A novel hybrid classification approach to integrate pixel- and object-based image analysis for classification of remotely sensed data

Abstract

Bu tez kapsamında yetersiz bölütleme probleminin çözümü için piksel ve obje tabanlı sınıflandırma tekniklerinin üstün yönlerini kullanan yeni bir eşik değeri esaslı hibrit sınıflandırma yaklaşımı önerilmiştir. Önerilen tekniğin ilk adımında, görüntü bölütleme işlemi gerçekleştirilir ve seçilen makine öğrenmesi algoritmalarından biri ile piksel ve nesne tabanlı sınıflandırma modelleri ayrı ayrı oluşturulur. İkinci olarak, bir görüntü nesnesinin heterojenliğini ölçmek için her bir görüntü nesnesinin sınıf olasılıkları analiz edilir ve hangi segmentlerin homojen olarak kabul edileceğini belirlemek için bir eşik değeri seçilir. Bir sonraki aşamada ise segmentin en yüksek sınıf olasılığı, eşik değeri ile karşılaştırılır. Bu olasılık değeri eşik değerinden büyükse, segmentin etiketi nesne tabanlı sınıflandırma ile belirlenir. Aksi takdirde, ilgili segmentin çevrelediği pikseller, piksel tabanlı sınıflandırma modeli ile tek tek etiketlenir. Finalde işlem adımında ise, sonuçlar Arazi kullanımı ve Arazi Örtüsü (AKAÖ) haritasını oluşturmak için birleştirilir. Hibrit yaklaşımın geleneksel tekniklere karşı performansını değerlendirmek için yüksek çözünürlüklü İnsansız Hava Aracı (İHA) ve uydu görüntüleri kullanılmıştır. Sonuçlar, önerilen sınıflandırma tekniğinin istatistiksel ve görsel olarak geleneksel piksel ve nesne tabanlı haritaların sonuçlarından daha iyi performansa sahip olduğunu göstermiştir. Ayrıca genel harita doğruluğundaki iyileşme İHA görüntüsünün piksel ve nesne tabanlı harita sonuçlarına kıyasla sırasıyla %5 ve %2'ye ulaştığında, uydu görüntüsü için bu sonuçlar %4 ve %3 olarak elde edilmiştir. Dahası, McNmear's test sonuçlarına göre elde edilen sınıflandırma sonuçları arasında istatistiksel olarak anlamlı bir fark olduğu görülmüştürThis thesis suggests a new threshold-based hybrid classification approach using the superior aspects of pixel- and object-based image analysis to handle the under-segmentation problem. In the first step of the proposed technique, the image segmentation is performed, and the pixel- and object-based classification models are constructed through one of the selected machine learning algorithms separately. Secondly, the class probabilities of each image object are analyzed to measure the heterogeneity of an image object, and a threshold value was selected to determine which segments would be considered homogeneous. The highest class probability of the segment is compared with the threshold value in the subsequent stage. If this probability value is greater than the threshold value, the label of the segment is determined by object-based classification. Otherwise, the pixels within the segment are classified instead of classifying the image object, and their class labels are assigned by pixel-based image analysis. Finally, the results are aggregated to generate the Land Use and Land Cover (LULC) map. The high spatial-resolution Unmaned Aerial Vehicle (UAV) and satellite images were employed to evaluate the performance of hybrid approach against traditional techniques. The results showed that the proposed classification technique statistically and visually outperformed to results of traditional pixel- and object-based maps. In addition, when the improvement in overall map accuracy reached up to 5% and 2% compared to results of pixel- and object-based maps of UAV images, respectively, these results were obtained as 4% and 3% using satellite image. Furthermore, McNemar's test results verified that there is a statistically significance between the classification results.