Sınıflandırmada kullanıcı bilgisayara belli kriterler tanımlayarak, bilgisayarın görüntü üzerinde yorum yapmasını sağlar. Sınıflandırmada, objelerin spektral yansımalarından yararlanılır. Sınıflandırmada özellik (feature space) ve görüntü (image space) uzayından bahsetmek mümkündür. Görüntü uzayı, görüntüyü meydana getiren DN değerli piksellerin oluşturduğu 2 boyutlu uzaydır. Özellik uzayı ise görüntüdeki her bir pikselin her banttaki değerleri bir koordinat kabul edilerek oluşturulan koordinat sistemidir. Bu koordinat sisteminde birimler DN değerleridir. Şekil 7.1’de iki bantlı bir görüntü için 2 boyutlu ve üç bantlı bir görüntü için 3 boyutlu bir özellik uzayı görülmektedir. Sınıflandırmalarda bu uzaydan yararlanarak sınıflar tanımlanır. Görüntü piksellerine de çeşitli sınıflandırma algoritmaları uygulanarak piksellerin en uygun sınıfa ataması yapılır.
Girdi, çok bantlı bir görüntüdür. Çıktı ise tematik bir raster haritadır. Bu şekilde veri yükü de azaltılarak CBS’ye veri sağlanmış olur. Çünkü projelerde piksellerin yansıma değerlerinden çok, ait olduğu sınıf önemlidir. İlgili tematik raster harita, çeşitli metotlarla vektör veri haline getirilebilir. Vektör veri haline gelmesi, veri yükünü daha da hafifletir.
Sınıflandırma işlemi, kontrollü ve kontrolsüz sınıflandırma olarak ikiye ayrılır. Kontrollü sınıflandırmada, farklı spektral grupları (cluster) temsil eden kontrol alanları kullanılarak spektral farklılıklar incelenmektedir. Kontrolsüz sınıflandırma da ise spektral olarak ayrılabilir sınıflar belirlenmekte (kontrol alansız) ve bunlardan bilgi elde etme yoluna gidilmektedir. Ayrıca sınıflandırmayı, istastistiksel olan ve olmayan şeklinde ikiye ayırabiliriz. Kontrollü ve kontrolsüz sınıflandırma yöntemleri istatistiksel temellere dayalı olarak yapılır. Yapay sinir ağları ve bulanık (fuzzy) sınıflandırma, istatistiksel olmayan yöntemler olarak sıralanabilir.
Şekil 7.1 : Özellik Uzayı (Bakker ve diğ., 2004, s.194)
Sınıflandırmada, ayrıt edilecek cisimlerin farklı yansıma özelliklerine sahip olması gerekir. Bu ise cisimlerin spektral yansıma eğrilerine bakılarak yapılabilir.
Sınıflandırmada yapılan temel işlem, sınıfların özellik uzayında belirlenmesi ve görüntüdeki tüm piksellerin bir sınıflandırma algoritması seçilerek, sınıflandırma algoritmasının öngördüğü en uygun sınıfa atamasının yapılmasıdır. Sınıflandırma 5 temel adımda gerçekleştirilebilir (Bakker ve diğ., 2004, s.196);
1) Görüntü verisinin seçimi ve hazırlanması. Sınıflandırılacak obje ve proje amacına uygun sensör seçimi, uygun tarih ve dalga boyuna uygun bantlar seçilmelidir. Belirlenecek objeler için seçilen bantlar arasındaki korelasyon düşük olması gerekir. Aksi taktirde mükerrer bilgi üretilerek ekonomik ve zaman yönünden kayıp olur.
2) Özellik uzayında sınıfların (cluster) tesbiti. Burada iki türlü yaklaşım söz konusudur; kontrollü ve kontrolsüz sınıflandırma. Kontrollü sınıflandırmada bu, kullanıcı ile interaktif olarak gerçekleşirken, kontrolsüz sınıflandırmada algoritmaların yardımıyla iteratif ve otomatik olarak bulunur.
3) Sınıflandırma algoritmasının seçimi. Sınıflar özellik uzayında belirlendikten sonra, kullanıcının pikselleri hangi yöntemle (algoritma) sınıflara atayacağını belirlemesi gerekir. Bu, sınıflandırmada piksellerin DN değerleri baz alınarak
5) Sonuç ürünün kontolü ve doğruluğunun tesbiti. Bunun için yersel doğrulama (ground truth) verisine ihtiyaç vardır. Bunun için bir örnekleme yönteminin seçilmesi gerekir. Örneklemede, görüntüdeki sınıflar ve yersel doğrulama verileri belirli noktalarda karşılaştırılarak, % olarak sınıflandırma doğruluğu belirlenmektedir. Yersel doğrulama verisi olarak, daha yüksek yersel çözünürlüklü bir uydu görüntüsü, hava fotoğrafı, topoğrafik harita, GPS ölçümleri ile belirlenmiş sınıf alanları vb. kullanılabilir. Yersel doğrulama verisinin kontrollü sınıflandırmada kullanılan kontrol alanları olmaması gerekir.
Görüntü sınıflandırması, n bant kullanılarak analiz yapılabilirken, görsel yorumlama ile sadece 3 bant birlikte analiz edilir.
7.1. Kontrolsüz Sınıflandırma
Bölge, kullanıcı tarafından yeterli derecede bilinmiyorsa ve belirlenecek alanlar belirlenmemişse, kontrolsüz sınıflandırma uygulanabilir. Kontrolsüz sınıflandırmada, özellik uzayı sınıflandırma (clustering) algoritmaları kullanılarak sınıflandırılır. Ardışık kümeleme ve tekrarlı ardışık kümeleme (ISODATA= The Iterative Self-Organizing Data Analysis Technique) gibi birçok kontrolsüz sınıflandırma yöntemi vardır (Musaoğlu, 1993).
ISODATA sınıflandırmada, kullanıcı sınıf ve iterasyon sayısını ve bir eşik değeri tanımlar. İterasyon, bu eşik değeri ulaşılıncaya kadar kadar devam eder. Bu değer % 95 olarak tanımlanırsa, işlem iterasyonlar arasında piksellerin %95’nin sınıfları değişmeyinceye kadar devam eder (Erdas Field Guide, 2003). İterasyon işlemi şu şekilde yapılır;
1) Birinci işlemde, bilgisayar rasgele sınıf (küme) merkezleri seçer. Daha sonra pikseller spektral bakımdan hangi küme merkezine yakınsa o kümeye atanırlar. 2) Küme merkezlerinin bulunması işlemi iteratif olarak en uygun kümeler tanımlanıncaya kadar devam eder.
3) İşlem, küme merkezlerinin hareketi duruncaya kadar devam eder. İterasyon sırasında belli bir piksel sayısından küçük kümeler elimine edilir. Kümelerin son hali belli olduktan sonra sınıflandırma işlemine geçilir. Sınıflandırmada, her piksele bir sınıf atanır. Sınıflandırma sonucunda, kullanıcı isterse sınıfları birleştirebilir ya da
silebilir. Şekil 7.2’de bu işlem görülebilir. İşlemin sonucunda, küme merkezlerinin özellik uzayındaki yoğun olan bölgelerle çakıştığı görülebilir.
Şekil 7.2 : ISODATA sınıflandırma (Bakker ve diğ., 2004, s.199)
Maskeleme ile su – kara ayrımı (Kıyı çizgisi) rahatlıkla yapılabilmektedir. Uygulama kısmında da anlatılacağı gibi, IKONOS NIR (4.bant) bandı kullanılarak maskeleme yapıldığında, kıyı çizgisi ortaya çıkarılabilmektedir. Bunun amacı su ve kara sınıflarını ayrıntılı bir şekilde ortaya çıkarmak değildir. NIR bant, Su – Kara ayrımının maksimum olarak görülebildiği banttır (Ekercin, 2006).
7.2. Kontrollü Sınıflandırma
Kontrollü sınıflandırmada özellik uzayı, kullanıcının belirlediği örnekleme alanlarının (training areas) spektral özelliklerine göre yapılır. Kullanıcının seçtiği sınıflar spektral olarak ayırt edilebilmelidir. Yani sınıflar özellik uzayında kısmen üstü üste ya da hiç gelmemelidir.
oluşturulur. Kontrol alanlarının örneklendiği özellik dosyalarının görüntü verilerine uygulanması ile her bir görüntü elemanı(piksel), hesaplanan olasılık değerlerine göre en çok benzer olduğu sınıfa atanmaktadır (Musaoğlu, 1993).
Kontrollü sınıflandırmada, bir çok metottan söz edilebilir. Bunlardan başlıcaları paralel kenar yöntemi (Parallelpiped classifier), en kısa uzaklık yöntemi (Minimum distance to mean classifier), en çok olasılık yöntemi (Gaussian maximum likelihood classifier) sayılabilir (İmamoğlu, 2004).
Kontrollü sınıflandırmada, yaygın olarak en büyük olasılık (Maksimum Likelihood) algoritması kullanılmaktadır. Bu yöntemde, bilinmeyen bir görüntü elemanının sınıflandırılması için spektral paternlerin varyans ve kovaryansı, kantitatif olarak değerlendirilir. Bu değerlendirmede, sınıf kontrol verilerini oluşturan noktalar kümesindeki dağılımın, gauss dağılımı olduğu varsayılır. Bu parametrelere bağlı olarak, belirli bir arazi örtü tipine ait görüntü elemanları için istatistiksel olasılık hesaplanır. Her bir sınıf için olasılık değerlendiriminden sonra, görüntü elemanı en çok benzer olduğu sınıfa atanır veya olasılık değeri önceden belirlenen eşik değerin altında kalan görüntü elemanları belirsiz olarak nitelendirilir (Sunar,1991).
Piksel bazlı sınıflandırmalarda bazı kısıtlamalar vardır. Örneğin aynı tipteki çim, büyük alanlarda farklı iklim şartları ve toprak türlerinden dolayı farklı yansıma yapabilir. Dağlık alanlardaki eğim farklılıklarından dolayı meydana gelen yansıma farklılıkları, aynı objeleri farklı sınıflara düşürebilir. Bu kısıtlamalar görüntü verisine ek bilgi ve konumsal bilgi eklemek ile mümkün olur. Örneğin tarihi arazi örtüsü haritaları ile çeşitli bölgelerdeki sınıf değişimi olasılıkları işleme katılabilir. Sayısal yükseklik modeli kullanılarak, farklı eğimlerden dolayı meydana gelen yansıma farklılıkları giderilebilir (Bakker ve diğ., 2004, s.204-205).
8. UYGULAMADA DEĞERLENDİRİLEN SU KALİTE PARAMETRELERİ