Eğitimli (Kontrollü) Sınıflandırma

Eğitimli sınıflama, sınıflandırılacak bölge hakkında kullanıcıların yeterli bilgiye sahip olmaları durumunda kullanılan bir yöntemdir. Piksel tabanlı eğitimli sınıflandırma, görüntüdeki her bir pikseli her bir sınıfın çok boyutlu prototip vektörü ile karĢılaĢtırarak tanımlar. Bu vektör piksellerin bantlardan gelen gri değerlerinden oluĢur (Yan ve ark., 2006).

Eğitimli sınıflama iĢlemi üç aĢamadan oluĢur. Bunlar ġekil 4.4‟de görülen

 Eğitim aĢaması (training stage)

 Sınıflandırma aĢaması (classification stage )

ġekil 4.4. Eğitimli sınıflandırma aĢamaları (Lillesand ve ark., 2008)

Eğitim aĢamasında amaç görüntüde sınıflandırılacak her bir arazi örtüsünü tanımlayacak dokuların belirlenmesidir. Bu iĢlem için öncelikle görüntüde tanımlanmak istenen sınıflar belirlenmelidir. Daha sonra sınıflandırılacak alanda sınıfları temsil edecek eğitim alanları (örneklem) toplanır. Daha kabul edilebilir sınıflandırma sonuçları elde edebilmek için toplanacak eğitim alanlarının tüm görüntüye dağılmıĢ olmasına ve belirleyeceği sınıfları sembolize etmesine dikkat edilmelidir. Örneklemler genellikle hava fotoğraflarından ya da daha önceki arazi örtüsü haritalarından toplanır (Yan ve ark., 2006).

Sınıflandırma aĢamasında görüntüdeki her piksel bu toplanan alanlar ile karĢılaĢtırılarak, sınıflardan en çok hangisine benzediği saptanır ve ilgili sınıfın adı ile etiketlenir. Eğer bir piksel örneklem ile yeterli derecede uyum sağlamıyorsa bu durumda “binmeyen” olarak etiketlenir. Böylece tüm piksellerin bir sınıf etiketi ile etiketlendirildiği sınıflandırılmıĢ görüntü elde edilmiĢ olur.

Çıktı aĢamasında ise çok sayıda çıktı ürün üretmek mümkündür. Tematik haritalar, sayısal veri dosyaları ya da grafik dosyalar çıktı ürün olarak sunulabilir. Diğer taraftan sınıflandırma aĢaması sonucunda elde edilen sayısal veri coğrafi bilgi sistemleri için girdi dosyasıdır.

Uygulamada bazı alanlarda arazi örtüsü çıkarımı çok kolay olmayabilir. Öncelikle alanın Ģekli ve/veya yoğunluğu iyi örneklemler toplamayı negatif etkileyebilir. Ġkincisi, iç (arazi örtüsü çeĢidi, yoğunluğu, dönüklük ve etkileĢimleri, arazi üzerindeki yüzey nemi, arazinin Ģekli) ve dıĢ (atmosferik durum, baĢucu açısı) faktörlere bağlı olarak alan içindeki farklı yeryüzü örtüleri yakın spektral imzaya ya da yakın yeryüzü örtüleri çok farklı spektral yansımaya sahip olabilir (YeĢilnacar ve Süzen, 2006; Kam, 1995). Tüm bunlar sınıflandırmanın doğruluğunu direkt olarak etkiler. Bu durumda farklı yöntemler kullanılarak sınıflandırmanın iyileĢtirilmesi sağlanabilir.

Eğitimli sınıflandırma için birçok algoritma mevcuttur. Literatürde en çok kullanılanlar: en büyük olasılık sınıflandırması, ortalamaya en kısa mesafe sınıflandırması ve paralel hatlar sınıflandırmasıdır. AĢağıda bu algoritmalara iliĢkin detaylı bilgi verilmiĢtir.

4.2.2.1. En Büyük Olasılık Sınıflandırması (Maximum Likelihood Classification)

En büyük olasılık sınıflandırması, bilinmeyen bir pikselin sınıflandırılmasında sınıflandırılacak spektral sınıf desenlerinin varyans ve kovaryans değerlerini nicel olarak değerlendirir. Bunu yapabilmek için nokta kümelerinin normal dağılımda olduğunu kabul eder. Toplanan eğitim alanları için ortalama vektör ve kovaryans matrisi hesaplanır. Böylece herhangi bir pikselin belirlenen sınıflardan birinde olma olasılığı hesaplanabilir.

ġekil 4.6. En büyük olasılık sınıflandırması (Lillesand ve ark., 2008)

ġekil 4.6‟da üç boyutlu grafikle olasılık değerleri gösterilmiĢtir. DüĢey eksen herhangi bir pikselin herhangi bir sınıfta olma olasılığını tanımlamaktadır. Buradaki yüzeyler olasılık yoğunluk fonksiyonları olarak tanımlanır ve her bir spektral sınıf için böyle bir fonksiyon vardır. Böylece her piksel için sırasıyla her bir sınıfta olma olasılığı hesaplanır. Bu iĢlem tamamlandıktan sonra piksel en yüksek olasılık değerinin olduğu sınıfa atanır. Eğer bu değer, kullanıcı tarafından belirlenen eĢik değerinin altında ise piksel “bilinmeyen” olarak sınıflandırılır (Lillesand ve ark., 2008).

Yöntem esas olarak, ġekil 4.6‟da gösterildiği gibi dağılım diyagramı üzerinde elipsoidal eĢ olasılık konturlarını belirler. Konturların merkezine yaklaĢtıkça olasılık değeri artar. EĢ olasılık konturlarının Ģekli bu yöntemin kovaryansa olan duyarlılığını gösterir.

En büyük olasılık sınıflandırması yönteminde herhangi bir pikselin herhangi bir sınıfta olma olasılık fonksiyonu aĢağıda belirtilmiĢtir.

) ( ) ( 2 1 exp[ ) 2 ( 1 ) ( 1 2 / 1 2 / i i T i i N i X V X V x P         (4.1) Bu eĢitlikte; N : Bant sayısı i  : Ortalama değer i

En büyük olasılık sınıflandırması, her pikselin her bir sınıfa ait olma olasılığını hesapladığından çok sayıda matematiksel iĢlem yapmaktadır. Bu nedenle diğer yöntemlere göre biraz daha yavaĢ çalıĢır. Ayrıca, yöntem görüntüdeki dokusal ve yapısal bilgiyi kullanmayıp sadece spektral bilgiyi kullandığından nesne tabanlı yöntemlere göre daha sınırlıdır (Zhou ve Robson, 2001; Dean ve Smith, 2003; Pizzolato ve Haertel, 2003).

4.2.2.2. Ortalamaya En Kısa Mesafe Sınıflandırması (Minimum Distance to Mean)

Ortalamaya en kısa mesafe sınıflandırması algoritması basit olan yöntemlerden biridir. Öncelikle, her sınıf için her banttaki ortalama spektral değerleri hesaplanır. Bu değerler her sınıfa ait ortalama vektörü oluĢturur. ġekil 4.7‟de artı iĢareti ile gösterilen değerler sınıfların ortalama spektral değerleridir. Daha sonra bu değer ile sınıflandırılmak istenen pikselin değerinden yararlanarak bir uzaklık değeri hesaplanır. Bu uzaklık değeri hangi sınıf için en kısa ise piksel o sınıfa atanır. Eğer uzaklık değeri, kullanıcı tarafından belirlenen ve her sınıf için değiĢen eĢik değerinin üstünde ise piksel “bilinmeyen” olarak sınıflandırılır.

ġekil 4.7. Ortalamaya en kısa mesafe sınıflandırması (Lillesand ve ark., 2008)

Ortalamaya en kısa mesafe yönteminde sınıfların kovaryans matrislerinin eĢit olduğu varsayılır. Farklı varyans değerlerine sahip bir veri seti için hata oranı diğer sınıflandırma yöntemlerine göre yüksektir. Örneğin, ġekil 4.7‟de 1 numaralı nokta için ortalama vektör uzunluğu hesaplandığında nokta C sınıfına dahil edilir. Gerçekte olması

gereken sınıf budur. Aynı iĢlem 2 numaralı nokta için yapıldığında nokta S sınıfına dâhil edilir. Ancak, gerçekte olması gereken sınıf U‟dur.

Yöntem, öklid uzaklığının hesaplanmasına dayanır.

2 1 ) ( _xyi n i ci xyc X SD



n : bant sayısını (boyut), i : belirli bir bandı, c : belirli bir sınıfı

xyi

X : i‟inci banttaki pikselin x, y değerlerini, ci

 : i bandındaki c sınıfına ait örneklerin değerinin ortalamasını, xyc

SD : sınıflandırılacak olan piksel x,y‟nin c sınıfına ait ortalama vektöre olan spektral uzaklığını tanımlar (Erdas, 2008).

4.2.2.3. Paralel Hatlar Sınıflandırması (Parallelepiped Classification)

Her sınıfın örneklem alanındaki değerlerinin maksimum ve minimum sınırları tüm bantlar için hesaplanır. Bu durum ġekil 4.8‟de görüldüğü gibi iki boyutlu diyagramda paralel kenarlarla ifade edilen bir alan olarak ortaya çıkar. Sınıflandırılacak olan pikselin bu alanlardan herhangi birinin içine girip girmediğine bakılarak sınıflandırma yapılır. Yani, sınıflandırılacak olan piksel hangi alanın içinde kalıyorsa bu sınıfa dâhil edilir.

ġekil 4.8. Paralel hatlar sınıflandırması (Lillesand ve ark., 2008)

Paralel hatlar sınıflandırması kovaryanslara duyarlı olmadığından sınıflandırma sonucunda üst üste çakıĢan alanlar ve hiçbir sınıf ile temsil edilmeyen alanlar mevcuttur. Bu durumda, sınıflandırılamayan ya da birden çok sınıfa dâhil olan bu pikseller için farklı algoritmalar seçmek gerekebilir.

Kovaryans ifadesi sınıfların eğilimini belirler. Örneğin, ġekil 4.8‟de C ve H ile temsil dilen sınıflar sağa eğilimli olduğundan pozitif kovaryansa sahiptir. W ile temsil edilen sınıf sola eğilimli olduğundan negatif kovaryansa sahiptir. U ile temsil edilen sınıf ise yaklaĢık dairesel dağılımdadır. Bu durum sınıfın değerleri arasında kovaryansın bulunmadığını gösterir. Kovaryansın varlığı durumunda eğitim aĢamasında elde edilen verilerden oluĢturulan bölgeleri paralelkenar ile ifade etmek yetersiz kalabilir (Ayhan ve ark., 2003).

Paralel hatlar, ortalamaya en kısa mesafe ya da en büyük olasılık sınıflandırması gibi geleneksel piksel tabanlı sınıflandırma yöntemleri sadece spektral bilgiyi kullanırlar ve dolayısıyla yüksek çözünürlüklü multispektral görüntülerle sınıflandırma yapmada sınırlı bir yeteneğe sahiptirler. (Jenson, 1996; Davis ve Wang, 2002)