Ünite 7: Görüntü İşleme Doğruluk Analizi

Sınıflandırma İşleminde İstatiksel Ayrıntı

Sınıflandırma; bir veri içinde belirlenen özelliklere sahip gruplar oluşturan cisimlerin benzerliğinden yararlanarak kümeleme işlemidir. Otomatik sınıflandırma, verilen bir cisim kümesi içinde benzer objelerin homojen sınıfları oluşturması veya verilen cismin özelliğinden yola çıkarak birçok veya daha öncede tanımlanmış sınıfların oluşturulmasının matematik ve istatistik yöntemlerle gerçekleştirilmesidir.

Gerçekte sınıflandırma; fen ve mühendislik alanlarında kullanılan bir karar verme işlemidir. Görüntü sınıflandırma işleminde hedef, görüntüdeki bütün pikselleri arazide karşılık geldikleri temalar içine otomatik olarak atayarak ait oldukları koordinatlarda konumlandırmaktır. Uzaktan Algılamada, arazi kullanımı uydu görüntüleri sınıflandırılarak elde edilir. Elde edilen sonuçlar vektör veriye dönüştürülerek tematik haritalar elde edilir.

Görüntü, cisimlerden gelen veya yansıyan enerjinin algılanması ile oluşur. Görüntüdeki band sayısı, objelerin birbirinden ayırılmasını kolaylaştırır.

Uzaktan Algılama çalışmalarında ihtiyaç duyulan görüntüler, yeryüzüne ait çeşitli türde bilgi içermektedir. Bu bilgi, yeryüzünden yansıyan ya da yayılan enerjinin elektromanyetik spektrumun belli aralıklarında ölçülerek bandlara kaydedilmesi ile elde edilir. Her bir bandta, o bandın duyarlı olduğu spekral aralığa ait yansıma değerleri bulunur.

Cisimlerin konumları, atmosferik ve mevsimsel nedenler, aynı nesnelerin farklı yansıtma değerleri vermesine neden olur. Sınıflandırma işleminde; algılayıcı, algılama zamanı ve spektral bandların hedefe uygun olarak seçimi çok önemlidir.

Gerçekleştirilen Denetimli Sınıflandırma (Supervised Classification) ve Denetimsiz Sınıflandırma (Unsupervised Classification) işlemlerinin sonucunda ise, iki tip hataya rastlanmaktadır. Bunlar; Piksellerin yer alması gerekenden farklı bir sınıfa atanması. (error of comission) ve Piksellerin uygun bir sınıfa atanamamasıdır (error of omission).

Denetimsiz sınıflandırma yöntemleri içerisinde en yaygın olarak kullanılan ISODATA (Iterative Self Organizing Data Analyses Tecnique) “Tekrarlı veri Analizi Yöntemi”dır. Bu yöntem, tekrarlı olarak tüm sınıflandırmayı gerçekleştirme ve uygulanan her iterasyon sonrasında yeniden istatistik hesaplamasını temel alır. “Self Organizing” ise, minimum girdi ile kümelerin oluşturulması işlemidir.

Denetimsiz sınıflandırma; görüntüdeki veri tanımlanamadığında başvurulan yöntemdir. Bu yöntemde, arazi örtüsü tipinin bilinmesine gerek yoktur, öncelikle sınıf sayıları belirlenir.

Birçok yöntemin kullanıldığı, sınıflandırma doğruluğunun değerlendirilmesi işleminde, “sınıflandırılmış görüntü” ve “referans veri” olarak iki veri kümesine ait hata matrisi oluşturulmalıdır. Bunun için sınıflandırılmış görüntü, denetim alanı duyarlığında belirlenen kontrol alanları ile karşılaştırılır.

Confusion Matris

Sınıflandırma işleminde, hata analizinin en genel yapısı, sınıflandırma hata matrisleridir. Bu matrisler, Confusion matrix ya da olasılık tablosu olarak tanımlanır. Bu tablonun, satırlar ve sütunlarla gösterilen sınıflandırma sonuçlarında; satırlar sınıf verilerini, sütunlar da örnek noktaya dayalı yer gerçeklerini ifade eder. Hatalı sınıf yüzdesi, “commission error” olarak tanımlanmaktadır. Her sütunda bulunan ve diagonal matris dışında kalan elemanlar da sınıflandırılamamış pikselleri temsil eder. Hata yüzdesi de; “omission error” olarak tanımlanır. Bir sınıfa ait doğru piksellerin sayısı, bulunduğu satır üzerindeki tüm piksellere (sınıf içinde bulunan tüm piksellere) bölünürse; sonuç doğruluk “kullanıcı doğruluğu (user.s accuracy)” olarak tanımlanır ve commision error ölçütüdür. Sınıf içerisindeki tüm piksellerin sayısı, bulunduğu sütun içerisindeki tüm piksellerin sayısına bölünürse (o sınıfa ait referans verideki piksel sayısı) sonuç “Üretici hassasiyetini” (producer.s accuracy) verir ve referans verideki, sınıflandırmanın doğruluğudur ve “omission error” ölçütüdür.

Kappa Katsayısı

Uzaktan Algılama çalışmalarında, uydu görüntülerinden yararlanılarak tespit edilen, arazi örtüsü ve arazi kullanımı bilgilerinin doğruluk değerlendirilmesinde KAPPA ölçümü kullanılır. Bu ölçümde, matris içerisindeki yalnız diagonal elemanlar değil, tüm elemanlar kullanılmaktadır.

Bu hata matrisinin sütunları “referans verileri”, satırları ise “sınıflandırılmış görüntüyü” temsil etmektedir. Hata matrisi “Kappa katsayısı” ile istatistik olarak analiz edilmektedir. 0 ile 1 arasında değişen bu katsayı, hata matrisinin satır ve sütun toplamları ile köşegeni üzerindeki elemanlar kullanılarak hesaplanmaktadır. Test piksellerinin sayısının her bir sınıf için en az 50 adet olması önerilir

Görüntü İşleme-Doğruluk Analizi

Doğruluk analizi, uydu görüntülerinden elde edilen sınıflandırma sonuçlarının doğruluklarının belirlenmesini ve Uzaktan Algılama verilerinden elde edilen haritaların kalitesinin ve kullanılabilirliğinin değerlendirilmesini sağlar.

Sınıflandırma

Spektral Açı (Spectral Angle Mapper, SAM) algoritması, hiperspektral görüntülerde her piksel için bilinmeyen spektrum ile referans spektrumlar arasındaki spektral açıyı hesaplar. Buna göre bilinmeyen piksel, kendisi ile en az spektral açı değerine sahip olan referans spektruma (sınıfa) atanır.

Adım 1: “Raster/Raster Yöneticisi” işlemine girilir. “Referans Raster Veri Ekle” penceresinde örnek raster veri olan “Landsat_TM_541” dosyası seçilerek Netcad ekranına yüklenmesi sağlanır.

Adım 2: Sınıflandırma işleminin gerçekleştirilmesi için “NetRS/Sınıflandır” işlemine girilir. “Görüntü Sınıflandır” komut penceresindeki “Raster” menüsünün karşısında yer alan üç nokta ikonu seçilerek, ekrandaki raster veri tanıtılır.

Adım 3: “Görüntü Sınıflandır” komut penceresinde, sınıflandırmada kullanılacak yöntem olarak “Spektral Açı” (Spektral Angle Mapper-SAM), “Tolerans” olarak “0.600” değeri girilir. Sınıflandırmada kullanılacak olan sınıf tanımlarına ait kaydedilmiş “renk şeması” dosyası eklenir.

Adım 4: “Renk Şeması” yükleme işlemi sonrasında, “Sınıflandır” düğmesi seçilerek sınıflandırma işlemi tamamlanır. İşlem sonucu penceredeki “Sınıflandırılmış Görüntü” önizleme kısmında gözlenecektir.

Adım 5: Sınıflandırma sonucunda oluşan yeni raster verinin kaydedilmesi için “Görüntü Sınıflandır” komut penceresi “Tamam” ile kapatılır ve “Raster Sakla” komut penceresinde dosya adı ve türü belirtilerek işlem sonlandırılır.

Doğruluk Analizi

Adım 1: Sınıflandırma sonucu elde edilen raster veri, Netcad ekranına yüklenir ve “Doğruluk Analizi”nin yapılabilmesi için “NetRS/Doğruluk Analizi” işlemine girilir. Doğruluk Analizi işleminin yapılabilmesi için, sınıflandırma sonrasında elde edilen 8 bitlik raster veriler gereklidir.

Adım 2: İşlem içerisine girildiğinde ekrana gelen “Sınıflandırma Doğruluk Analizi” komut penceresinde farenin sağ tuşuna basılması ile, açılan menüden analiz edilecek noktaların “rastgele”, “grid” veya “ekrandan okuması” sağlanabilir. Menüden “Rastgele Nokta üret” seçilir ve “Nokta Üret” penceresinde “üretilecek nokta sayısı”, “20” olarak girilir.

Adım 3: Rastgele Nokta Üretme işlemi sonucunda program raster veri üzerine gelişigüzel nokta tanımları yapacaktır ve veri üzerinde bir sembol ile izlenebilecektir. Tanımlanan noktalar, sınıflandırma sonucunda hangi sınıfa dahil oldukları bilgisi “Sınıf Adı” kolonunda yer alacaktır.

Adım 4: Tanımlanan noktaya ait doğruluk analizinin yapılabilmesi için o nokta üzerinde sağ tıklandığında açılan menüden “Noktaya Git” seçilir.

Adım 5: Analiz aşamasında yardımcı olması açısından, raster verinin ilk hali de Netcad ekranında görüntülenir. Noktaya ait sınıf tanımı “Sınıf Adı” kolonunda doğru olarak belirtilmiş ise, “Referans Sınıf Adı” kolonuna aynı sınıf seçilir, eğer sınıf tanımı doğru değilse doğru sınıf olacak şekilde değişiklik yapılır.

Adım 6: Tüm noktalara ait sınıf tanımlarının doğrulukları kontrol edilerek “Doğruluk Analizi” işlemi tamamlanır.

Adım 7: Tanımlanan bu noktaların daha sonradan da kullanılabileceği düşünülerek kaydedilmesi gerekmektedir. Pencerede farenin sağ tuşuna tıklandığında açılan menüden “Noktaları Dosyaya Sakla” seçilir, dosya adı ve türü belirtilerek işlem tamamlanır.

Adım 8: Doğruluk Analizi sonrasında elde edilen bilginin rapor olarak hazırlanması için, farenin sağ tuşuna tıklandığında açılan menüden “Doğruluk Analizi Raporu” seçilir. Gelen rapor penceresinde işlem sonrasında hesaplanan “hata matrisi”, “toplam-kullanıcı” ve “üretim doğruluğu” ile “Kappa (K)” değerleri yeralmaktadır.

Adım 9: Analiz sonrasında elde edilen “Kappa (K) katsayısı” sınıflandırmanın doğruluğunu ağırlıklı olarak hesaplayan bir istatistiksel ölçü olarak kullanılır. Bulunan “K” değeri; 0.0 ise; sınıflandırılmış veri ile referans verisi arasında uyuşma olmadığını, 0.4 ve aşağı ise; sınıflandırma performansının yetersiz olduğunu, 0.75 ve fazlası ise; sınıflandırma performansının çok iyi olduğunu, 1.0 ise tam uyuşma olduğunu göstermektedir.