHUMSUZ BİTKİLER SİSTEMATİĞİ

DETAY - mustafaaltinisik.org.uk

1. Açık Bir Ekonomide Denge Çıktı (Gelir)