Obje Tabanlı Sınıflandırmada Bölgeleme Esasına Dayalı Ölçek Parametresi Tespiti: WorldView-2 Uydu Görüntüsü Örneği
Tarih
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
Özet
Son yıllarda yüksek konumsal çözünürlüklü uydu görüntülerinin sınıflandırılmasında geleneksel piksel tabanlı sınıflandırma yaklaşımı yerine obje tabanlı yaklaşımın kullanımı önem kazanmıştır. Obje tabanlı görüntü analizi iki temel işlem adımından oluşur. Bunlardan ilki benzer spektral özelliklere sahip piksellerin gruplandırılarak homojen yapılı görüntü objelerinin oluşturulmasını içeren segmentasyon işlemidir. İkincisi ise oluşturulan görüntü objelerin spektral, istatistiksel, geometrik ve ilişkisel özelliklerinden yararlanarak gerçekleştirilen sınıflandırma işlemidir. Sınıflandırma işleminde üretilen görüntü objeleri temel sınıflandırma birimi olarak değerlendirmeye alındığından, obje tabanlı görüntü analizinin doğruluğu segmentasyon işleminin kalitesi ile doğrudan ilişkilidir. Görüntü segmentasyonu ölçek, şekil ve yoğunluk olarak bilinen üç farklı parametre yardımıyla gerçekleştirilmekte olup, bunlar arasında görüntü objelerinin büyüklüğünü kontrol eden ölçek parametresinin tespiti segmentasyonun başarısı açısından büyük bir öneme sahiptir. Bu çalışmada yüksek çözünürlüklü WorldView-2 uydu görüntüsünün obje tabanlı yaklaşımla sınıflandırılması problemi ele alınmıştır. Bu çalışmada, görüntü segmentasyonu işleminin gerçekleştirilmesinde tüm görüntü için tek bir ölçek parametresi uygulamak yerine, görüntüdeki doğal ve yapay nesnelerin dağılımları göz önüne alan bölgesel ölçek parametresi kullanımı önerilmiştir. Tek ölçek parametresi ve farklı ölçek parametreleri ile oluşturulan görüntü objelerinin sınıflandırılmasında en yakın komşuluk (EYK) ve destek vektör makineleri (DVM) algoritmaları kullanılmıştır. Sonuçlar, farklı ölçek parametreleri kullanımıyla DVM ve EYK algoritmalarının hesaplanan sınıflandırma doğruluklarında %6 ve %3e varan seviyede önemli iyileşmeler olduğunu göstermektedir. McNemars testi sonuçlarına göre algoritmaların sınıflandırma performansındaki bu artışların istatistiksel olarak anlamlı olduğu ortaya koyulmuştur.








