Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightDiğer sınıflandırma sonuçlarına kıyasla, segmentasyon sonrası yapılan sınıflandırma sonucunun, sınıflandırma doğruluğunu artırdığı gözlemlenmiştir.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, yüksek çözünürlüklü uydu görüntüleriyle arazi kullanımı/örtüsü sınıflandırmasında, mekansal çözünürlüğün ve görüntü homojenleştirmesinin, sınıflandırma doğruluğuna etkisini araştırılmayı amaçlanmıştır. Çalışma Ankara’nın Çankaya ilçesindeki küçük bir test alanına uygulanmıştır. Bu uygulamada yüksek çözünürlüğe sahip QuickBird uydu görüntüsünün 2.4 m çözünürlüğe sahip MSS bantları ve 0.64 m çözünürlüğe sahip pankromatik bandı kullanılmıştır. Çalışmanın ilk adımı, QuickBird görüntüsünün En Büyük Olasılık Yöntemi (EOY) sınıflandırma metoduyla sınıflandırılmasını ve sınıflandırma doğruluğunun gerçek yer verileriyle test edilmesini içermektedir. Buna göre MSS bantları ile elde edilen sınıflandırma doğruluğu yaklaşık % 73, kappa istatistiği ise % 64 olarak hesaplanmıştır. İkinci adımda mekansal çözünürlüğün sınıflandırma doğruluğuna olan etkisi araştırılmıştır. Bu nedenle görüntü, keskinleştirme işlemi yapıldıktan sonra EOY ile sınıflandırılmış, ve doğruluğu test edilmiştir. Keskinleştirilmiş görüntü sınıflandırması sonucu doğruluğun % 73, kappa istatistiğinin ise % 65’ olduğu görülmüştür. Son adımda ise sınıflandırma obje tabanlı segmentasyon metodu ile desteklenmiştir. Diğer sınıflandırma sonuçlarına kıyasla, segmentasyon sonrası yapılan sınıflandırma sonucunun, sınıflandırma doğruluğunu artırdığı gözlemlenmiştir. Buna göre, MSS bantları kullanılarak segmentasyon sonrası yapılan sınıflandırma sonucunda tüm doğruluğun yaklaşık %.77’ ye kappa istatistiğinin ise % 69’a, keskinleştirilmiş bantlar kullanılarak yapılan segmentaston sonrası sınıflandırmada ise tüm doğruluğun %79’a ve kappa istatistiğinin ise % 73’e kadar arttığı görülmüştür. Sonuçlar, sınıflandırma doğruluğunun görüntü homojenleştirilmesi ile arttığını göstermiştir ki, bu da yüksek çözünürlüklü uydu görüntülerinden arazi kulanımı sonucu elde edilen objelerin, başarılı şekilde elde edilmesini sağlamıştır.
Abstract
In this study, it is aimed to investigate the effect of spatial resolution and image segmentation to land use/cover classification accuracy in high-resolution satellite images. The study is applied to a test region at Çankaya district of Ankara. In this study, the multispectral QuickBird with 2.4 m and pan image with 0.64 m resolutions are used. The first step of the study involves, classification of QuickBird image with Maximum Likelihood Classification (MLC) method and then analyzing the accuracy with the ground truth data. According to classification of MSS bands, the overall and kappa accuracy is % 73, and %64 respectively. Then in the second step, the effect of spatial resolution on the accuracy of the classification is analyzed. Hence, the image is Pansharpened and then classified with MLC. According to result of this classification the overall and kappa classification accuracy is improved to % 73 and % 65 respectively. In the last step the classification method is supported with the object based segmentation technique. The accuracy of the results is improved much more by the application of an object based segmentation compared to the previous classification results. According to results of classification after object based segmentation of MSS bands the overall and kappa classification accuracy is improved to % 77 and % 69 respectively. On the other hand, classification after object based segmentation of Pansharpened bands the overall and kappa classification accuracy is improved to % 79 and % 73 respectively. The results show that the classification accuracy increased by the image segmentation and this provide detecting and delineating the land use features from high resolution satellite images with much more satisfaction. Key words: Land Use Classification, Maximum Likelihood Classification (MCL), Segmentation Method, Image Pan sharpening, Classification Accuracy.