Uydu görüntülerinin kontrolsüz sınıflandırılmasında optimizasyon tabanlı yeni bir yaklaşım

Abstract

Kontrolsüz sınıflandırma, uzaktan algılamada görüntülerin analizi amacıyla kullanılan yöntemlerden biridir. Bu yöntem, kontrollü sınıflandırma yöntemlerinin aksine eğitim verisi gerektirmemektedir. Sınıflandırma doğruluğunu doğrudan etkileyen kaliteli ve yeterli eğitim verilerinin toplanması zahmetli ve maliyetli bir süreçtir. Bu süreç kullanıcının çalışılan alanı çok iyi bilmesini ve sınıflandırma yöntemleriyle ilgili uzman olmasını gerektirmektedir. Kontrolsüz sınıflandırma yöntemleri, eğitim verisi gerektirmediği için daha pratik bir yaklaşımdır. Ancak yine de sınıf sayısı, maximum iterasyon sayısı ve sınıflandırma prosedürünün ne zaman sona erdirileceğini belirten eşik değerleri gibi belirli girdilerin kullanıcı tarafından belirlemesi gerekmektedir. Bunun yanında kontrolsüz sınıflandırma yöntemleri sonuçlarını etiketlemeden oluşturduğundan yine kullanıcı tarafından sonuçların etiketlenmesi gerekmektedir.Bu çalışmada, kullanıcıya olan bağımlılığı ortadan kaldıran ve yüksek doğruluklu sonuçlar üreten yeni bir kontrolsüz sınıflandırma yöntemi önerilmiştir. Bu yöntem, veri çoğaltma, faydalı veri seçme, bölütleme ve optimizasyon aşamalarından oluşmakta ve otomatik olarak sınıflandırmayı gerçekleştirmektedir. Geliştirilmiş olan bu yöntem, görüntü işleme konusunda uzman olmaksızın, farklı meslek disiplinlerindeki kişilerin de kolaylıkla uygulayabileceği ve başarılı sınıflandırma sonuçları elde edilmesi anlamında literatüre katkı sağlamaktadır. Ayrıca kontrolsüz sınıflandırma yöntemleri tarafından etiketsiz olarak oluşturulan sonuçların etiketlendirilmesi amacıyla yeni bir yaklaşım önerilmiştir.Anahtar Kelimeler: Kontrolsüz Sınıflandırma, Optimizasyon, Uzaktan Algılama, Arazi Örtüsü Etiketleme

The classification process is one of the methods used for the analysis of remotely sensed images. The unsupervised classification methods do not require training data as opposed to supervised classification methods. Collecting quality and sufficient training data directly affecting classification accuracy is a laborious and costly process. This process requires the user to be familiar with the area of study and to become an expert in the classification methods. Unsupervised classification methods are more practical since they do not require training data. However, certain inputs need to be specified by the user, such as the number of classes, the maximum number of iterations, and the threshold valuesthat indicate when the classification procedure will be terminated.In this study, a new unsupervised classification method that eliminates user dependence and produces high accuracy results is proposed. This method consists of data extension, useful data selection, segmentation and optimization stages and performs the classification automatically. This developed method contributes to the literature in terms of achieving successful classification results which can be easily applied by people from different professional disciplines without being an expert in image processing. In addition, a new approach has been proposed to label unlabeled results by unsupervised classification methods.Key Words: Unsupervised Classification, Optimization, Remote Sensing, Land Cover Labelling