Görüntü Sınıflandırma Uygulamaları

Sınıflandırma, uydu görüntüleri üzerinden anlamlı sayısal tematik haritalar üretme işlemidir. Diğer bir ifadeyle bir veri grubu içinde belirli bir sınıf oluşturan objelerin benzerliğinden yola çıkarak ve özelliklerine göre seçilerek gruplandırılması olarak tanımlanabilir. Sınıflandırma işlemi sonrasında ulaşılması istenilen sınıflar, görüntüdeki özellikler ile ilişkilendirilebildiği kontrollü gibi istatistiksel kontrolsüz olarak da belirlenebilmektedir.

Kontrolsüz (Denetimsiz/Eğitimsiz) Sınıflandırma,görüntüdeki veri hakkında yeterli yer bilgisine sahip olunmadığı durumlarda tercih edilen bir metottur. Bu sınıflandırmada başlangıçta arazi örtüsüyle ilgili ön bilgiye ihtiyaç duyulmamaktadır.

ISODATA (The Iterative Self-Organizing Data Analysis Technique/Tekrarlı Veri Analizi); tekrarlı olarak tüm sınıflandırmayı gerçekleştirme ve uygulanan her iterasyon (tekrar) sonrasında yeniden istatistik hesap-lamasını temel alır. Yöntem karar kuralı olarak minimum uzaklığı kullanır

Görüntü Sınıflandır penceresindeki;

• Sınıf Sayısı; satırına sınıflandırma sonrasında oluşması istenilen sınıf sayısı girilir.

• Iterasyon; kontrolsüz sınıflandırma yöntemi olan ISODATA yönteminde kullanılacak olan işlem tekrar sayısıdır.

• Uygulama için seçilen görüntü pencerenin sol alt kısmında yer alan Orijinal Görüntü bölümünde, sınıflandırma işlemi sonrasında oluşacak görüntü ise Sınıflandırılmış Görüntü bölümünde ön izlenir.

• Pencerenin sol üst kısmındaki Kriter Renk; sınıflandırma işleminde oluşturulan sınıf kümesine ait rengi, Gösterim Rengi; sınıflandırma sonrasında sonuç veri üzerinde sınıf kümesinin hangi renk ile gösterileceğini belirtir.

Kontrollü (Denetimli/Eğitimli) Sınıflandırma, kullanıcının kontrolünde uygulanan bir metottur. Kullanıcı, çalışma alanının arazi örtüsü hakkında verilen ön bilgiler kullanılarak sınıflandırma için gerekli istatistiki temel oluşturulur ve sınıflandırma bu temel üzerine kurulur

Netcad/ANALIST modülü ile kontrollü sınıflandırma

• En Yakın Mesafe,
• En Yüksek Olasılık
• Spektral Açı

yöntemleri ile gerçekleştirilebilmektedir

Bu yöntemde öncelikle her bir arazi sınıfına ilişkin örnekleme bölgelerinin istatistiksel olasılık değerleri hesaplanmakta ve bilinmeyen her bir piksel en çok benzer olduğu sınıfa atanmaktadır

En Yüksek Olasılık(Maksimum Likelihood), 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.

Spektral Açı; görüntü üzerindeki her piksel, belirlenmiş sınıflar ile karşılaştırılır. Karşılaştırmada, sınıf ortalama rengi ile pikselin rengi arasındaki spektral açı hesaplanır. Açı hesaplanacağı için bu sınıflandırma sadece hiperspektral görüntüler üzerinde (24 bit) yapılabilir. Piksel, hangi sınıfa daha yakın ise o sınıfa atanır.

Görüntü Sınıflandır penceresinde:

Sınıf Ekle, yeni sınıf tanımı için kullanılmaktadır. Oluşturulan Sınıf Adı, Kriter Renk ve Gösterim Rengi seçimleri gerçekleştirilebilir.

Sınıf Sil,mevcut olan sınıfın silinmesi için kullanılabilir.

Listeyi Temizle, tüm sınıf tanımlarının silinmesi için kullanılabilir.

Bunun için Kriter Renk seçeneği kullanılır. Eklenen sınıflara ait kriter renk seçimi için sınıf üzerinde sağ tuş yardımıyla Kriter Renk/Raster işlemine girilir.

Örnekleme alanlarının belirlenmesinde mümkün olduğunca birbirine yakın yansıma değerlerine sahip piksel seçimlerinin yapılması sınıflandırmanın doğruluğunu artıracaktır.

Kontrollü sınıflandırma uygulaması sonucunda elde edilen görüntünün Netcad çizim alanına yüklenmesi için Görüntü Sınıflandır penceresi Tamam ile kapatılır.

Piksel ile en yakın olduğu sınıf arasındaki açı, kullanıcının verdiği “Tolerans” değerinden fazla ise piksel sınıflandırılmaz, “SINIFI YOK” sınıfına atanır. Tolerans olarak verilen değer, bu sınıflandırmada açı olarak değerlendirilir. 0 ile Pi sayısı (3.14) arasında olmalıdır.

Sınıflandırma işlemi sonrasında oluşan sınıfların doğruluklarını belirlemek amacı ile doğruluk analizinin yapılması gerekmektedir.

Doğruluk analizi, piksel değerlerinin referans kabul edilen haritalar ya da arazi hakkında kesin bilgi veren bir kaynakla istatistiksel olarak karşılaştırma ilkesine dayalı bir kontrol yöntemidir. Analizde, kullanıcı belirli noktalara ait sınıfların gerçek değerlerini girer ve bir hata matrisi oluşturulur. Bu matris [sınıf sayısı]x[sınıf sayısı] boyutlarındadır.

Sınıflandırılmış uydu görüntülerinin doğruluklarının belirlenmesi amacıyla iki farklı yöntem yaygın olarak kullanılmaktadır. Bunlardan ilki Chi-Kare (X²) testi ile hatalı sınıflandırılan piksellerin belirlenmesi, diğeri ise hata matrisi ve Kappa (K) Katsayısı ile doğruluk analizidir

Kappa (K) Katsayısı sınıflandırmanın doğruluğunu ağırlıklı olarak hesaplayan bir istatistiksel ölçü olarak kullanılır. Hata matrisinin satır/sütun toplamları ve köşegeni üzerindeki elemanlar kullanılarak elde edilir. Bulunan Kappa(K) Katsayısı değeri;

• 0.0 ise sınıflandırılmış ve referans verileri arasında uyuşma olmadığını,

• 0.4 ve aşağı ise sınıflandırma performansının yetersiz olduğunu,

• 0.75 ve fazlası sınıflandırma performansının çok iyi olduğunu,

• 1.0 ise tam uyuşum olduğunu göstermektedir

Doğruluk Analiz Raporu içerisinde;

• Genel Doğruluk: tüm doğru atanmış piksel sayısı/tüm pikseller sayısı,

• Kullanıcı Doğruluğu: bir sınıfa ait doğru sınıflandırılan piksel sayısı/o sınıftaki toplam piksel sayısı,

• Üretim Doğruluğu: bir sınıfa ait doğru sınıflandırılan piksel sayısı/bir sınıftaki olması gereken gerçek piksel sayısı,

• Kappa (K) Katsayısı Değeri: tüm değerleri göz önünde bulundurarak hesaplanan katsayıdır.

Vektörizasyon işlemi, uydu görüntüsüne ait aynı renk değer aralığına sahip piksel alanlarının, harita koordinatlarında vektör yapıdaki alan verilerine dönüştürür.