ÇOK BANTLI GÖRÜNTÜ SINIFLANDIRMA

... konulu sunumlar: "ÇOK BANTLI GÖRÜNTÜ SINIFLANDIRMA"— Sunum transkripti:

1 ÇOK BANTLI GÖRÜNTÜ SINIFLANDIRMA
Doç. Dr. Oğuz Güngör Karadeniz Teknik Üniversitesi Jeodezi ve Fotogrametri Mühendisliği Bölümü 61080 Trabzon

2 Genel anlamda sınıflandırma:
Verinin içerdiği ortak özeliiklere göre ayrıştırılması işlemidir. Amaç veri tabanındaki gizli örüntüleri ortaya çıkartmaktır. Verilerin sınıflandırılması için belirli bir süreç izlenir. Öncelikle var olan veri tabanının bir kısmı eğitim amacıyla kullanılarak sınıflandırma kurallarının oluşturulması sağlanır. Daha sonra bu kurallar yardımıyla yeni bir durum ortaya çıktığında nasıl karar verileceği belirlenir.

3 Çok bantlı görüntü sınıflandırma
Çok bantlı görüntü sınıflandırma piksellerin gri değerlerine göre sınırlı sayıdaki sınıflara ya da kategorilere ayırma işlemidir. Eğer bir piksel belirli bazı kriterleri sağlıyorsa o piksel o kritere karşılık gelen sınıfa atanır. Bu işleme aynı zamanda görüntü segmentasyonu da denir.

4 Örüntü Tanımlama (Pattern Recognition)
Örüntü tanımlama bir görüntü içerisindeki anlamlı örüntülerin sınıflandırma vasıtasıyla ortaya çıkarılması sanatıdır. Örüntü tanımlama bir görüntüyü mekansal ve spektral olarak iyileştirmek suretiyle insan gözü ile de yapılabilir. İnsan beyni bazı detayları ve renkleri otomatik olarak kategorilere ayırabilir. Fakat bilgisayarlar sistemlerinde ise bütün piksellerin spektral özellikleri kullanılarak istatistiksel bilgiler üretilir ve bu pikseller bazı matematiksel kriterler kullanılarak sınıflara ayrılır.

5 IKONOS Çok Bantlı Görüntünün Sınıflandırılması
Orijinal Görüntü Sea Vegetation Land / Residential Sınıflandırılmış Görüntü

6 Uydu Görüntüleri İle Üretilen Arazi Kullanim Haritalari
Land use map of the Ottawa - Gatineau region, 2000, derived from Landsat Thematic Mapper images and information from the National Road Network (GeoBase) and the National Topographic Data Base (NTDB). Kaynak:

7 Sınıflandırma iki adımda gerçekleştirilir
Eğitim Kontrollü Eğitim Kontrolsüz Eğitim Sınıflandırma Kontrollü Sınıflandırma Kontrolsüz Sınıflandırma

8 Eğitim Öncelikle bilgisayar verideki örüntüleri ortaya çıkartmak amacıyla eğitilmelidir. Eğitim, bu örüntülerin hangi kriterler yardımıyla tanınıp ortaya çıkartılacağını tanımlama işlemidir. Eğitim kontrollü ya da kontrolsüz metotlarla yapılabilir.

9 Kontrollü Eğitim Kontrollü eğitim büyük ölçüde kullanıcı tarafından kontrol edilir. Bu işlemde, kullanıcı örüntüleri ve arazi sınıflarını temsil eden pikselleri görüntü üzerinden direkt olarak seçer, veya bu pikselleri hava fotoğrafları, haritalar ya da arazi doğrulama bilgisi yardımıyla belirler Veri hakkında ön bilgi ve görüntüdeki olası sınıflar sınıflandırma öncesi bilinmelidir. Görüntüdeki belirli örüntüler belirlenerek bilgisayara bu örüntülerle benzer özellikteki pikseller buldurulur. Eğer sınıflandırma işlemi doğru sonuçlandıysa sonuç sınıflar bilgisayarda kullanıcı tarafından belirlenen sınıflarla tutarlılık gösterir.

10 Kontrollü Eğitim Kontrollü eğitim veri hakkında ön bilgi gerektirir
Hangi tip sınıflar oluşturulacak? Toprak mı? Arazi kullanımı mı? veya bitki örtüsü mü? Çıktı görüntü de hangi sınıflar olmalı? Yani, hangi çeşit topraklar veya hangi çeşit arazi örtüsü ya da bitki çeşitleri olmalı Sınıflandırma için gerekli olan imzaları belirlemek için veri hakkında ön bilgi olması ve kullanıcının örüntü tanımlama yeteneklerinin yüksek olması önemlidir. Görüntü üzerinde anlamlı ve güvenilir örnek pikseller seçebilmek için sınıflandırılacak piksellerin konumsal ve spektral yapıları hakkında bilgi sahibi olmak önemlidir.

11 Kontrollü Eğitime bir Örnek

12 İmzalar (Signatures) Eğitim işlemi sonucunda eğitim veri kümelerini tanımlayan imzalar üretilir. Her imza bir sınıfa karşılık gelir ve görüntüdeki her bir pikselin bir sınıfa atanması işlemindfe bir karar kuralı ile birlikte kullanılır. ERDAS IMAGINE yazılımındaki imzalar parametrik veya nonparametrik olabilir.

13 Karar Kuralları İmzalar belirlendikten sonra görüntüdeki pikseller bu imzaları ve bir sınıflandırma karar kuralını kullanarak sınıflara bölünürler. Karar kuralı, imzanın içerdiği verileri kullanan ve pikselleri birbirinden tamamen farklı sınıflara dağıtan matematiksel bir algoritmadır. Karar kuralları da yine parametrik veya non-parametrik olabilir.

14 * * * Parametrik karar kuralı parametrik imzalar tarafından eğitilir.
Bu imzalar, imzaları oluşturan piksellere ait ortalama vektörleri ve kovaryans matrisleri ile tanımlanırlar. Parametrik bir karar kuralı kullanıldığında her bir piksel mutlaka bir sınıfa atanır. Çünkü parametrik karar uzayı süreklidir. * * * Nonparametrik karar kuralı istatistiki bilgilkere dayanmaz. Bu yüzden verinin istatistiksel özelliklerinden bağımsızdır. Eğer bir piksel nonparametrik bir imzanın sınırları içerisinde kalıyorsa o imzanın temsil ettiği sınıfa atanır. Aslında temelde, nonparametrik karar kuralı bir pikselin bir nonparametrik imzanın sınırları içinde kalıp kalmadığına bakar.

15 Arazi doğrulama (Ground Truthing)
Belli bir arazi örtüsü çeşidinin görüntü üzerindeki konumunu belirlemek ve ona ait örnek pikseller toplayabilmek için o arazi örtüsünün konumunu ve çeşidini gösteren başka bir bilgi kaynağı kullanılır. Bu bilgiler o bölgeye ait uçak fotoğraflarından veya kişinin bizzat araziye çıkıp arazi örtüsünü kontrol etmesi ile toplanır. Bu işleme arazi doğrulama denir. Arazi doğrulama işlemi uzaktan algılama görüntüsünün alındığı tarihlerde yapılırsa en doğru sonuç alınır.

16 Örnek Eğitim pikselleri ve Öznitelik uzayı nesneleri
Örnek eğitim pikselleri görüntü üzerinde birbirinden tamamen ayrılabilen detayları veya sınıfları temsil etmek için toplanan pikseller topluluğudur. Örnek eğitim pikselleri görüntü üzerinde toplanırsa parametrik imza oluşturulmuş olur. Örnek eğitim pikselleri öznitelik uzayında kullanıcılar tarafından tanımlanan AOI lar şeklinde toplanırsa nonparametrik imza oluşturulmuş olur.

17 Örnek Eğitim Pikselleri Seçimi
Örnek Eğitim pikselleri görüntüde belirlenmeye çalışılan sınıfı temsil edecek şekilde seçilmelidir. Bu örnek eğitim piksellerinin çok büyük sayıda piksellerden oluşması gerektiği anlamına gelmez. Örnek eğitim piksellerinin seçimi büyük oranda kullanıcının görüntü ve görüntülenen alana ait bilgisine ve görüntüden çıkartılacak sınıfların sayısına ve yapısına bağlıdır.

18 Kontrolsüz Eğitim Kontrolsüz eğitime clustering (kümelere ayırma) da denir. Kontrolsüz eğitim daha çok bilgisayar tarafından otomatik olarak yapılır. Kullanıcıdan bazı parametreler istenir ve bilgisayar bu parametreler sayesinde verinin içerisinde bulunan istatistiksel örüntüleri ortaya çıkarır. Bu örüntülerin komşuluk, belirli geometrik şekle sahip olma, belirli bir toprak türü veya arazi kullanımı gibi direkt olarak yeryüzündeki yüzey özelliklerine karşılık gelmesi gerekmez. Bunlar sadece benzer spektral özelliklere sahip piksel kümeleridir. Teorik olarak görüntüdeki pikseller öznitelik uzayına dönüştürüldüğünde pikseller arasında oluşan doğal gruplaşmalara dayanır. Kontrolsüz eğitim sınıfların tanımlanmasında doğrudan doğruya veriye bağımlıdır. Bu yöntem genellikle sınıflandırma öncesi veri hakkında fazla bir bilgi yoksa kullanılır. Kontrolsüz eğitim sonu oluşan sınıfları kullanıcı yorumlamak zorundadır.

19 Kümeler (Clusters) Kümeler genellikle görüntüdeki piksellerin tamamını veya bir kısmını kullanan kümelere ayırma algoritmaları ile belirlenir Kümelere ayırma algoritmaları kümeleri oluşturan pikseller arasında komşuluk ilişkisi olup olmamasına bakmaz. KÜMELERE AYIRMA LAGORİTMASI ISODATA

20 ISODATA (The Iterative Self-Organazing Data Analysis Technique)
ISODATA yöntemi her bir pikseli bir kümeye atamak için minimum spektral mesafeyi kullanır. İşlem belli bir sayıda rastgele seçilmiş küme ortalamaları veya mevcut imza ortalamaları ile başlatılır. Daha sonra işlem iteratif olarak devam eder ve ortalamalar her iterasyon sonucu bir miktar değişir.

21 ISODATA Parametreleri
N: Maksimum küme sayısı. Her küme bir sınıf için kullanılacağından bu aslında maksimum sınıf sayısıdır. ISODATA işlemi rastgele N adet küme ortalaması belirlenerek başlar. Eğer bazı kümeler çok az sayıda pikselden oluşuyorsa elemine edilebilirler. T: Yakınsama eşik değeri. Birbirini takip eden iterasyonlar piksellerin belli bir yüzdesi (%T’si) artık sınıfını değiştirmeyene kadar devam eder. Dolayısıyla T’ye ulaşıldığında işlem sonlandırılır. T için varsayılan değer ERDAS yazılımında % 95’tir. M: Maksimum iterasyon sayısı. Bazı durumlarda yazılım yakınsama oluşamadığı için T’ ye bir türlü ulaşamaz. Bu gibi durumlar için maksimum iterasyon sayısı belirlenir. Yazılım T’ye bir türlü ulaşamaz fakat maksimum iteraston sayısına ulaşırsa işlemi sonlandırır.

22 2-) İlk iterayondan sonra küme sınırları belirlenir
1-) 5 küme için rastgele ortalama değerei seçilir İlk iterasyon 3-) İkinci iterasyondan sonra yeni küme ortalamaları hesaplanır ve yeni küme sınırları belirlenir. İterasyonlar peşpeşe devam eder ve artık küme sınırları belli bir oranda değişmeyip piksellerin çok büyük bir çoğunluğu artık sınıf değiştirmeyene kadar sürer. İkinci iterasyon

23 Başlangıç Küme Ortalamaları
İlk iterasyonda N adet başlangıç küme ortalaması rastgele seçilir. İşlem görüntünün sol üst köşesinden başlar ve sağa doğru tarayarak görüntüdeki tüm pikseller bitene kadar devam eder. Her bir aday piksel ve küme ortalaması arasındaki spektral mesafe (yani piksel gri değeri ile küme ortalaması arasındaki fark) hesaplanır Pikselin gri değeri hangi küme ortalamasına daha yakınsa piksel o kümeye atanır. Tüm pikseller taranınca en başa dönülür ve her bir küme için yeni ortalamalar hesaplanır. Yeniden her bir aday piksel ve yeni küme ortalamaları arasındaki spektral mesafe hesaplanır Yine pikselin gri değeri hangi küme ortalamasına daha yakınsa piksel o kümeye atanır. İşlem artık tüm piksellerin %T’si mevcut sınıfını değiştirmeyene veya maksimum iterasyon sayısı M’ye ulaşılana kadar devam eder.

24 Yakınsama Eşik Değeri Her iterasyondan sonra kümesi değişmeyen piksellerin yüzdesi ekranda verilir. Eğer bu rakam maksimum iteraston sayısı M’den önce T’ye ulaşırsa işlem sonlandırılır.

25 ISODATA Algoritmasının Avantaj ve Dezavantajları
Görüntüdeki mevcut spektral kümeleri bulmada oldukça başarılıdır. Yeterli iterasyon sayısı girildiğinde kümelerin ortalamalarının ne alındığı önemli değildir. Potansiyel sınıfların neler ve nereler olabileceği hakkında bilgi vereceği için kontrollü sınıflandırmada imzaların sağlıklı olarak oluşturulmasında yardımcı olur. Dezavantajları İterasyondan dolayı çok uzun zaman alabilir Pikseller arası konumsal homojenliği dikkate almaz