Nesne tabanlı görüntü analizinde ölçek ve eğitim seti boyutunun sınıflandırma doğruluğuna etkilerinin araştırılması
Investigation of the effects of scale and training set size on classification accuracy in object based image analysis
- Tez No: 581914
- Danışmanlar: DOÇ. DR. İSMAİL ÇÖLKESEN
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: 62
Özet
Son yıllarda, yüksek konumsal çözünürlüğe sahip uydu görüntülerinin sınıflandırılmasında klasik piksek tabanlı sınıflandırma yaklaşımı yerine nesne tabanlı sınıflandırma yaklaşımı tercih edilmeye başlanmıştır. Nesne tabanlı sınıflandırma analizlerinde benzer piksellerin bir grup altında bir araya getirilmesi için kullanılan segmentasyon işleminin gerçekleştirilmesinde, üretilecek görüntü nesnesi boyutunu belirleyen ölçek parametresinin tespiti önemli bir husustur. Bununla birlikte nesne tabanlı sınıflandırma bir kontrollü sınıflandırma tekniği olduğundan kullanılacak algoritmanın eğitimi ve testi için kullanılacak örnek sayısı sınıflandırma doğruluğuna etki edebilecek diğer önemli bir husustur. Bu çalışmada, segmentasyon parametreleri ve eğitim veri seti boyutu arasındaki ilişki incelenmiştir. Temel veri seti olarak 2018 tarihli Sentinel-2 uydu görüntüsü kullanılmıştır. Görüntü segmentasyonu için ölçek parametrelerini belirlemede ESP-2 ve Moran's I yöntemi kullanılmıştır. ESP-2 algoritması ile muhtemel ölçek parametreleri 32, 59, 77, 94 ve Moran's I yöntemiyle de 20 olarak belirlenmiştir. Örnekleme oranının nesne tabanlı sınıflandırma doğruluğu üzerindeki etkisini değerlendirmek ve her ölçek parametresi için en iyi örnekleme oranını belirlemek için, sekiz örnekleme oranı (10:90, 20:80, 30:70, 40:60, 50:50, 60:40, 70:30, 80:20) göz önünde bulundurularak eğitim ve test veri setleri oluşturulmuştur. Oluşturulan segmentlerin sınıflandırılmasında ve tematik harita üretiminde en yakın komşuluk (EYK), karar ağaçları (KA), rastgele orman (RO), AdaBoost (hızlandırma) algoritmalarından yararlanılmıştır. Sonuçlar, AdaBoost algoritmasının sınıflandırma performansının, her bir ölçek parametresi ve sınırlı eğitim örnekleri için EYK, KA ve RO performanslarına göre daha üstün olduğunu gösterdi. En yüksek toplam doğruluk AdaBoost ile ölçek parametresi 20 ve örnekleme oranı 70:30 için %89,02 olarak hesaplanmıştır. Eğitim veri seti boyutundaki artış ile sınıflandırma performansının belirli bir düzeye kadar arttığı gözlenmiştir. Çalışma sonuçları ölçek parametresi ve eğitim veri seti boyutundaki değişimlerin obje tabanlı sınıflandırma doğruluğuna etkileri açısından önemli bilgiler sağlayacaktır.
Özet (Çeviri)
In recent years, instead of traditional pixel-based classification approach, object-based classification approach is preferred for especially classification of the high spatial resolution satellite imagery. Determination of the optimal scale parameter identifying image object size for segmentation process aiming to combine pixels having similar characteristics into a group is an important issue in performing effective object-based image analysis. Due to object-based method is a supervised image classification technique, the number of samples to be used for the training of the algorithm is another important issue that can affect the classification accuracy. In this study, the relationship between scale parameter and the training set size was investigated. The Sentinel-2 satellite image acquired in 2018 was used as a main input dataset. The ESP-2 and Moran's I methods were used to determine the optimal scale parameters for image segmentation process. The optimal scale parameters were estimated by the ESP-2 algorithm as 32, 59, 77, 94 while the scale parameter was determined as 20 with the Moran's I method. In order to assess the effect of sampling ratio on object-based classification accuracy and to determine the best sampling ratio for each scale parameter, training and testing datasets were formed considering the eight sampling ratios as 10:90, 20:80, 30:70, 40:60, 50:50, 60:40, 70:30 and 80:20. For the classification of segmented image objects and to produce land use and land cover thematic map, nearest neighbour (NN), decision trees (DT), AdaBoost and random forest (RF) algorithms were used. Results showed that the classification performance of the AdaBoost algorithm was found to be superior compared to those of NN, DT and RF for each scale parameter and for the case of limited training samples. The highest overall accuracy was estimated with AdaBoost as 89.02% for scale parameter 20 and sampling ratio of 70:30. Moreover, it was observed that the performance of the algorithms increased to a certain level with the increase in the size of the training dataset. The results of the study will provide important information on the effects of scale parameters and changes in the size of the training dataset to the object-based classification accuracy.
Benzer Tezler
- Crowd localization and counting via deep flow maps
Derin öğrenme ile çıkarılan hareket haritaları kullanılarak nesne kalabalıklarının tespiti ve sayımı
PEDRAM YOUSEFI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL
- Efficient deep learning approaches for signal and image analysis applications
Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları
ONUR CAN KOYUN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models
Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma
NEŞE GÜNEŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Abdominal image segmentation and visualization using hierarchical neural networks
Hiyerarşik sinir ağları ile abdominal görüntü bölütleme ve üç boyutlu görüntüleme
MUSTAFA ALPER SELVER
Doktora
İngilizce
2010
Elektrik ve Elektronik MühendisliğiDokuz Eylül ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CÜNEYT GÜZELİŞ
- Tarımsal alanlarda IKONOS uydu görüntüsünden nesne tabanlı ürün deseni tespiti
Object-based crop pattern detection from IKONOS satellite images in agricultural areas
BESTE TAVUS
Yüksek Lisans
Türkçe
2017
Jeodezi ve FotogrametriAksaray ÜniversitesiJeodezi ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
YRD. DOÇ. DR. KAMİL KARATAŞ