Change detection of buildings from high resolution satellite imagery and existing map data using object based classification
Nesne tabanlı sınıflandırma ile yüksek çözünürlüklü uydu görüntüleri ve mevcut harita verilerinden bina değişimlerinin tespiti
- Tez No: 415219
- Danışmanlar: PROF. DR. MUSTAFA TÜRKER
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Change Detection, Object Based Classification, Building Detection, Geodatabase Updating
- Yıl: 2015
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 88
Özet
Kentsel alanlarda binaların ve bina değişimlerinin otomatik ve doğru tespiti, coğrafi veri tabanlarının etkin güncellemesi, karar vericiler ve kent planlaması ve yönetimi için önemlidir. Bu çalışmada, Türkiye, Ankara'nın Altındağ bölgesinde seçilen kentsel bir alanda yüksek çözünürlüklü uydu görüntüsünden görüntü-harita karşılaştırması değişim belirleme yöntemi kullanılarak bina değişimleri tespit edilmiştir. Kullanılan veriler, 2010 yılında çekilmiş WorldView2 uydu görüntüsü, 2001 yılında derlenmiş vektör harita verisi ve 2013 yılı stereo hava fotoğraflarından oluşturulmuş sayısal yüzey modelini (SYM) içermektedir. Çalışmada kullanılan yöntem dört ana adım içermektedir. İlk adımda, renkli bantlar ve SYM verisi kullanılarak, görüntünün eCognition yazılımında çok çözünürlüklü bölütlemesi yapılmıştır. Bölütleme işleminde ölçek, şekil, yoğunluk ve katman ağırlığı parametreleri kullanılmıştır. Bu parametreler için değerler deneme yanılma yöntemiyle belirlenmiştir. İkinci adımda, görüntü başlangıçta en yakın komşu yöntemiyle sınıflandırılmış olup bunu bir kural-tabanlı sınıflandırma izlemiştir. Kural-tabanlı sınıflandırma sırasında, görüntü objelerinin uzaysal, geometrik, bağlamsal ve doku özelliklerinin yanısıra, görüntü objeleri arasındaki ilişkiler dikkate alınmıştır. Sınıflandırma işleminin gerçekleştirilmesinden sonra, bina sınıfı maskelenmiş ve bir son işlem olarak bina sınıfı üzerinde morfolojik açılma işlemi uygulanmıştır. Üçüncü adımda, manuel çizilmiş referans veri seti ile karşılaştırmak suretiyle, belirlenen bina sınıfının doğruluk değerlendirmesi yapılmıştır. Bu bağlamda, doğru pozitif, doğru negatif, yanlış pozitif, yanlış negatif, bina belirleme yüzdesi, ve kalite yüzdesi ölçüleri hesaplanmıştır. Ayrıca, rastgele örneklere dayalı bir hata matrisi oluşturulmuş ve bir genel doğruluk hesaplanmıştır. Dördüncü adımda, belirlenen bina sınıfı ile eski harita verisini karşılaştırmak suretiyle bina değişimleri tespit edilmiştir. Değişim belirleme işlemi ArcGIS yazılımında bir çakıştırma analizi vasıtasıyla gerçekleştirilmiştir. Belirlenen değişimler, yeni ve yıkılmış binalar olarak sınıflandırılmıştır. Diğer taraftan, daha önce olduğu gibi, ekranda değişimler manuel çizilerek oluşturulan referans veri seti kullanılarak, tespit edilen değişimlerin doğruluk değerlendirmesi de yapılmıştır. Deneysel sonuçlar, nesne-tabanlı sınıflandırma ve görüntü-harita karşılaştırması değişim belirleme yöntemlerinin her ikisinin yüksek çözünürlüklü uydu görüntüleri üzerindeki etkisini göstermektedir. Nesne-tabanlı sınıflandırma ile çıkarılmış bina sınıfı için, bina belirleme yüzdesi değeri % 82.21 olarak hesaplanmıştır. Benzer şekilde, tespit edilmiş değişen ve değişmeyen alanlar için bina belirleme yüzdesi değerleri sırasıyla % 86.06 ve % 70.64 olarak hesaplanmıştır. Çok çözünürlüklü bölütleme ve sonrasında karar-tabanlı sınıflandırma, binaların yüksek çözünürlüklü uydu görüntülerinden başarılı bir şekilde belirlenmesinde, oldukça etkili bulunmuştur. Fakat, etrafı sınıflandırma ve sonrasındaki değişim belirleme sonuçlarını güçlü bir şekilde etkileyen yüksek bitki ile çevrili binaların yanısıra, küçük ve belirsiz binalar için sınıflandırma performansı çok iyi değildir. Yüksek çözünürlüklü uydu verilerinin hassas orto-görüntüsünün sınıflandırmada kullanımı halinde bina belirleme ve sonrasında değişim belirlemenin her ikisinin doğruluk sonuçlarında artış olurdu. Sonuçlar, bu çalışmada sunulan yöntemin kentsel alanlarda bina değişimlerini belirlemede ve coğrafi veri tabanlarını güncellemede etkin bir şekilde kullanılabileceğini göstermektedir. Anahtar kelımeler: Değişim Tespiti, Nesne Tabanlı Sınıflandırma, Bina Tespiti, Coğrafi Veri Tabanı Güncelleme
Özet (Çeviri)
The automatic and accurate detection of buildings and the changes of buildings in urban environment is important for the efficient updating of geographic databases, decision makers, urban planning and management. In this study, building changes in a selected urban area in the Altındağ district of Ankara, Turkey were detected from a high resolution satellite imagery by using image to map comparison change detection technique. The data used include the WorldView2 satellite image acquired in 2010, the vector map data compiled in 2001, and DSM data generated from stereo aerial photographs taken in 2013. The method used in the study consists of four main steps. In the first step, a multiresolution image segmentation was carried out using the multispectral image bands and DSM data in eCognition software. In the segmentation process, the parameters scale, shape, compactness and layer weight were used. The values for these parameters were defined by trial and error analysis. In the second step, the image was initially classified using the nearest neighbour method, which was then followed by a rule-based classification. During rule-based classification, the spatial, geometrical, contextual and texure features of the image objects as well as the relations between them were considered. After performing the classification operation, the building class was masked out and a morphological opening operation was applied on building class as a post processing operation. In the third step, the accuracy assessment of the detected building class was performed by means of comparing it with the manually digitized reference data set. With this respect, true positive (TP), true negative (TN), false positive (FP), false negative (FN), building detection percentage (BDP) and quality percentage (QP) measures were computed. In addition, an error matrix was generated based on random samples and an overall accuracy was computed. In the fourth step, the building changes were detected by means of comparing the detected building class with the old vector map data. The change detection process was carried out in ArcGIS software by means of an overlay analysis. The detected changes were categorized into new buildings and demolished buildings. Moreover, the accuracy assessment of the detected changes was also carried out based on the accuracy measures same before using the change reference data set, which was generated by manually on screen digitization of the changes. Experimental results demonstrate the effectiveness of both object-based classification and image to map change detection methods in high resolution satellite imagery. For the building class extracted through object based classification, the building detection percentage (BDP) value was computed to be 82.21%. Similarly, the BDP values for the detected changed and unchanged areas were computed to be 86.06% and 70.64%, respectively. Multiresolution segmentation and the subsequent rule based classification were found to be quite efficient for successfully detecting buildings from high resolution satellite imagery. However, the classification performance was not quite good for small and unclear buildings as well as those buildings that are surrounded by high vegetation which strongly effects the results of classification and the subsequent change detection. The use of true orthoimagery of high resolution satellite data in classification would increase the accuracy results of both building detection and the subsequent change detection. The results demonstrate that the method presented in this study can be efficiently used to detect changes of buildings and update geodatabases in urban environment.
Benzer Tezler
- Building detection from very high resolution satellite images with deep learning approach
Derin öğrenme yaklaşımı ile çok yüksek çözünürlüklü uydu görüntülerinde bina tespiti
ESRA ÖZAYDIN
Yüksek Lisans
İngilizce
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Coğrafi bilgi sistemleri ve yüksek çözünürlüklü uydu görüntüleri kullanılarak kentsel alanlarda bina değişimi tespiti
Building change detection in urban areas using geographic information system and high resolution satellite image
REZA SHABANIZONOUZAAGH
Yüksek Lisans
Türkçe
2016
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA TÜRKER
- Yüksek mekansal çözünürlüklü uydu/uçak platformlu görüntüler ve CBS teknolojisi kullanılarak Van-Erciş depremi sonrası bina hasar tespiti
Determination of building damage after Van-Ercis earthquake by using very high resolution satellite/aircraft platforms and GIS technology
ASLI SABUNCU
Doktora
Türkçe
2018
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR
- An approach for automatic building extraction from high resolution satellite images using shadow analysis and active contours model
Gölge analizi ve aktif yükselti eğrileri modeli kullanarak yüksek çözünürlüklü uydu görüntülerinden otomatik bina çıkarımı için bir yaklaşım
SALAR GHAFFARIAN
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA TÜRKER
- Generalized texture models for detecting high-level structures in remotely sensed images
Uzaktan algılanan resimlerde üst düzey yapıları bulmak için genel doku modelleri
EMEL DOĞRUSÖZ
Yüksek Lisans
İngilizce
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. SELİM AKSOY