Uzalcbs'2010 Şablon



Yüklə 76,52 Kb.
Pdf görüntüsü
tarix14.10.2017
ölçüsü76,52 Kb.
#4845


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. 

 

 



Yüklə 76,52 Kb.

Dostları ilə paylaş:




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©genderi.org 2024
rəhbərliyinə müraciət

    Ana səhifə