Extraction of buildings in satellite images
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bu çalışmada, sadece RGB renk bantı kullanarak uydu görüntülerinden binaları tespit edenotonom bir sistem uygulanmıştır. Kullanılan yaklaşımın dört temel aşaması vardır: yerelöznitelik çıkarımı, öznitelik seçimi, sınıflandırma ve sınıflandırma sonrası işlemler. Literatürdebu sorun ile ilgili birçok çalışma vardır. Ana problem bir binayı ayırt etmek için en uygunöznitelikleri belirleyebilmektir. Bu çalışmada Adaboost sınıflandırıcısı tabanlı bir öznitelikseçim yöntemi kullanılmıştır. Sınıflandırılma için, Adaboost'un yanı sıra SVM algoritması dörtfarklı çekirdek tipiyle kullanılmıştır. Sınıflandırıcıların optimal parametrelerini belirlemek için,çerçeve türü ve boyutu , öznitelik tipi, öznitelik seçimi, öznitelik sayısı ve eğitim seti ile ilgilidetaylı analiz yapılmıştır. Piksel ve nesne performanslarına dayalı detaylı bir SVM- Adaboostkarşılaştırması yapılarak elde edilen sonuçlar hem sayısal hem görsel olarak sunulmaktadır.Buna göre, SVM, quadratik kernel kullanıldığında doğrusal, rbf veya polinom kernelkullanılan durumlara göre daha iyi performans göstermektedir. Öznitelikler Adaboost ileseçildiğinde veya öznitelik histogramlarından elde edilen hatalar göz önünde bulundurularakseçildiğinde SVM daha iyi performans göstermektedir. Bina algılama eşiği 0,4 iken, Adaboostile seçilmiş öznitelikler üzerine quadratik çekirdek SVM işletildiğinde elde edilen performans:piksel tabanlı performans kriteri kalite yüzdesi bazında %38 ve nesne tabanlı performanskriteri doğru algılama bazında %48 olarak bulunmuştur. Aynı algılama eşiğinde, Adaboost%43 kalite yüzdesi ve %67 doğru algılama ile SVM'den daha iyi performans göstermiştir. In this study, an automated building extraction system, which is capable of detectingbuildings from satellite images using only RGB color band is implemented. The approachused in this work has four main steps: local feature extraction, feature selection, classificationand post processing. There are many studies in literature that deal with the same problem.The main issue is to find the most suitable features to distinguish a building. This workpresents a feature selection scheme that is connected with the classification framework ofAdaboost. As well as Adaboost, four SVM kernels are used for classification. Detailedanalysis regarding window type and size, feature type, feature selection, feature count andtraining set is done for determining the optimal parameters for the classifiers. A detailedcomparison of SVM and Adaboost is done based on pixel and object performances and theresults obtained are presented both numerically and visually. It is observed that SVMperforms better if quadratic kernel is used than the cases using linear, RBF or polynomialkernels. SVM performance is better if features are selected either by Adaboost or byconsidering errors obtained on histograms of features. The performance obtained byquadratic kernel SVM operated on Adaboost selected features is found to be 38% in terms ofpixel based performance criteria quality percentage and 48% in terms object basedperformance criteria correct detection with building detection threshold 0.4. Adaboostperformed better than SVM resulting in 43% quality percentage and 67% correct detectionwith the same threshold.
Collections