Geri Dön

Nesne tabanlı sınıflandırma yöntemlerinin karşılaştırılması

Comparison of object based classification methods

PDF İndir

  1. Tez No: 476250
  2. Yazar: TOLGA KAYNAK
  3. Danışmanlar: PROF. DR. COŞKUN ÖZKAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 144

Özet

Uyduların ortaya çıkması ile birlikte geçmişten günümüze önemli ölçüde uydu görüntülerinde değişiklikler olmuştur. Başlangıçta askeri amaçlı gönderilen uydular daha sonra meteorolojik, arazi örtüsü veya arazi kullanımı gibi amaçlarla gönderilmiştir. Bu gelişmeler neticesinde uzaktan algılamanın kullanım alanları da önemli ölçüde artmıştır. Uzaktan algılama hızlı ve düşük maliyetli olması gibi sebeplerle birçok çalışmada büyük öneme sahiptir. Arazi örtüsü veya arazi kullanımı uzaktan algılamanın önemli alanlarından biridir. Uzaktan algılama da bu işlem genellikle sınıflandırma yapılarak arazinin tematik haritasının üretimine dayanır. Bu tez kapsamında nesne tabanlı sınıflandırmada kullanılan yöntemlerden en yakın yakın komşuluk ve bulanık mantık yöntemlerinin karşılaştırılması amaçlanmıştır. Tez çalışmasında bu sebeple kontrolsüz ve nesne tabanlı sınıflandırma teknikleri kullanılmıştır. K-means algoritması ile sırasıyla 6, 7, 8, 9, 10, 11 ve 12 sınıf için ayrı ayrı sınıflandırma yapılmıştır. Ağaç, tarım alanı ve yeşil alan aynı sınıflandırma alanına atanmış gibi göründüğü için 9 sınıfla yapılan kontrolsüz sınıflandırma referans alınarak görüntümüzde 11 farklı sınıf olabileceği keşfedilmiştir. Sınıf sayısını belirledikten sonra nesne tabanlı sınıflandırmanın ilk aşaması olan segmentasyon aşaması gerçekleştirilmiştir. Segmentasyon aşaması sadece eCognition programında yapılmamış aynı zamanda Matlab 2017a, ENVI 5.3, ArcGIS 10.5 yazılımları ve Open Street Map sitesinden alınan vektör veriler kullanılmıştır. Bu vektör veri GlobalMapper 17 yazılımı kullanılarak elde edilmiştir. Segmentasyon aşamasında uygun parametreleri seçmek için bu parametrelere birkaç farklı değer vererek en uygun parametre seçimi yapılmıştır. Bu programların ne amaçla ve nasıl kullanıldığı hakkında detaylı bilgi uygulama bölümünde verilmiştir. Hem en yakın komşuluk hem de bulanık mantık yöntemiyle yapılan sınıflandırmada ilk aşama olan segmentasyon aşaması aynı görüntü üzerinde çalışıldığı için ortak kullanılmıştır. En yakın komşuluk yönteminde her bir sınıf için sınıfın büyüklüğüne göre eğitim verileri seçilmiştir. Örneğin su kanalı için 16 eğitim verisi seçilirken yol için 200 veri seçilmiştir. Eğitim verileriler seçildikten sonra her bir sınıf için ayırt edici parametreler ve bu parametrelere göre eşik değer analizi uygulanarak görüntü sınıflandırılmıştır. Bulanık mantıkla sınıflandırma yönteminde ise eğitim verisi seçmek tamamen kişiye bağlıdır. Eğer eğitim verisi seçilirse seçilen eğitim verilerine göre üyelik fonksiyonu belirlenir ve bu fonksiyonlara göre sınıflandırma işlemi gerçekleştirilir. Eğitim verisi seçilmediği takdirde üyelik fonksiyonları sırasıyla seçilerek sınıflandırma işlemi yapılır ve en doğru sınıflandırma sonucunu hangi üyelik fonksiyonu verirse o fonksiyon kullanılır. Doğruluk analizi de bu sonuç sınıflandırmaya göre yapılarak sınıflandırma işlemi bitirilir. Bu çalışmada hem KNN hem de bulanık mantık yöntemine göre sınıflandırma işlemi gerçekleştirilerek bu yöntemlerin doğrulukları karşılaştırılmıştır. Ağaç, tarım alanı, yeşil alan gibi benzer spektral özelliğe sahip sınıfları ayırt etmede KNN yönteminin daha iyi sonuç verdiği ve benzer spektral özelliğe sahip olmayan yol, çatı ve bina sınıfların ayırt edilmesinde bulanık mantık yönteminin daha iyi sonuç verdiği tespit edilmiştir.

Özet (Çeviri)

With the emergence of the satellites, there have been significant changes in satellite images from the past to the present day. At the beginning, the satellites sent for geodetic purposes were then sent for purposes such as meteorological, land cover or land use. As a result of these developments, the usage areas of remote sensing have also increased considerably. Remote sensing is of great importance in many studies for reasons such as being fast and cost-effective. Land cover or land use is one of the important areas of remote sensing. In remote sensing, this process is usually based on the production of map thematic maps by classification. In this thesis, it is aimed to compare the nearest neighborhood and fuzzy logic methods from the methods used in object-based classification. For this reason uncontrolled and object based classification techniques are used in the thesis study. K-Means algorithm was used to classify 6, 7, 8, 9, 10, 11 and 12 classes respectively. It has been discovered that there may be 11 different classes in the picture, with reference to the uncontrolled classification of 9 classes as the tree, agricultural area and greenery seem to be the same class. After determining the number of classes, the segmentation phase, which is the first step of object-based classification, has been realized. The segmentation phase was not only performed in the Ecognition program, but also vector data from Matlab 2017a, ENVI 5.3, ArcGIS 10.5 software and vector data taken from Open Street Map web site were used. This vector data was obtained using GlobalMapper 17 software. In order to select the appropriate parameters during the segmentation phase, the most appropriate parameters are selected by giving a few different values to these parameters. Detailed information about the purpose and how these programs are used is given in the application section. The segmentation phase, which is the first stage in classification by both nearest neighbors and fuzzy logic methods, is commonly used because it is studied on the same image. In the nearest neighbors method, training data is given for each class according to the size of the class. For example, while 16 training data for the water channel were selected, 100 data were selected for the path. After selecting the samples, the image is classified by applying a threshold for each class over certain parameters. In the fuzzy logic classification method, choosing the training data depends entirely on you. If you choose training data, you can set the parameters used to separate the classes according to the training data and determine the threshold values. However, if you do not choose training data, you can also determine the appropriate threshold value by using the extracted map according to the threshold value of the program. In this study, the threshold value was determined by testing in both methods and classified by selecting appropriate functions such as gauss and linear intervals according to fuzzy logic over these threshold values.

Benzer Tezler

  1. Tez No

    545364

    Nesne ve piksel tabanlı sınıflandırma yöntemlerinin karşılaştırılması: Baqubah şehri örneği

    Comparison of object and pixel based classification techniques: Example of Baqubah city

    MOTHANA AL-KARKHI

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Mühendislik BilimleriErciyes Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA KURBAN

  2. Tez No

    568707

    İnsansız hava aracı ve yüksek çözünürlüklü uydu verilerinin değerlendirilmesinde piksel ve nesne tabanlı sınıflandırma yöntemlerinin karşılaştırılması

    Comparison of pixel and object-based classification methods in the evaluation of unmanned aerial vehicle and high resolution satellite data

    MESUT ÇOŞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Mühendislik BilimleriAkdeniz Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    PROF. DR. NAMIK KEMAL SÖNMEZ

  3. Tez No

    506577

    Sulama sonrası Harran Ovası tarımsal arazilerdeki yapılaşmanın piksel tabanlı / nesne tabanlı sınıflandırma yöntemleri ile belirlenmesi ve iki yöntemin karşılaştırılması

    Mapping of settelments at the Harran Plain after irrigation using pixel and object based classification systems and comparison of two methods

    AYDIN AYDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilim ve TeknolojiHarran Üniversitesi

    Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı

    PROF. DR. MEHMET ALİ ÇULLU

  4. Tez No

    565448

    Sparsity based pansharpening and a new pansharpening method using a guiding image

    Seyreklik tabanlı pankeskinleştirme ve kılavuz görüntü kullanan yeni bir pankeskinleştirme yöntemi

    RONGLEI JI

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    İletişim Bilimleriİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. ENDER METE EKŞİOĞLU

  5. Tez No

    593777

    CUDA based real time implementation ofregion covariance descriptors

    Alan kovaryans matrislerinin CUDA tabanlıgerçek zamanlı paralel hesaplanması

    MUHAMMET ALİ ASAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ADNAN ÖZSOY

Geri Dön