NESNE TABANLI VE PİKSEL TABANLI SINIFLANDIRMA
YÖNTEMLERİNİN KARŞILAŞTIRILMASI ( IKONOS ÖRNEĞİ )
K. Kalkan
1
, D. Maktav
2
1
İstanbul Teknik Üniversitesi, Geomatik Mühendisliği Bölümü, 34469, Maslak, İstanbul.
kalkank@itu.edu.tr
2
İstanbul Teknik Üniversitesi, Geomatik Mühendisliği Bölümü, 34469, Maslak, İstanbul.
maktavd@itu.edu.tr
ÖZET
Günümüzde dijital görüntü işleme tekniklerinin gelişmesinin bir sonucu olarak, arazi örtüsünün/kullanımının uydu
görüntülerinden çıkarımı için çeşitli yöntemler kullanılmaktadır. Piksel tabanlı sınıflandırma bu yöntemlerim en başta geleni
olmasına rağmen son yıllarda uydu görüntülerinin mekansal çözünürlüklerinin artmasının da bir sonucu olarak nesne tabanlı
sınıflandırma yöntemi de etkin olarak kullanılmaktadır.
Bu çalışma kapsamında yüksek mekansal çözünürlüklü IKONOS görüntüsü kullanılarak bu iki yöntem
karşılaştırılmıştır. Piksel tabanlı sınıflandırma sadece piksellerin istatistiksel analizine dayandığından, pikselleri segmentasyon
aşamasında gruplandırarak bu segmentlerin renk, sıklık ve komşuluk gibi birçok özelliğini kullanan nesne tabanlı sınıflandırma
yöntemi tematik sınıf için daha anlamlı ve olumlu sonuçlar vermiştir. Ayrıca nesne tabanlı sınıflandırma işlemi, kullandığı karar
seti (ruleset) ya da fuzzy logic algoritmaları ile devamlı şekilde güncellenebilir bir yapıya sahiptir. En çok kullanılan nesne
tabanlı görüntü analizi yazılımı olan Definiens eCognition yazılımı sahip olduğu en yakın komşuluk (nearest neighbour)
sınıflandırma yöntemi ile de piksel tabanlı yaklaşıma benzer bir yaklaşım sunmakta ve aynı anlamlı sonuçları daha pratik bir
şekilde vermektedir. Çalışma sırasında bir çok parametre setleri, segmentasyon aşaması için değişik ölçek kriterleri, farklı
segmentasyon aşamaları ve en yakın komşuluk yaklaşımı test edilmiştir. Yapılan analizler sonrasında nesne tabanlı yaklaşım
birçok arazi örtüsü/kullanımı sınıfı için başarılı sonuçlar vermiştir. Doğruluk analizleri ve karşılaştırmalı sonuçlar verilmiş ve
sonuçlar tartışılmıştır.
Anahtar Sözcükler: IKONOS, Definiens, Segmentasyon, Nearest-Neighbour, Nesne tabanlı sınıflandırma, Piksel tabanlı
sınıflandırma
ABSTRACT
COMPARISON OF PIXEL BASED AND OBJECT BASED CLASSIFICATION METHODS
(IKONOS EXAMPLE)
Recent advances help us to determine land use and land cover from satellite imageries by using different methods.
Pixel based classification is the best known method, furthermore as a result of high resolution satellite imageries object based
classification system can be used effectively.
Within this study, these two methods were compared by using high spatial resolution IKONOS imagery. Pixel based
classification is based on statistical analysis of pixels but object oriented classification system gathers pixels while segmentation
step and using different relationships of this segments like color, density and neighborliness more meaningful and better result
can be obtained for many thematic classes. Also, object based classification method using fuzzy logic algorithms and rule set
function, has an updateable structure. Most known object oriented image analysis software Definiens eCognition has a simple
and quick “nearest neighbor" classification algorithm which obtains parallel results to pixel based method. Within this study,
many parameter sets, segmentation levels with different scale factors and nearest neighbor approach have been tested. Object
based classification approach gives better results for many thematic classes. Accuracy assessments and comparative results have
been showed and discussed.
Keywords: IKONOS, Definiens, Segmentation, Object based classification, Pixel based classification.
1. GİRİŞ
Uydu teknolojilerindeki gelişimin son yıllarda hızlanması ile birlikte uzaktan algılama teknolojilerinde önemli bir
gelişim olmuştur. Özellikle son yıllarda yüksek çözünürlükte mekansal ve spektral bilgi üreten ve bu bilgiyi topluma
sunan yüksek çözünürlüklü uyduların gelişmesi mekânsal bilgi üretiminde çok büyük kolaylık sağlamaktadır. Uydu
görüntülerinin fiyatlarının düşmesi ve topluma sunulması da birçok uygulamanın yapılmasını kolaylaştırmıştır.
Uydu görüntüleri ormancılıktan jeodeziye, meteorolojiden askeri uygulamalara kadar birçok alanda
kullanılmaktadır. Uydu görüntülerinin insan gözünün algılayamadığı bitki hastalıkları, klorofil miktarı, su kalitesi ve
su kirliliği gibi özellikleri ayırt edebilmesi birçok kolaylığı ve analiz kolaylığını da beraberinde getirmiştir.
Sınıflandırma görüntü yorumlama teknikleri kullanılarak görüntüdeki homojen piksel gruplarının ilgilenilen yeryüzü
özelliklerine ve yeryüzü kullanım özelliklerine ayrılması şeklinde tanımlanabilir (Chandra ve Ghosh, 2007). Dijital
görüntü sınıflandırmada ise, kullanıcı görüntüdeki dijital sayılarla gösterilen spektral bilgiyi kullanarak çeşitli
bantlar üzerinde spektral özelliklere göre pikselleri sınıflandırır. Bu tip sınıflandırmaya spektral doku tanımlama da
denebilir. Burada amaç görüntüdeki tüm pikselleri çeşitli sınıflara ya da temalara atamaktır. Sınıflandırma
sonucunda oluşan haritada her piksel kendine mahsus bir özelliğe atanmış bir şekilde orijinal görüntünün tematik
haritası elde edilmiş olur.
Sınıflar hakkında söz ederken “bilgi sınıfları” ve “spektral sınıflar” terimlerini birbirinden ayırmak gerekir. Değişik
tarla türleri, orman türleri, kaya türleri gibi kullanıcının görüntü üzerinde ayırmaya çalıştığı değişik ilgi
kategorilerine bilgi sınıfları denir. Spektral sınıflar ise, aynı yansıtım değerlerine sahip piksellerin bir arada
bulunduğu sınıflardır. Sınıflandırmada temel amaç spektral sınıflar ile bilgi sınıflarını eşleştirmektir. Burada
herhangi birkaç spektral sınıf aynı bilgi sınıfını temsil edebilir, ya da bazı spektral sınıflar herhangi bir bilgi
sınıfının özelliğini göstermeyebilir, bu noktada sınıflandırmayı yapan kişi hangi sınıfın hangi bilgi sınıfına ait
olduğuna karar vermesi gerekir (James, 2002).
Sınıflandırma işlemi uzaktan algılama uygulamalarında temel uygulamalardan biridir. Bu çalışmada hem piksel
tabanlı hem de nesne tabanlı sınıflandırma işlemleri uygulanarak sonuçları, faydaları ve dezavantajları
karşılaştırılmıştır. Piksel tabanlı sınıflandırma için ERDAS Imagine yazılımı, nesne tabanlı sınıflandırma için ise
eCognition yazılımı kullanılmıştır. Her iki yazılımdaki sınıflandırma işlem akışı ve sonuçlar çalışma kapsamında
açıklanmıştır.
2. VERİ VE YÖNTEM
Çalışma alanı olarak seçtiğimiz Çakıllı köyü, Kırklareli ilinin Vize ilçesine bağlı bir beldedir (Şekil 1). Çalışma
kapsamında 22.05.2006 tarihli çok spektrumlu (multispectral) IKONOS görüntüsü kullanılmıştır. eCognition
yazılımında işlem adımlarının yavaşlamaması için 2km*2km bir AOI (Area of Interest) seçilerek çalışmalar bu
görüntü üzerinden yapılmıştır.
Yazılım olarak ise piksel tabanlı sınıflandırma için ERDAS Imagine 9.1 ve nesne tabanlı sınıflandırma için
eCognition Professional 4.0 kullanılmıştır. Çalışma kapsamında kullanılan sınıflandırma yöntemleri ve iş akış
diyagramı Şekil 2’de görülmektedir.
Şekil 1. Uygulama alanının Türkiye coğrafyası üzerindeki yeri
Şekil 2. Kullanılan sınıflandırma yöntemleri ve iş akış diyagramı
Tablo 1’de her iki yazılımın da sahip olduğu sınıflandırma yöntemleri görülmektedir. Ayrıca birbiri ile entegre bir
yapıda çalışması açısından ERDAS ve eCognition yazılımlarındaki işlem akışlarının karşılaştırılması da Şekil 3’de
gösterilmiştir.
Şekil 3. ERDAS ve eCognition yazılımlarındaki iş akış diyagramı ve birlikte çalışabilirlik (Ohlhof, T. 2006)
Tablo 2. ERDAS yazılımı ve eCognition yazılımındaki sınıflandırma yöntemleri
3. PİKSEL TABANLI SINIFLANDIRMA
Test alanına ait görüntünün ERDAS Imagine yazılımı ile sınıflandırılması için IKONOS çok spektrumlu
görüntüsünde 4(R)-3(G)-2(B) band kombinasyonu kullanılmıştır. Yakın kızılötesi bandın kullanımı bitki örtüsü ve
su yapılarının ayırt edilmesinde avantajlar sağlamaktadır. Çalışma alanındaki arazi örtüsünün genel olarak
belirlenmesi amacıyla optimum olarak arazi örtüsünü temsil eden 15 sınıf ile kontrolsüz sınıflandırma işlemi
gerçekleştirilmiştir.
Daha sonra gruplanan 15 tematik sınıf baz alınarak, yer gerçeğinin belirlenmesinde yardımcı olan ortofotolar ve
Google Earth gibi yazılımlar eşliğinde en büyük benzerlik (Maximum Likelihood) algoritması ile kontrollü
sınıflandırma işlemi gerçekleştirilmiştir. Mevcut arazi kullanımını yansıtacağı düşünülen 8 tematik sınıf için 156
adet örnekleme alanı seçilmiştir. Bu örnekleme sırasında tüm görüntü üzerine yayılmış homojen ve ortak yeryüzü
örtü tipi türüne sahip bölgeler seçilmeli ve sonrasında oluşan RGB değerleri kontrol edilmelidir. Şüphesiz ki
örnekleme kontrollü sınıflandırmanın en önemli kısmıdır ve örnekler arasındaki tutarlılık sınıflandırmanın sonucunu
birebir etkilemektedir. Bu kısımda yapılan arazi çalışmalarının önemi boy göstermektedir.
4. NESNE TABANLI SINIFLANDIRMA
Uygulama için seçilen test bölgesine ait uydu görüntüsünün piksel tabanlı sınıflandırmasının yapılmasından sonra
eCognition yazılımı ile nesne tabanlı sınıflandırma işlemine geçilmiştir. Nesne tabanlı sınıflandırma için test alanına
ait 4 bantlı çok spektrumlu IKONOS görüntüsünün tüm bantları kullanılmıştır.
Nesne tabanlı sınıflandırmanın en önemli bölümü olan segmentasyon aşamasında doğru ölçekte yapılan çok ölçekli
analizler baskın nesneler arasındaki baskın sınırların belirlenmesi açısından önemlidir (Hall et al, 2004).
Segmentasyon aşamasında birbirine benzer yansıtım özelliklerine sahip pikseller gruplandırılır ve böylece
milyonlarca piksel ile çalışmak yerine bu ortak özelliklere sahip pikseller birleşerek segmentler oluşur ve bu
aşamada segmentlerin kendileri arasındaki heterojenlik en düşük seviyeye indirilmiş olur. Kullanıcı bu aşamada
spektral homojenliğin ya da heterojenliğin önemine göre istediği spektral katmanları kullanarak çeşitli ölçek
faktörlerinde segmentasyon katmanları oluşturur (Benz at al., 2004). Ayrıca, oluşan segmentlerin yansıtım
özellikleri yanında doku, uzunluk ve alan gibi özellikleri de kullanılarak sınıflandırma sırasında birçok özelliğin elde
edilmesi kolaylaştırılır.
Burada yapılan birçok deneme sonrasında sınıflandırma için ölçek faktörü olarak “20” seçilmesi uygun görülmüştür.
Bu ölçek faktöründe hem yol ve binalar ayrılabilmekte, hem de daha büyük yapıdaki tarla segmentleri arazide büyük
alanlar kaplamadığından sağlıklı olarak çıkarılabilmektedir. Shape factor olarak 0,5 değeri seçilerek hem spektral
hem de şekilsel özelliklerin ortak kullanılması sağlanmıştır. Ayrıca compactness değeri 0,5 seçilerek nesnelerin daha
yoğun elde edilmesi amaçlamıştır. Kullanıcı oluşturduğu segmentasyon katmanları ile değişik parametreler
kullanarak nesne çıkarımları için en uygun parametreleri analiz edebilir ve her sınıf için kendine özgü bir bulanık
mantık fonksiyonu geliştirebilir (Lewinski, 2004). Bu aşamada sınıflandırmada kullanılacak sınıf hiyerarşisi, piksel
tabanlı sınıflandırmaya paralel olarak 8 adet sınıf halinde (ağaçlık, bina, çayırlık, su, ekili Tarla, hasatlı Tarla,
toprak, yol) oluşturulmuştur.
eCognition yazılımında genel olarak 2 tür sınıflandırma yöntemi mevcuttur. Bunlardan birincisi oluşan segmentler
üzerinden sınıf hiyerarşine göre alınan örneklere dayanan en yakın komşuluk (nearest neighbour) sınıflandırma
algoritmasıdır. Bu yöntem temelinde kontrollü sınıflandırma algoritmasına benzemektedir, piksel tabanlı
sınıflandırmada alınan örnekleme alanları gibi, nesne tabanlı sınıflandırmada da örnek segmentler seçilir.
Sınıflandırmada birim olarak pikseller yerine segmentlerin kullanılması en yakın komşuluk algoritmasında
işlemlerin daha hızlı biçimde ilerlemesini sağlar (Jensen, 2005). Bu işlem nesne tabanlı yöntemde daha hızlı ve daha
doğru bir şekilde yapılmaktadır. Böylece her sınıf içilen seçilen örneklerin ortalama değerleri kullanılarak
eCognition yazılımı en yakın komşuluk yöntemiyle tüm görüntü üzerinde ortak özelliklere sahip segmentleri bularak
sınıflandırma işlemini tamamlar.
eCognition yazılımında ikinci sınıflandırma yöntemi ise tematik sınıflar için o sınıflara ait özelliklerin ve eşik
değerlerinin bu sınıflar için oluşturularak bir karar seti dosyasının oluşturulması şeklindeki yöntemdir. Bu yöntemde
her sınıf için hangi segmentasyon aşamasında sınıflandırmanın yapılacağı, hangi banttaki hangi aralığın bu sınıfa
atanacağı, hangi alansal ve dokusal özelliklerin sorgulanacağı gibi birçok özellik bu tematik sınıfların içine
girilebilir. Böylece oluşan segmentler ek bilgilerle desteklenerek görüntü üzerinden bilgi çıkarımı yapılabilmektedir,
ayrıca her aşamada parametreler güncellenerek ve eklenerek hem esnek bir yapı, hem de güncellenebilir bir karar
seti oluşturulmuş olur. Şekil 4’te eCognition yazılımının içerdiği özellik tanımlamalarından bazıları görülmektedir,
bu tip özellik ayrımları kullanılarak nesnelerin çıkarımı eşik değerleri ile yapılmaktadır. Bu noktada eCognition hem
spektral yansıtımlar hem de nesnelerin alan, çizgisellik, uzunluk ve komşuluk gibi değişik özelliklerinden de
yararlamaktadır. Ayrıca kullanıcı kendi tanımladığı algoritmaları kullanarak da segmentlerin özellikleri hakkında
bilgi çıkarımı yapabilmektedir.
Şekil 4. a) Alan özelliklerine göre segmentler b) uzunluk özelliklerine göre segmentler c) yakın kızılötesi bant
özelliklerine göre segmentler
Kullanılan özelliklere örnek olarak su sınıfı için yakın kızılötesi banttaki yansıtım değerleri kullanılmıştır. Yakın
kızılötesi bandda 0 - 400 değerleri arasında kalan tüm segmentler su sınıfına atanmıştır. Su yapısının, yakın
kızılötesi banddaki diğer arazi örtülerinden ayırımı Şekil 5b’da görülmektedir.
Şekil 5. Su ayırt edilmesi için örnek alan; a) orijinal görüntü b) 4. bant ortalama değerler için özellik görüntüsü c)
sınıflandırılmış görüntü d) su sınıfı için eşik değerlerinin yazılıma girilmesi
Şekil 6. Tarla ayrıt edilmesi için örnek alan; a) orijinal görüntü b) DDVI özellik görüntüsü c) sınıflandırılmış
görüntü
Bir diğer örnek olarak tarlaların ayırt edilmesinde ise DDVI (Difference Difference Vegetation Index) (Şekil 6b)
formülü kullanılmıştır. DDVI: [(2*NIR – Red) – (Green – Blue)] formülü ile tanımlanmaktadır (Eisfelder, C. 2009).
eCognition sahip olduğu üyelik fonksiyonları oluşturma özelliği ile esnek bir yapıyla birçok formülün
uygulanmasına izin vermektedir. Şekil 6b’de ekinli ve hasatlı tarlaların DDVI ile ayırımı görülmektedir. eCognition
yazılımına bu sınıfların eşik değerlerinin girilmesi ile oluşan sınıflandırma sonucu Şekil 6c’de görülmektedir.
5. SINIFLANDIRMA SONUÇLARININ KARŞILAŞTIRILMASI
Her iki yazılım ile elde edilen sınıflandırma sonuçları ve orijinal görüntü Şekil 7’da görülmektedir.
Uzaktan
algılama görüntülerinin sınıflandırma doğruluğu, seçilen referans bilgiler ve sınıflandırılmış veri arasındaki
uyuşmanın ne kadar doğruluklu olduğunun belirlenmesi anlamına gelmektedir. Piksel tabanlı sınıflandırma sonuçları
için görüntü üzerinde rastgele seçilen noktalar ile yer gerçeği verilerinin uyuşumu test edilmiştir. Nesne tabanlı
sınıflandırma sonuçlar için ise Definiens yazılımının içerdiği doğruluk analizi yöntemlerinden “Error Matrix based
on TTA Mask” yöntemi kullanılmıştır. Bu yöntemde her bir tematik sınıf için seçilen örnek segmentler ile
görüntüdeki sınıflandırılmış segmentlerin uyumu test edilir. Her iki sınıflandırma yöntemi için elde edilen doğruluk
analizi sonuçları Tablo 2’de verilmiştir. Nesne tabanlı sınıflandırma yönteminde daha yüksek doğruluk elde
edilmesinin yanında test alanı küçük ölçekte bir alan olduğundan, her iki yöntemde yüksek doğruluk elde edilmiştir.
Tablo 2. Nesne tabanlı ve piksel tabanlı sınıflandırma doğruluk analizleri
Bölgede yolların büyük kısmı toprak yollardan oluştuğundan toprak yol ile yol sınıfını ayırt etmek çok güç olmuş ve
bu sınıflar birleştirilmiştir. Ayrıca piksel tabanlı sınıflandırma da çayırlık ve toprak piksellerinin birbirinden ayırt
edilmesi sırasında da zorlanılmıştır. Çatısı olmayan binalar nedeniyle birçok yerde toprak pikselleri ile yerleşim
pikselleri karışmıştır.
Ayrıca şehir gelişiminin yoğun olduğu yerlerde sıklıkla görülen karışık pikseller de (mixed-
pixel) heterojenliğe neden olmaktadır (Lo ve Choi, 2004). Genel anlamda iki sınıflandırmanın da doğruluk analizleri
yakın sonuçlar vermiş ise de fakat nesne-tabanlı sınıflandırma yönteminde daha iyi sonuçlar elde edilmiştir.
Şekil 7. IKONOS görüntüsü (Çakıllı) a) orijinal b) kontrolsüz sınıflandırlmış c) kontrollü sınıflandırlmış d) nesne
tabanlı sınıflandırılmış
Sınıf Adı
Üretici
Doğruluğu (%)
Kullanıcı
Doğruluğu (%)
Kappa
Üretici
Doğruluğu (%)
Kullanıcı
Doğruluğu (%)
Kappa
Ekili Tarla
90.48
95.00
0.9413
99.38
98.57
0.9908
Ağaçlık
90.00
90.00
0.8835
73.39
100.00
0.727
Çayırlık
82.61
95.00
0.9403
99.6
92.49
0.9956
Toprak
95.00
95.00
0.9417
99.2
99.52
0.9913
Su
100.00
100.00
1.000
100.00
100.00
1.00
Hasatlı Tarla
100.00
95.00
0.9422
100.00
99.19
1.00
Asfalt Yol
100.00
86.67
0.8531
96.24
100.00
0.9598
Yerleşim
94.74
90.00
0.8844
95.7
98.18
0.9555
Genel Sınıflandırma Doğruluğu = 92.91%
Genel Kappa = 0.9181
Genel Sınıflandırma Doğruluğu = 98.39%
Genel Kappa = 0.9783
ERDAS
eCognition
5. SONUÇ
Yapılan çalışma kapsamında nesne tabanlı ve piksel tabanlı sınıflandırma sistemleri karşılaştırılmıştır. Çok bantlı ve
düşük mekansal çözünürlükte iyi sonuçlar veren piksel tabanlı sınıflandırmanın yanında kullanılan yüksek
çözünürlüklü görüntü ile nesne tabanlı sınıflandırma da iyi sonuçlar elde edilmiştir. Kullanılan IKONOS
görüntüsünün 4 bantlı bir görüntü olması piksel tabanlı sınıflandırma da bazı handikaplara yol açsada nesne tabanlı
sınıflandırma sırasında oluşturulan segmentler sayesinde daha iyi sonuçlar elde edilmiştir. Yol, yerleşim gibi
homojen arazi örtülerinde nesne tabanlı sınıflandırma kullandığı uzunluk, alan, lineerlik gibi özelliklerle bu
sınıfların ayırt edilmesinde iyi sonuçlar vermiştir.
Nesne tabanlı sınıflandırma yazılımı olan eCognition Definiens ile yapılan sınıflandırma süreci daha hızlı ve
güncellenebilir bir şekilde gerçekleşmektedir. Ayrıca yapılan yanlışlar ya da yanlış sınıf atamaları hızlı bir şekilde
düzeltilebilir, sınıflandırma sonucu vektör formata çevirilerek coğrafi bilgi sistemleri ile entegre edilebilir. Pikseller
yerine oluşan segmentler ile çalışmak tematik sınıflar için bilgi çıkarımında daha fazla bilgi sağlar fakat bu bilginin
nasıl etkili bir şekilde kullanılacağı sorusunu gündeme getirir (Mallinis et al, 2008). Yüksek çözünürlüklü uydu
görüntüleri ile yapılan nesne tabanlı sınıflandırma ile başarılı sonuçlar elde edilmiştir. Yüksek mekansal çözünürlük
ve yüksek spektral çözünürlüğe sahip görüntüler için arazi kullanımının belirlenmesinde nesne tabanlı yaklaşım hızlı
ve yüksek doğruluklu sonuçlar vermektedir. eCognition yazılımının diğer uzaktan algılama verileri (LIDAR vb) ile
entegre bir şekilde çalışması ile daha verimli sonuçlar elde ebilebilir.
KAYNAKLAR
Benz, U.C., Hofmann, P., Willhauck, G., Lingenfelder, I., Heynen, M., 2004. Multi-resolution, object-oriented
fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote
Sensing 58 (3–4), 239–258.
Chandra, A.M., Ghosh S.K., 2007. Remote Sensing and Geographical Information System, Alpha Science
International, Oxford U.K. ss 16-24, 97-114.
Eisfelder, C. , Kraus, T. , Bock, M. , Werner, M. , Buchroithner, M. F. and Strunz, G.(2009) 'Towards
automated forest-type mapping - a service within GSE Forest Monitoring based on SPOT-5 and IKONOS data',
International Journal of Remote Sensing, 30: 19, 5015 — 5038
Hall, O., Hay, G.J., Bouchard, A., Marceau, D.J., 2004. Detecting dominant landscape objects through multiple
scales: an integration of object-specific methods and watershed segmentation. Landscape Ecology 19 (1), 59–76.
James, B.C., 2002 . Introduction to Remte Sensing. Taylor&Francis, A.B.D. s321-322.
Jensen, J.R., 2005. Introductory Digital Image Processing: A Remote Sensing Perspective, third ed. Prentice-Hall,
New York.
Lewinski, S., Zaremski, K.., 2004. Examples of object-oriented classification performed on high-resolution
satellite images, Miscellanea Geographica, 11, 2004. Warszawa.
Lo, C. P., J. Choi. 2004. A hybrid approach to urban land use/cover mapping using Landsat 7 Enhanced Thematic
Mapper Plus (ETM +) images. International Journal of Remote Sensing, 25, (14): 2687–2700.
Mallinis, G., Koutsias, N., Tsakiri-Strati, M., Karteris, M., 2008. Object-based classification using Quickbird
imagery for delineating forest vegetation polygons in a Mediterranean test site. ISPRS Journal of Photogrammetry
and Remote Sensing 63 p. 237-250
Ohlhof, T., 2006. Comparison study between eCognition and ERDAS Imagine for the classifitcation of high and
moderate resolution satellite imagery. 4th ESA-EUSC Conference on Image Information Mining for Security and
Intelligence. Madrid, Spain.
Dostları ilə paylaş: |