AI Summary & Key Takeaways
AI InsightResults indicated that with the use of different scale parameters, significant improvements were achieved in the estimated classification accuracies of SVM and NN algorithms up to 6% and 3%, respectively.
📌 3 Key Takeaways
Abstract
In recent years, instead of traditional pixel-based approach, object-based approach has significantly gained importance for the classification of high spatial resolution satellite image. Object-based image analysis consists of two major processing steps. First one is the segmentation step comprising homogenous image objects creation operations through the grouping set of pixels having similar spectral features. Second one is the classification of created image objects based on their spectral, statistical, geometric and relational features. Because of the fact that image objects are considered as the basic classification units in the classification process, accuracy of object-based image analysis is directly related to the quality of segmentation process. In segmentation process, image objects are created based on three parameters known as scale, shape and compactness. Within these parameters, determination of scale parameter controlling the relative size of image objects has a great importance for the success of the segmentation. This study addresses the problem of the classification of high resolution WorldView-2 imagery using objectbased approach. The idea of determine different scale parameters, instead of selecting a single scale parameter for a whole image, considering the spatial distribution of natural and artificial surface objects on the image is proposed. Nearest neighbor (NN) and support vector machine (SVM) algorithms were used for the classification of image objects generated from the single scale and different scale parameters. Results indicated that with the use of different scale parameters, significant improvements were achieved in the estimated classification accuracies of SVM and NN algorithms up to 6% and 3%, respectively. The improvements in the performances of the algorithms were also found to be statistically significant considering the McNemars test results.
Özet
Son yıllarda yüksek konumsal çözünürlüklü uydu görüntülerinin sınıflandırılmasında geleneksel piksel tabanlı sınıflandırma yaklaşımı yerine obje tabanlı yaklaşımın kullanımı önem kazanmıştır. Obje tabanlı görüntü analizi iki temel işlem adımından oluşur. Bunlardan ilki benzer spektral özelliklere sahip piksellerin gruplandırılarak homojen yapılı görüntü objelerinin oluşturulmasını içeren segmentasyon işlemidir. İkincisi ise oluşturulan görüntü objelerin spektral, istatistiksel, geometrik ve ilişkisel özelliklerinden yararlanarak gerçekleştirilen sınıflandırma işlemidir. Sınıflandırma işleminde üretilen görüntü objeleri temel sınıflandırma birimi olarak değerlendirmeye alındığından, obje tabanlı görüntü analizinin doğruluğu segmentasyon işleminin kalitesi ile doğrudan ilişkilidir. Görüntü segmentasyonu ölçek, şekil ve yoğunluk olarak bilinen üç farklı parametre yardımıyla gerçekleştirilmekte olup, bunlar arasında görüntü objelerinin büyüklüğünü kontrol eden ölçek parametresinin tespiti segmentasyonun başarısı açısından büyük bir öneme sahiptir. Bu çalışmada yüksek çözünürlüklü WorldView-2 uydu görüntüsünün obje tabanlı yaklaşımla sınıflandırılması problemi ele alınmıştır. Bu çalışmada, görüntü segmentasyonu işleminin gerçekleştirilmesinde tüm görüntü için tek bir ölçek parametresi uygulamak yerine, görüntüdeki doğal ve yapay nesnelerin dağılımları göz önüne alan bölgesel ölçek parametresi kullanımı önerilmiştir. Tek ölçek parametresi ve farklı ölçek parametreleri ile oluşturulan görüntü objelerinin sınıflandırılmasında en yakın komşuluk (EYK) ve destek vektör makineleri (DVM) algoritmaları kullanılmıştır. Sonuçlar, farklı ölçek parametreleri kullanımıyla DVM ve EYK algoritmalarının hesaplanan sınıflandırma doğruluklarında %6 ve %3e varan seviyede önemli iyileşmeler olduğunu göstermektedir. McNemars testi sonuçlarına göre algoritmaların sınıflandırma performansındaki bu artışların istatistiksel olarak anlamlı olduğu ortaya koyulmuştur.