Kural Tabanlı Sınıflandırma

Sınıflandırma yönteminde karşılaşılan sorunların giderilmesi ve doğruluğa etkisinin minimum seviyeye düşürülmesi için alım teknikleri geliştirilmekte, bulanık mantık ile desteklenen kontrollü sınıflandırma yöntemleri kullanılmaktadır. Bu amaçla, nesne tabanlı, bilgisayar destekli ve insan beyni gibi çalışabilen uzman sistemler ile otomatik obje çıkarımı üzerine çalışmalar sürmektedir. Bu sistemler henüz tam anlamıyla başarı sağlamamış olsa bile, bu sistemlerin ilk adımı olan kural tabanlı sınıflandırma üzerinde başarılı sonuçlar elde edilmektedir. Kural tabanlı sınıflandırma yöntemleri ile objelerin birbirinden ayrılıp, aynı sınıf altında toplanabilmesi için geliştirilen kurallar genelden özele indirgenerek, objelerin otomatik olarak çıkarımı sağlanır (Kim [79], Kalkan ve Maktav [73]).

Günümüzde otomatik obje çıkarımında kural tabanlı sınıflandırma yöntemleri kullanılmaya başlanmıştır (Blaschke [65]]. Sayısal görüntü işleme ve obje çıkarımında başarılı olduğu kabul edilmiş birden çok yöntemin, bir algoritma ile geliştirilerek kural şeklinde ifade edilmesi ile yapılan çalışmalar ön plana çıkmıştır. Bu kurallar ile farklı yaklaşımlar geliştirilmesine örnek olarak Rotteinstener vd tarafından [37] de verilen çalışmada geliştirdiği Dempster-Shafer yaklaşımı verilebilir. NDVI yöntemi, Canny kenar yakalama, Hough dönüşümü, SYM, YM fark yöntemi ve Zevenbergen&Thorne eğim analizi gibi birden çok yöntem kullanılarak kurallar oluşturulur. Önemli olan bu kuralların, analiz edilerek uygun parametreler yardımıyla, amaca uygun şekilde kullanılmasıdır. Geliştirilen algoritma mantığına göre kuralların nerde ve ne zaman kullanılacağına karar vermek önemlidir. Geliştirilen kural setinin hızlı, doğru ve kullanılabilir olması, oluşturulan yaklaşımın başarısını temsil etmektedir. Bu kurallar geliştirilirken, tek başına başarı sağladığı kanıtlanmış bir yöntemin kural setinde farklı şekilde kullanılması ile kural seti zenginleştirilebilir. Bu tarz yeniliklerde, kural setinin geliştirilmesine ve otomatik obje çıkarımı konusuna katkı sağlar. Örneğin; Hough dönüşümü ile elde edilen görüntünün tek başına kullanımına birçok yayında rastlamak

mümkün iken bu görüntünün segmentasyonun içinde farklı ağırlık değeri verilerek bina iyileştirilmesinde kullanılması şeklinde bir uygulamaya henüz rastlanmamıştır. Aynı durum Canny algoritmasının uygulanması sonucunda üretilen görüntü içinde geçerli olup farklı test alanlarına ait görüntüler üzerinde analiz yapılırken iyi sonuç vermesi sonucunda kullanılmıştır.

Nesne tabanlı görüntü analiz yönteminde, bulanık mantık yöntemi, sınıflandırma teknikleri arasında kullanılan güçlü bir sınıflandırıcıdır (Navulur [41]). Bu sebeple otomatik obje çıkarımında özellikle segmentasyon ve kural tabanlı sınıfların oluşturulmasında tercih edilen bir yöntemdir. Bu kurallar geliştirilirken oluşturulan bir sınıfa ileriki adımlarda tekrar müdahale edilme imkanı sağlanması, birden çok segmentasyon ve sınıflandırmanın kullanımı ile sağlanır. Oluşturulan kurallar kendi içlerinde de uyumlu ve belirli bir düzene göre oluşturulmalıdır. Örneğin; çatılardaki bina ile yeşil alan karışmasından doğan eksiklik veya fazlalık bir sonraki kural ile farklı özellikler (alan, simetri, yakınlık, uzaklık vb.) kullanılarak giderilir.

Bulanık Mantık ile Sınıflandırma

Bulanık mantık (Fuzzy Logic) kavramı 1960’lı yılarda California Berkeley Üniversitesinde çalışmalarını sürdüren bilim adamı Prof. Lütfü A. Zadeh tarafından ortaya çıkmıştır. Günümüze kadar gelen bulanık mantık, belirsizliklerin matematiksel bir ifade ile tanımlanmasında bir çok uygulama alanında kullanılma imkanı bulan önemli bir karar vericidir. Bu karar verici sistem Zadeh tarafından [112] de verilen çalışmaya göre çoklu değerlilik, özellikle görüntü sınıflandırma işlemlerinde kullanılarak başarılı sonuçlar elde edilmiştir. Bulanık mantık ile sınıflandırma, uzman sistemlerce kullanılan bir olasılık yaklaşımı şeklinde ifade edilir ve insan yorumlama gücüne yakın bir yorumlamayı bilgisayara aktarılabilmeyi hedefler. Bulanık mantık ile klasik mantık (Aristo mantığı) arasındaki temel fark klasik mantığın önermelerin tek, sınır ya da limit olarak tanımlanabilen değerleri kullanmasıdır. Aristo mantığında bilindiği gibi bir piksel, segment ya da obje değeri bina kümesinin elemanıdır ya da değildir. Bulanık küme kavramında ise, klasik kümelerde kullanılan “bina” veya “bina değildir” ifadesi yerine belirlenen üyelik derecesine göre bina olma olasılığı belirlenir. Bu sınıflandırma işlemi bulanık küme kavramı ile oluşturulur. Bir pikselin, segmentin ya da objenin, “bina olma

durumu” (1) ve “bina olmama durumu” (0 ) ile değil, (1) veya( 0)’a yakın olma derecesi ile gösterilir.

Elemanlar karakteristik fonksiyonları fA cinsinden ifade edildiğinde, (2.19) eşitliği ile tanımlanmaktadır. Bir bulanık küme A üyelik fonksiyonu ile karakterize edilir (2.20). Bu X uzayına ait bu kümede her bir x elemanı [0,1] aralığında değerler alır (Zadeh [112]).

fA =           A x A x 0 1 (2.19) A=





Bulanık kümelerinin en büyük özelliği belirsizlik içeren sözel ve sayısal bilgi ile verileri aynı anda insan aklına en yakın biçimde modelleyebilmesidir. Günümüz teknolojisinde çok yaygın olarak karşımıza çıkan akıllı ve uzman sistemlerle otomasyonda, belirsizlik ortamında en iyi karar verebilme ve modellemenin temelinde bulanık mantık önerme ve çıkarımları bulunur. Klasik mantıkta bir önerme “doğru” ya da “yanlış” olarak ifade edilir. Üçüncü bir durumun gerçekleşmesinin imkansız olduğu varsayılır. Sözel olarak ifade edilen {Yanlış, Doğru}, sayısal olarak {0, 1} ifadesi, Bulanık mantığın ‘doğru’ ve ‘yanlış’, dahil olmak üzere bu ikisinin arasında her değer (‘çok doğru’, ‘çok yanlış’, v.b.) olabileceğidir. Şekil 2.9’a göre segment parametre değerlerine göre yapılan sınıflandırmada bina olma olasılığının yüksek, orta ve düşük değerlere göre sınıflandırılmasını göstermektedir.

Şekil 2. 9 Bulanık mantık ile bina segmentlerinin sınıflandırılması

Otomatik obje çıkarımında kullanılan bulanık mantık ile sınıflandırma işleminde, (0.0) ve (1.0) sayıları arasında gerçel değerler kullanarak üyelik dereceleri hesaplanır. Nitelik değerleri bulanık değerlere dönüştürülerek, kurallar kümesi oluşturulur. Yeni bir örneği sınıflandırmak için birden fazla kural kullanılır veher kuraldan gelen sonuç toplanır. Bu

Yüksek Orta Düşük

Segment parametreleri Bina olma olasılığı

şekilde gerçekleştirilen doğruluk önermeleri ile objeyi temsil eden segmentin, oluşturulan sınıflardan hangisine en yakın olduğu, üyelik derecesine göre belirlenerek ait olduğu sınıfa atanır. Bulanık mantık ile gerçekleştirilen sınıflandırma sonuçları, oluşturulan segmentlerin hangi objeyi temsil ettiği daha doğru şekilde hesaplanır. Bulanık sınıflandırma sistemleri, uzaktan algılama veya fotogrametrik görüntülerden bilgi elde edilmesi aşamasında birçok belirsizliği ortadan kaldırabilen bir yapıdadır. Ayrıca, parametre ve model belirsizlikleri, üyelik fonksiyonlarıyla tanımlanarak bulanık ayarlamalar ile analiz edilir ve doğru sınıf oluşturulmasında etkili rol oynarlar. Böylece, otomatik obje çıkarımlarında özellikle yaygın bir çalışma alanı olan bina çıkarımında bulanık mantık ile yapılan sınıflandırmalar, sınıf karışıklıklarını gidermek ve doğru bina sınıfını çıkarmak için tercih edilmektedir.