Dergiler / Geomatik / 2019 / Cilt: 4 - Sayı: 3

Kaynaştırılmış Görüntülerden Elde Edilen Doku Özellikleri ile DVM Sınıflandırma Performansının İyileştirilmesi

Sayfa
190–200
Yayın Tarihi
2022-10-19
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Deneysel sonuçlar bütün kaynaştırma yöntemlerinden elde edilen doku özelliklerinin sınıflandırma doğruluğunu belli bir oranda arttırdığını göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Uzaktan algılanmış görüntülerden elde edilen doku bilgisi yardımıyla yüksek doğruluklu arazi örtüsü haritalarının üretilmesi mümkündür.
📊
Temel Bulgular & Veri:Bu çalışmada Brovey, Multiplicative (MCV), PCA (Principal Component Analysis), Gram-Schmidt (GS), HPF (High-Pass Filtering), Wavelet, Ehlers ve HCS (Hyperspherical Colour Sharpening) kaynaştırma yöntemleri kullanılarak bir WorldView-2 ÇB görüntüsü ile bir WorldView-2 PAN görüntüsü kaynaştırılmıştır.
💡
Sonuç & Katkı:Deneysel sonuçlar bütün kaynaştırma yöntemlerinden elde edilen doku özelliklerinin sınıflandırma doğruluğunu belli bir oranda arttırdığını göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:görüntü kaynaştırma · doku özelliklerinin hesaplanması · görüntü sınıflandırma

Özet

Uzaktan algılanmış görüntülerden elde edilen doku bilgisi yardımıyla yüksek doğruluklu arazi örtüsü haritalarının üretilmesi mümkündür. Kaynaştırılmış bir görüntüdeki doku bilgisinin sınıflandırma işlemine entegre edilmesinin sınıflandırma işleminin doğruluğuna olumlu yönde katkı yapması muhtemeldir. Bu çalışmada Brovey, Multiplicative (MCV), PCA (Principal Component Analysis), Gram-Schmidt (GS), HPF (High-Pass Filtering), Wavelet, Ehlers ve HCS (Hyperspherical Colour Sharpening) kaynaştırma yöntemleri kullanılarak bir WorldView-2 ÇB görüntüsü ile bir WorldView-2 PAN görüntüsü kaynaştırılmıştır. Elde edilen kaynaştırılmış görüntüler Watershed bölütleme (WB) algoritması ile bölütlenmiştir. Elde edilen bölütlerden dört adet eşdizimlilik doku özelliği çıkartılmıştır. Çıkartılan bu doku özellikleri destek vektör makineleri (DVM) sınıflandırıcısına entegre edilerek görüntü üzerindeki sınıfların birbirinden ayrılabilirliğinin arttırılması irdelenmiştir. Deneysel sonuçlar bütün kaynaştırma yöntemlerinden elde edilen doku özelliklerinin sınıflandırma doğruluğunu belli bir oranda arttırdığını göstermektedir. Wavelet ve Ehlers kaynaştırma yöntemlerinden elde edilen doku özelliklerinin sınıflandırma doğruluğunu %20.4 ve %18.9 oranında arttırarak bu alanda en başarılı kaynaştırma yöntemleri oldukları tespit edilmiştir.

🔖

Bu Makaleye Atıf Yap

YILMAZ, V. (2022). Kaynaştırılmış Görüntülerden Elde Edilen Doku Özellikleri ile DVM Sınıflandırma Performansının İyileştirilmesi. Geomatik, Cilt: 4 - Sayı: 3, 190–200. https://ajindex.com/articles/524756

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Akar, Ö., ve Güngör, O. (2015). Integrating multiple texture methods and NDVI to the Random Forest classification algorithm to detect tea and hazelnut plantation areas in northeast Turkey. International Journal of Remote Sensing, 36 (2), 442-464.
  2. Amarsaikhan, D., ve Douglas, T. (2004). Data fusion and multisource image classification. International Journal of Remote Sensing, 25 (17), 3529-3539.
  3. Anys, H., Bannari, A., He, D.C., ve Morin, D. (1994). Texture analysis for the mapping of urban areas using airborne MEIS-II images. 1st International Airborne Remote Sensing Conference and Exhibition, 3, 231-245.
  4. Blum, R.S., ve Liu, Z. (2005). Multi-sensor image fusion and its applications. CRC press. Chavez, A., ve Kwarteng, P. (1989). Extracting spectral contrast in Landsat Thematic Mapper image data using selective principal component analysis. Photogrammetric Engineering & Remote Sensing, 55, 339-348.
  5. Colditz, R.R., Wehrmann, T., Bachmann, M., Steinnocher, K., Schmidt, M., Strunz, G., ve Dech, S. (2006). Influence of image fusion approaches on classification accuracy: a case study. International Journal of Remote Sensing, 27 (15), 3311-3335.
  6. Congalton, R.G., ve Green, K. (1999). Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. Boca Raton, FL: Lewis. Crippen, R.E. (1989). A simple spatial filtering routine for the cosmetic removal of scanline noise from Landsat TM P-tape imagery. Photogrammetric Engineering & Remote Sensing, 327-331.
  7. Ehlers, M. (2004). Spectral characteristics preserving image fusion based on Fourier domain filtering. Remote Sensing for Environmental Monitoring, GIS Applications, and Geology IV, 5574, 1-14.
  8. Erdas Imagine Field Guide, Leica Geosystems. Gangkofner, U.G., Pradhan, P.S., ve Holcomb, D.W. (2007). Optimizing the high-pass filter addition technique for image fusion. Photogrammetric Engineering & Remote Sensing, 73 (9), 1107-1118.
  9. Gauch, J.M. (1999). Image segmentation and analysis via multiscale gradient watershed hierarchies. IEEE Transactions on Image Processing, 8 (1), 69-79.
  10. Gungor, O. (2008). Multi sensor multi resolution image fusion. PhD thesis, Purdue University. Hallada, W.A., ve Cox, S. (1983). Image sharpening for mixed spatial and spectral resolution satellite systems”. 17th International Symposium on Remote Sensing of Environment, Ann Arbor, MI, 1023-1032.
  11. Haralick, R.M., Shanmugam, K., ve Dinstein, I.H. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybe