Obje tabanlı sınıflandırma yöntemlerinin karşılaştırılması

Abstract

Son yıllarda dijital görüntü işleme tekniklerinin önemli gelişmeler göstermesi ve görüntülere olan erişim imkânlarının kolaylaşmasının sonucu olarak, arazi örtü ve kullanım haritalarının uydu görüntüleri veya hava fotoğraflarından elde edilmesi amacıyla farklı metotlar geliştirilmiştir. Bunlardan öne çıkanlar Piksel ve Obje tabanlı sınıflandırma yöntemleri olarak kabul edilmektedir. Bu çalışma ile amaçlanan son yıllarda oldukça sık kullanılan görüntü sınıflandırma yöntemleri olan obje tabanlı sınıflandırma yöntemlerinden 3 tanesinin karşılaştırılması ve kullanılan veriler doğrultusunda performanslarının değerlendirilmesidir. Ayrıca uzaktan algılama verilerinin özellikleri, elde edilme yöntemleri ve sınıflandırma aşamasında kullanılmadan önce yapılması gereken ön işlemlerin neler olduğuna yer verilmiştir. Çalışma kapsamında görüntü zenginleştirme tekniklerinden bazılarına; ayrıca vejetasyon indeksleri ve görüntü yorumlama için kullanılan bant kombinasyonlarına da yer verilmiştir. Bu sayede özellikle Threshold Sınıflandırıcı için gereken Vejetasyon İndeksleri hakkında bilgilendirmelerde bulunulmuş, ayrıca 13 bantlı Sentinel 2a uydusu ile elde edilebilecek vejetasyon indeksleri üzerinde durulmuştur. Bu çalışmanın bir diğer özelliği ise orta çözünürlükteki uydulara göre oldukça yeni sayılabilecek bir uydu sistemi olan Sentinel 2a verileriyle çalışılmış olmasıdır; bu verilerin özelliği uydu tarafından görüntülendiği tarihten itibaren erişime açık ve ücretsiz olmasıdır. Böylece, obje sınıflandırma yöntemleri gibi aynı zamanda Sentinel 2a verilerinin performansının değerlendirilmesi ile gelecekte bu uydu verileri ile yapılacak çalışmalar için faydalı bir kaynak görevi görmesi amaçlanmıştır.Obje tabanlı sınıflandırıcılar arasında bu çalışma içerisinde kullanılacak olan Random Forest ve Nearest Neighbor algoritmalarının çalışma prensipleri ve günümüze kadar nasıl bir gelişim geçirdikleri üzerinde durulmuştur. Bu yöntemleri anlayabilmek için gerekli olan terminoloji de detaylı bir şekilde yöntem başlıkları altında verilmiştir. Bu sınıflandırma yöntemlerinin tanımlanması, kullanım alanlarının ortaya konulması ve gerçekleştirilmesi için kullanılan yazılımların özellikleri de bu tez kapsamında üzerinde durulan bir diğer konudur. Birçoğu açık kaynak ya da ücretsiz yazılımlar olan QGIS, R Studio ve SNAP gibi yazılımların verilerin işlenmesini nasıl gerçekleştirdiği ve kullanılan yöntemlerin neler olduğu ilgili başlıklar altında yer almaktadır.Sonuç olarak verilerin elde edilmesi, işlenmesi ve farklı algoritmalar ile sınıflandırma işlemlerinin gerçekleştirilmesi ile sınıflandırılmış görüntüler oluşturulmuş ve elde edilen doğruluk değerleri üzerinden bu sınıflandırma yöntemlerinin Sentinel 2 gibi orta çözünürlüklü uydu sistemlerinde kullanımlarının ne kadar verimli kullanılabildiği belirlenmiştir. 9 sınıf üzerinde yapılan sınıflandırma sonuçlarında Nearest Neighbor sınıflandırıcı %77.41 toplam doğruluğa sahipken Random Forest sınıflandırıcıda bu oran %87..77 olmuştur. Threshold sınıflandırıcıyı 9 farklı sınıfta kullanmak mümkün olmadığından 3 ana sınıf üzerinde (vejetasyon, su yüzeyleri, vejetasyon dışı alanlar) yapılan sınıflandırma ile sınıflandırma doğruluğu %94.44 olarak bulunmuştur. Random Forest ve Nearest Neighbor sınıflandırıcılarının da Threshold Sınıflandırma ile karşılaştırılmak için 3 ana sınıf üzerinde kullanılması ile ulaşılan doğruluk değerleri sırasıyla %98.76 ve %96.24 olmuştur.

In recent years, different methods have been developed to obtain land cover and usage maps from satellite images or aerial photographs as a result of significant improvements in digital image processing techniques and facilitation of access to images. The prominent ones are considered as pixel and object based classification methods. The aim of this study is to compare three of object-based classification methods which are frequently used image classification methods in recent years and to evaluate their performance in the direction of the input data. Additionally, the features of remote sensing data, how to obtain them, and the precautions to be taken before using them in the classification phase are given in this research.Within the scope of the study, some of the image enhancement techniques; as well as vegetation indexes and band combinations used for image interpretation are mentioned. In this issue, we have been informed especially about the vegetation indexes required for the Threshold Classifier and also the vegetation indices which can be obtained with the Sentinel 2a conformity with 13 band. Another feature of this study is that it is based on Sentinel 2a, a satellite system that is quite new to the medium/high-resolution satellites; the feature of this data is that access is open and free from the date the satellite is displayed. Thus, as with object classification methods, it is also intended to serve as a useful resource for evaluating the performance of Sentinel 2a data and future work with these satellite data.As a result, classification images were obtained by processing, processing and classification with different algorithms, and the accuracy of the obtained images was used to determine how efficiently these classification methods could be used in medium/high resolution satellite systems such as Sentinel 2. Nearest Neighbor classifier has a total accuracy of 77.41% in classification results made on 9 classes, whereas it is 87.77% in Random Forest classifier. Since the Threshold classifier can not be used on 9 classes, the classification accuracy was found to be 94.44% on the 3 main classes (vegetation, water surfaces, non-vegetation areas). The accuracy of Random Forest and Nearest Neighbor classifiers on the 3 main classes to compare with Threshold Classification was 98.76% and 96.24% respectively.