Nesne Tabanlı Sınıflandırma

1990‟ların ortasından itibaren bilgisayar donanımındaki ve yüksek çözünürlüklü görüntülerin elde edilebilmesindeki geliĢmeler nesne tabanlı analizlere olan gereksinimi artırmıĢtır (de Kok ve ark., 1999). Çünkü söz konusu geliĢmeler, arazi örtüsü sınıflarının geleneksel piksel tabanlı sınıflandırma yöntemleri ile tam olarak belirlenemediği göstermiĢtir. Bu sonuç sınıfların, heterojen spektral yansıma

karakteristiklerinin birimleri ve bunların istatiksel ayırt edilebilirlikleri tarafından tanımlanmasına yöneltmiĢtir (Pu ve ark., 2011).

Nesneleri sınıflandırma fikri, birçok görüntü verisinin geleneksel sınıflandırma yöntemlerinde olmayan karakteristik dokusal bilgiye sahip olduğu gerçeğinden ortaya çıkmıĢtır (Blaschke ve Strobl, 2001). Geleneksel piksel tabanlı sınıflandırma yöntemleri, her piksel için n-boyutlu veri vektörünü her sınıfın prototip vektörü ile karĢılaĢtırarak, görüntüdeki her pikselin sınıfını tanımlar. Veri vektörü genellikle piksellerin bantlardan gelen gri değerlerinden ya da bunlardan hesaplanan dokusal ya da içeriksel değerlerden oluĢur. Dokusal ya da içeriksel değerler bant içindeki değiĢimlerin dağılımları hakkında bilgi içerir. Nesne tabanlı yöntemler direk olarak bireysel pikseller üzerinde çalıĢmazlar. Bu yöntemler, görüntü segmentasyonu ile oluĢturulmuĢ ve anlamlı bir Ģekilde gruplanmıĢ, birçok pikselden oluĢan nesneler üzerinde çalıĢırlar. Daha sonra sınıflandırma birimi olarak pikseller yerine bu nesneleri kullanırlar (Carleer ve Wolff, 2006; Blaschke, 2010). Ayrıca piksel tabanlı sınıflandırma yöntemlerinde kullanılan spektral ve dokusal bilginin yanında Ģekil karakteristiklerini ve komĢuluk iliĢkilerini kullanırlar (Shackelford ve Davis, 2003).

Diğer bir taraftan, piksel tabanlı sınıflandırmada, sınıflandırma doğruluğu azaltan ve pikseller komĢu piksellerden bağımsız olarak sınıflandırıldığında karĢılaĢılan “tuz-biber etksi” adı verilen bir etken görülmektedir. ÇalıĢmalar diğer sensör karakteristikleri değiĢmeden sadece konumsal çözünürlük artırıldığında sınıflandırma doğruluğunda azalma olduğunu göstermektedir (Townshend ve Justice, 1981; Latty ve ark., 1985; Matin ve ark., 1988; Gong ve Howarth, 1990; Treitz ve Howarth, 2000). Sınıflandırma doğruluğu özellikle farklı fiziksel özelliklere sahip küçük parçaların mozaiği olan alanlarda problemdir (Mathieu ve ark., 2007). Bu sorunu yenmek için de alan ya da nesne tabanlı sınıflandırma yöntemleri kullanılmaktadır.

Zhou ve Robson (2001)‟de eğer doğru bir sınıflandırma yapılmak isteniyorsa dokusal bilginin mutlaka kullanılması gerektiğini vurgulamaktadır. Çünkü görüntü segmentasyonuna dayanılarak yapılan nesne tabanlı görüntü analizi, spektral bilginin yanı sıra daha yüksek doğruluklu arazi örtüsüne sahip harita üretimini sağlayan dokusal ve yapısal bilginin de kullanılmasını sağlar (Yan ve ark., 2006). Ayrıca nesne tabanlı yöntemler klasik piksel tabanlı yöntemlerden farklı olarak bulanık mantık sınıflandırmaya olanak sağlar. Bu durumda her bir nesne birden fazla sınıf üyeliğine sahip olabilir. Sınıf üyelikleri 0 ile 1 arasında değiĢebilen bir rakam ile ifade edilir. Bu değer skalasında 1 değeri pikselin o sınıfa ait tam üyeliği temsil ederken, 0 değeri hiçbir

üyeliğin olmadığı durumu temsil eder. Aradaki değerler ise büyüklükleri oranında üyeliğin olacağını gösterir.

Nesne tabanlı sınıflandırma iĢlemi temelde iki adımdan oluĢmaktadır. Bunlar: segmentasyon ve sınıflandırmadır. AĢağıdaki bölümde bu konuya iliĢkin detaylı bilgi verilmiĢtir.

4.3.1. Segmentasyon AĢaması

Nesne tabanlı sınıflandırma için temel adım, görüntü segmentasyonudur. Bunun yanı sıra nesne tabanlı yöntemlerin baĢarısı büyük oranda görüntü segmentasyonunun kalitesine bağlıdır. Sadece iyi segmentasyon yapılarak oluĢturulan nesne tabanlı sınıflandırma piksel tabanlı sınıflandırmaya göre daha iyi sonuçlar verir (Yan ve ark., 2006).

Temelde görüntü segmentasyonu algoritmaları iki grup altında toplanabilir: Alan tabanlı (region based) ve sınır tabanlı (boundry based) (Zhang, 1997; Nicolin ve Gabler, 1987; Janssen ve Molenaar, 1995; Guindon, 1997).

Sınır tabanlı algoritmalar nesnelerin devamlı olup olmadığını kontrol ederek dıĢ hatlarını belirlerler (Zhang, 1997). Sınır tabanlı yaklaĢımda farklı algoritmaları bulmak mümkündür. Örneğin, “en iyi kenar belirleme” (optimal edge detector) algoritmasında öncelikle görüntüye bir filtre geçirilir. KomĢu olan kenarların ayrılması sağlandıktan sonra detaylara ait konturlar elde edilir. Konturlar kapatılır ve her bir kapalı çizginin içi bir detay olarak tanımlanmıĢtır (Canny, 1986; Cocquerez ve Philipp, 1995).

Diğer bir algoritma olan “eĢik segmentasyon” (watershed segmentation) için öncelikle görüntüden gradyan görüntüye geçiĢ yapılır. Bu iĢlemden önce görüntüye bir filtre geçirerek görüntüdeki gürültü oranını azaltmak da mümkündür. Elde edilen gradyan görüntü gri tonlu arazi yüzeyi olarak düĢünülebilir. Bu yüzey görüntüden detaylara ait konturlar elde edilir (Vincent ve Soille, 1991; Debeir, 2001).

Alan tabanlı algoritmalar benzerlik özelliğine göre alanları belirler (Zhang, 1997). Alan tabanlı yaklaĢımda da farklı algoritmaları bulmak mümkündür. Yapılan uygulama çalıĢmasında da kullanılan çok çözünürlüklü segmentasyon yöntemi (multiresolution segmentation) alan birleĢtirmeli (region merging) bir yöntemdir. Burada öncelikle her bir piksel bir nesne olarak atanır. Ġteratif adımlarla bu küçük nesneler birleĢtirilir ve daha büyük nesneler oluĢur. (Baatz ve ark., 2004). Bu

birleĢtirme kriteri, büyüklükleri ile ağırlıklandırılan nesnelerin ortalama heterojenliğini minimize eder (Baatz ve Schape, 2000; Benz ve ark., 2004).

Niceliksel olarak heterojenliğin tanımlanması, hem spektral farklılığın hem de nesnelerin geometrisinin göz önünde bulundurulmasını gerektirir. Segmentasyon algoritmasının sonucu ölçek faktörü ve heterojenlik kriteri ile kontrol edilir. Heterojenlik kriteri bahsi geçen birleĢtirme kararını kontrol eder ve spektral (multispektral görüntüler) ya da spektral olmayan (yükseklik verisi) veri kullanılarak hesaplanır (Mathieu ve ark., 2007). Heterojenlik kriteri renk ve biçim olmak üzere ortak iki özellik içerir. Renk (Color = 1 - Shape) spektral homojenliğe, Ģekil (shape) ise nesnelerin geometrik/jeomorfolojik karakteristiklerine karĢılık gelir. ġekil yumuĢaklık (smoothness) ve bütünlük (compactness) olmak üzere iki farklı özelliğe daha ayrılır (Smoothness = 1 - Compactness) (Baatz ve ark., 2004). Ölçek faktörü ise oluĢan nesnelerin büyüklüğünü belirleyen en önemli kriterdir. Tüm bu parametrelere iliĢkin matematiksel ifadeler aĢağıda yer almaktadır (Benz ve ark., 2004).

f olarak tanımlan heterojenlik kriterindeki değiĢim belirli bir eĢik değerinin altında olmalıdır. Ağırlık parametreleri olan (w_color,w_shape) heterojenliği belirler.

shape shape color color h w h w f  .  . (4.3)

 

0,1,  color

w , w_shape

 

0,1, , w_color w_shape 1 (4.4) Bu eĢitlikte yer alan h_color spektral heterojenlikteki fark olup aĢağıdaki Ģekilde tanımlanır. )) . . ( . ( _,  _{1 , 1} _{2 , 2} 





_{merge cmerge obj cobj obj cobj}

c c color w n n n h    (4.5) Bu eĢitlikte, c w : c bandındaki ağırlığı, merge

n : birleĢtirilmiĢ nesne içindeki toplam piksel sayısı,

1

 obj

n : birinci nesne içindeki toplam piksel sayısı,

2

 obj

n : ikinci nesne içindeki toplam piksel sayısı, c

 : c bandındaki standart sapma,

2 , 1 obj

ġekil parametresi olan shape’deki değiĢim (h_shape) yumuĢaklık (smoothness)

ve bütünlük (compactness) olmak üzere iki farklı parametre ile ifade edilir. Burada yer alan (w_compt,w_smooth) yumuĢaklık ve bütünlüğe iliĢkin ağırlık değerleri olup, 0 ile 1

arasında bir değer ile ifade edilirler. (h_compt,h_smooth) ise bu değerlere iliĢkin farklardır

ve aĢağıdaki eĢitlikler ile hesaplanır.

smooth smooth compt compt shape w h w h h      . . (4.6) ) . . ( . 2 2 2 1 1 1           obj obj obj obj obj obj merge merge merge smooth b l n b l n b l n h (4.7) ) . . ( . 2 2 2 1 1 1           obj obj obj obj obj onj merge merge merge compt n l n n l n n l n h (4.8) Yukarıdaki eĢitliklerde,

l : nesnenin çevre uzunluğu,

b : nesnenin dıĢını çevreleyen hattın uzunluğu olarak tanımlanır.

Uygun segmentasyonun elde edilebilmesi için yukarıda yer alan 5 parametreye (w_c,w_color,w_shape,w_smooth,w_compt) ihtiyaç vardır. Ölçek parametresi optimizasyon

iĢlemini durdurmak için gerekli olan parametredir. Ġki komĢu nesne birleĢtirilmeden önce heterojenlik farkı olan f değeri hesaplanır. Eğer artıĢ miktarı ölçek parametresi tarafından belirlenen t (t (ölçek parametresi)) eĢik değerini geçerse nesneleri

birleĢtirme iĢlemi yapılmaz ve segmentasyon iĢlemi tamamlanmıĢ olur. Daha büyük ölçek parametresi daha çok nesnenin birleĢtirileceği ve dolayısıyla daha büyük nesnelerin oluĢacağı anlamına gelir (Benz ve ark., 2004).

Gerek sınıflandırmada gerekse segmentasyonda kullanıcı tarafından atanan ağırlık değerleri görsel analizlerle belirlenir. Bu noktada, bunun kullanılan yazılım ve metotlar ile sınırlı olduğunu söyleyebiliriz. Sadece farklı veri setleri üzerinde yapılacak tekrarlı çalıĢmalar ile optimal parametre ağırlıkları aĢamalı olarak elde edilebilir (Robertson ve King, 2011).

4.3.2. Sınıflandırma AĢaması

Segmentasyon iĢlemi sonucunda belirlenen parametrelere göre homojen nesneler elde edilir. Bu adımdan sonra sınıflandırma birimi olarak pikseller yerine bu nesneler kullanılmaktadır. Sınıflandırma aĢamasında, segmentasyon ile belirlenen her bir nesnenin kullanıcı tarafından belirlenen sınıflara ataması gerçekleĢtirilir.

Nesne tabanlı yöntemler klasik piksel tabanlı yöntemlerden farklı olarak bulanık mantık sınıflandırmaya olanak sağlar. Bulanık mantık sınıflandırmaya iliĢkin detaylı bilgi aĢağıdaki bölümde yer almaktadır.

Nesne tabanlı sınıflandırma stratejisi piksel tabanlı sınıflandırma ile karĢılaĢtırıldığında, birçok nedenden dolaylı sınıflandırma doğruluğu artmaktadır (Pu ve ark., 2011).

 Görüntüyü nesnelere ayırmak insanoğlunun yeryüzünü kavramsal olarak düzenlemesi ile çok benzerdir (Hay ve Castilla, 2008).

 Spektral özelliklerin yanı sıra görüntüdeki doku ve yapısal özellikler (diğer nesnelerle olan iliĢki) ile bazı Ģekilsel ve geometrik özelliklerin (form, Ģekil, jeomorfoloji) kullanımını sağlar (Yu ve ark., 2006; Hay ve Castilla, 2008).

 Görüntüden çıkartılacak olan nesne farklı seviyelerle iliĢkilendirilmiĢ olabilir ve bu seviyeler analiz sistemlerinde kullanılabilir (Kux ve Araujo, 2008).

Belgede CBS-uzaktan algılama entegrasyonu ve örnek uygulama: Uydu görüntülerinden detay ve otomatik öznitelik tespiti (sayfa 45-50)