Obje tabanlı sınıflandırma

Geleneksel piksel-tabanlı ve alt-piksel sınıflandırma teknikleri ile karşılaştırıldığında obje-tabanlı sınıflandırma tekniği sınıflandırma işleminin gerçekleştirilmesinde görüntü üzerindeki pikseller yerine benzer özelliklere sahip piksellerin bir araya gelmesi ile elde edilen görüntü objelerini esas almaktadır (Blaschke, 2010; Myint ve diğ, 2011). Obje tabanlı sınıflandırma işlemi görüntü üzerindeki benzer spektral özelliklere sahip piksellerin gruplandırılarak bu pikselleri temsil eden görüntü objelerinin oluşturulması ve pikseller yerine söz konusu objelerin sınıflandırılması esasına dayanmaktadır. Bu açıdan ele alındığında obje tanımlı sınıflandırma işleminde esas olan görüntü üzerindeki pikseller değil piksellerin bir araya gelmesiyle oluşan görüntü objeleridir. Bu sayede görüntü üzerindeki milyonlarca piksel yerine bunları temsil eden objelerin sınıflandırılması söz konusudur. Obje tabanlı sınıflandırma işleminin gerçekleştirilmesinde takip edilen temel işlem adımları Şekil 2.8’de gösterilmiştir.

Şekil 2.8 : Obje tabanlı sınıflandırmada temel işlem adımları.

Uydu görüntüsü Görüntü

segmentasyonu

Objelere ait özelliklerin tanımlanması

Eğitim ve test veri setlerinin oluşturulması

Sınıflandırma ve tematik harita

48

Genel anlamda segmentasyon büyük objelerin daha küçük parçalara ayrılması anlamına gelmektedir. Obje tabanlı görüntü sınıflandırma işleminde ise benzer spektral özelliklere sahip piksellerin gruplandırılması ve görüntü objelerinin oluşturulması işlemleri görüntü segmentasyonu olarak tanımlanmaktadır. Bu açıdan ele alındığında segmentasyon işlemi küçük parçalara bölme, birleştirme veya yeniden şekillendirme işlemleri olarak da tanımlanabilmektedir.

Segmentasyon işleminin gerçekleştirilmesinde yukarıdan-aşağıya (top-down) ve aşağıdan-yukarıya (bottom-up) olarak bilinen iki temel strateji vardır (Definiens, 2012). Bir parçanın daha küçük parçalara bölünmesi esasına dayanan yukarında- aşağıya stratejisi yardımıyla segmentasyon işleminin gerçekleştirilmesinde genel olarak üç segmentasyon metodu kullanılmaktadır. Bunlardan ilki satranç tahtası segmentasyonu (chessboard segmentation) algoritmasıdır. Algoritma bir görüntüyü kullanıcı tarafından belirlenen eşit boyutlu kare formunda parçalara ayırır (Şekil 2.9a).

Şekil 2.9 : Obje tabanlı sınıflandırmada a) satranç tahtası ve b) dörtlü ağaç tabanlı segmentasyon algoritmaları.

Dörtlü ağaç tabanlı (quadtree-based) segmentasyon algoritması yukarıdan-aşağı stratejisinin gerçekleştirilmesinde kullanılan diğer bir algoritmadır. Dörtlü ağaç tabanlı algoritma segmentasyon işlemini satranç tahtası algoritmasına benzer bir mantıkla gerçekleştirir. Aralarındaki temel farklılık dörtlü ağaç algoritmasının farklı boyutlarda parçalar üretmesidir. Algoritma homojenlik kriterini sağlamayan her bir

49

parçayı dört ayrı parçaya ayırır (Şekil 2.9b). Homojenlik kriteri olarak bir parça içerisindeki maksimum renk farklılığı dikkate alınabilir. Bu durumda eğer renk farklılığı belirlenen eşik değerinden fazla ise dörtlü bölünme gerçekleşir. Bu işlem belirlenen homojenlik kriteri sağlanana kadar devam eder. Yukarıdan-aşağıya stratejisinin gerçekleştirilmesinde yararlanılan bir diğer algoritma ise kontrast bölümlemesi (contrast split) segmentasyonu algoritmasıdır. Algoritma segmentasyon işleminin gerçekleştirilmesinde belirlenen bir eşik değeri dikkate alarak görüntünün, aralarındaki kontrast farkı maksimum olacağı şekilde karanlık ve açık renkli görüntü objelere ayrılması esasına dayanmaktadır.

Segmentasyon işleminin gerçekleştirilmesinde kullanılan ikinci strateji aşağıdan- yukarıya yaklaşımı küçük parçaların belirli kriterler göz önüne alınarak birleştirilerek büyük parçaların elde edilmesi esasına dayanmaktadır. Aşağıdan-yukarıya yaklaşımın gerçekleştirilmesinde çoklu çözünürlük segmentasyonu (multiresolution) algoritması yaygın olarak kullanılmaktadır (Baatz ve Schape, 2000; Benz ve diğ, 2004). Algoritma görüntü üzerindeki ardışık pikselleri veya daha önce segmente edilmiş görüntü objelerini birleştirilmesi işlemini gerçekleştirir. Temel olarak, çoklu çözünürlük segmentasyonu başlangıçta görüntüdeki her bir pikseli bağımsız bir obje olarak değerlendirmeye alır. Daha sonra her bir görüntü objesi veya piksel belirli bir homojenlik kriteri esas alınarak komşu pikseller ile birleştirilerek daha büyük görüntü objeleri elde edilir. Söz konusu homojenlik kriteri spektral ve şekil kriterlinin birleşimi olarak ifade edilen ölçek parametresi ile belirlenir. Ölçek parametresi arttıkça daha büyük görüntü objeleri üretilirken, küçük parametre değerleri için daha küçük ve fazla sayıda görüntü objeleri elde edilir. Çoklu çözünürlük segmentasyonu algoritmasının kullandığı homojenlik kriteri görüntü objelerinin kendi içerisindeki homojenliğini veya heterojenliğini ölçer. Söz konusu kriter renk ve şekil özelliklerinin birleşimi ile belirlenmektedir. Renk homojenliği spektral renklerin standart dağılımını esas alır. Şekil homojenliği ise objelerin şekillerindeki sapmaları dikkate almaktadır. Homojenlik kriteri renk ve şekil kriterlerinin ağırlıklandırılması ile belirlenebilmektedir. Sonuç olarak çoklu çözünürlük algoritması benzer değerlere sahip pikselleri bir araya getirerek objeleri oluşturur. Homojen alanlar daha geniş objelerle gösterilirken, karmaşık yapıdaki pikselleri içeren heterojen alanlar daha küçük objelerle temsil edilir.

50

Johnson (2013), obje tabanlı sınıflandırma yaklaşımda en önemli problemden birinin oluşturulacak görüntü objelerinin ortalama boyutunu belirleyen görüntü segmentasyon parametrelerinin tespiti noktasında yaşandığını vurgulamıştır. İlgi duyulan arazi örtüsü özelliğinden daha küçük boyutta görüntü objeleri üreten segmentasyon parametreleri kullanıldığında görüntü objeleri için hesaplanan spektral olmayan bilgilerin (örneğin şekil ve geometri) sınıflandırma doğruluğuna katkı sağlayacak düzeyde faydalı bilgiler sağlamayacağını ifade etmiştir. İlgi duyulan yeryüzü nesnesinden daha büyük boyutta görüntü objesi üretecek şekilde segmentasyon parametrelerinin belirlenmesi durumunda ise birden fazla sınıfa ait piksellerin bir obje içerisine dahil edilmesi söz konusu olmaktadır. Bu nedenle segmentasyon işlemi öncesinde optimum segmentasyon parametrelerinin belirlenmesi esastır. Çoklu çözünürlük segmentasyonu algoritma yardımıyla görüntü segmentayonun gerçekleştirilmesinde temel olarak ölçek, şekil ve yoğunluk olarak adlandırılan 3 farklı parametrenin kullanıcı tarafından belirlenmesi gerekmektedir. Bunlardan en önemlisi ölçek parametresi olarak ifade edilmektedir (Myint ve diğ, 2011). Bunun en önemli nedeni seçilecek ölçek parametresinin direkt olarak segmentasyon sonucu oluşturulacak görüntü objelerinin boyutu ile ilişkili olmasıdır. Çok büyük ölçek parametresi kullanılması neticesinde görüntüdeki birçok detay kaybolmakta dolayısıyla üretilen görüntü objeleri farklı arazi örtüsü/kullanımı sınıfına ait pikselleri içerisine alabilmektedir. Bu durum özellikle hatalı sınıflandırmalara dolayısıyla sınıflandırma doğruluğunun önemli düzeyde azalmasına neden olabilmektedir. Diğer taraftan ölçek parametresinin çok küçük seçilmesi beraberinde görüntü üzerinde olması gerekenden çok daha fazla sayıda obje oluşmasına, dolayısıyla sınıflandırma için gereken işlem süresinin artmasında neden olmaktadır.

Ölçek parametresi ile ilgili bir başka husus ise tüm görüntü için tek bir ölçek parametresi tanımlanması ile ilgilidir. Bu noktada karşılaşılan en önemli problemlerden biriside farklı arazi örtüsü/kullanım sınıflarının farklı ölçeklerde daha iyi sınıflandırılmasıdır (Johnson, 2013). Tüm görüntü için en uygun ölçek parametresi belirlense dahi tek bir ölçek parametresinin kullanılması durumunda bazı arazi örtüsü sınıfları için optimum segmentasyon gerçekleşememektedir. Bu problemin çözümünde farklı ölçekli parametrelerinin kullanılmasına yönelik çalışmalar mevcuttur (Trias-Sanz ve diğ, 2008; Blaschke, 2010; Anders ve diğ, 2011;

51

Myint ve diğ, 2011; De Pinho ve diğ, 2012; Zhang ve diğ, 2014). Görüntü üzerindeki doğal ve yapay nesneler büyüklükleri ve yoğunluklarına göre değişiklik göstermektedir. Şekil 2.10a’dan da görüleceği üzere ölçek parametresi 100 olarak belirlendiğinde bir görüntü objesi içerisinde birden çok fıstık çamı ağacının, ağaçlara ait gölge alanların ve ağaçların zeminindeki bozkır alanların dahil edildiği görülmektedir. Diğer bir ifadeyle bir tek sınıfı temsil edecek görüntü objesi yerine birden çok sınıfı içerisine alan karmaşık yapıdaki görüntü objesi elde edilmiştir. Ölçek parametresi 50 olarak belirlendiğinde fıstık çamı, gölge ve bozkır alanlarının ayrı görüntü objeleri içerisinde kaldığı görülmektedir. Ölçek parametresi 50’den 20’ye düşürüldüğünde ise segmentasyon sonucu üretilen görüntü objesi sayısındaki artış net olarak gözükmekte ve aynı sınıfın birden çok obje ile temsil edildiği görülmektedir.

Şekil 2.10 : Farklı ölçek parametreleri kullanılarak gerçekleştirilen segmentasyon işlemi.

52

Buna karşın bina ve yol gibi sürekli özellikler gösteren objeler küçük ölçek parametresi kullanımıyla yüzlerce obje ile tanımlanmak durumunda kalırken, büyük ölçek parametresi ile birkaç görüntü objesi ile temsil edilebilmektedir. Örneğin Şekil 2.10b’de ölçek parametresinin 100 olarak seçildiği segmentasyon işlemi sonucunda kiremit çatıya sahip bir binanın birkaç görüntü objesi ile temsil edildiği görülmektedir. Ölçek parametresinin arttırılması ile söz konusu bina çatısını temsil eden görüntü objesi sayısındaki artış açıkça görülmektedir. Bu bina çatısı için ölçek parametresi 20 olarak seçildiğinde, süreklilik gösteren bina çatısı çok fazla obje ile tanımlanabilmektedir. Bu durum oluşturulan bina objelerinin bazı kısımlarının benzer spektral özelliklere sahip diğer sınıflarla karıştırılmasına, dolayısıyla hatalı sınıflandırılmasına neden olmaktadır. Benzer durum yine süreklilik özelliği gösteren ve doğrusal karakteristiğe sahip yol alanları içinde geçerlidir. Şekil 2.10c’den de görüleceği üzere ölçek parametresi 20 olarak seçildiğinde doğrusal özelliğe sahip yol kaplaması yüzlerce farklı görüntü objesi ile temsil edilmek zorunda kalmaktadır. Buna karşın büyük ölçek parametreleri ile aynı yol kaplaması birkaç veya sınırlı sayıda görüntü objesi ile temsil edilebilmektedir. Bu nedenle özellikle yüksek çözünürlüklü uydu görüntülerinin obje tabanlı yaklaşımla sınıflandırılmasında optimum ölçek parametresinin belirlenmesi hem sınıflandırma sonucu üretilecek tematik haritanın doğruluğu hem de tematik harita üretimi ve sınıflandırma işleminin gerçekleştirilmesi için gerekli olan işlem süresi açısından kritik bir öneme sahiptir. Segmentasyon işleminin ardından elde edilen her bir görüntü objesi için objelerin birbirinden ayırt edilmesi amacıyla objelere özgü özellikler tanımlanır. Her bir objenin temsil ettiği piksellere ilişkin ortalama, standart sapma, minimum ve maksimum değerler gibi temel spektral bilgiler özellik olarak tanımlanabileceği gibi objelerin alanları, uzunlukları, genişlikleri veya yönelimleri gibi konumsal karakteristikleri de özellik olarak tanımlanabilmektedir. Konumsal ve spektral özelliklerin yanında gri düzey oluşum matrisi yardımıyla hesaplanan ortalama, varyans, homojenlik, zıtlık, farklılık, entropi, ikinci moment ve korelasyon gibi doku özellikleri de objelere ait özellikler olarak tanımlanabilmektedir. Bununla birlikte obje tabanlı sınıflandırma yaklaşımında sınıflandırmaya konu görüntü objeleri olduğundan objeler arasındaki ilişkiler de (objeler arasındaki komşuluk, yakınlık, obje uzunluğu, obje alanı vb.) özellik olarak değerlendirmeye alınabilmektedir.

53

Segmente edilmiş görüntü üzerindeki objelere ait özelliklerin tanımlanmasının ardından bir sonraki adım sınıflandırma aşamasıdır. Sınıflandırma öncesinde kontrollü sınıflandırma için ön koşul olan eğitim ve test veri setlerinin oluşturulması işlemi gerçekleştirilir. Söz konusu veri setleri önceden belirlenen arazi örtüsü/kullanımı sınıflarını temsil eden objelerden oluşmaktadır. Daha sonra bir kontrollü sınıflandırma algoritması yardımıyla oluşturulan eğitim ve test veri setleri kullanılarak sınıflar arasındaki ayrımın en yüksek doğrulukta gerçekleştirildiği sınıflandırma modeli üretilir. Test veri seti ile performansı belirlenen model, hangi sınıfa ait olduğu bilinmeyen diğer görüntü objelerinin sınıflandırılmasında kullanılır. Sınıflandırma sonucunda, obje tabanlı yaklaşımla üretilen segmentlerin (görüntü objelerinin) önceden belirlenen bir arazi örtüsü/kullanımı sınıfına atandığı tematik harita üretilir.