KARADENİZ TEKNİK ÜNİVERSİTESİ

HARİTA MÜHENDİSLİĞİ BÖLÜMÜ
UZAKTAN ALGILAMA

Kontrollü Sınıflandırma (Supervised Classification)

Kontrollü sınıflandırma, bir veri kümesindeki pikselleri kullanıcı tanımladığı eğitim verilerine
dayalı olarak sınıflara atanması işlemidir. Eğitim verileri bir ROI dosyasından veya resimde
oluşturduğunuz bölgelerden gelebilir.Kontrollü sınıflandırma yapabilmek için ilk olarak eğitim
verilerinin oluşturulmuş olması gerekir.

Support Vector Machine (Destek Vektör Makineleri) ile sınıflandırma;

Destek Vektör Makinesi (SVM), karmaşık ve gürültülü verilerin sınıflandırmasında istatistiksel
öğrenme teorisinden türetilmiş çok iyi sınıflandırma sonuçları üretebilen kontrollü bir
sınıflandırma yöntemidir. Sınıfları, sınıflar arasındaki ayırım maksimum olacak şekilde bir karar
yüzeyine ayırır.Bu yüzeye optimum hyperplane denir ve bu hyperplane’e en yakın olan veriler
destek vektörleri (support vector) olarak adlandırılır. Destek vektörleri, eğitim setinin kritik
unsurlarıdır.

Sınıflandırma için Altyapı
SVM'yi, doğrusal olmayan çekirdeklerin kullanılmasıyla doğrusal olmayan bir sınıflandırıcı
haline getirmek için uyarlayabilirsiniz. SVM, en basit haliyle bir ikili sınıflandırıcı iken, birkaç
ikili SVM sınıflandırıcısını birleştirerek çok sınıflı bir sınıflandırıcı olarak işlev görebilir (her olası
sınıf çifti için bir ikili sınıflandırıcı oluşturarak). ENVI'nin SVM'nin uygulanması çok sınıflı
sınıflandırma için çiftli sınıflandırma stratejisini kullanır.
SVM aşağıda tanımlanan bir dizi parametreleri içerir.

Kernel Type (Çekirdek Tipleri)
Hedef sınıfları tahmin etmede yakındaki veri noktalarının ağırlıklarını veren bir çekirdek işlevini
matematiksel olarak temsil etmek için farklı seçenekler mevcuttur. Çoğu durumda Radyal
Basis Function (RBF, varsayılan) çekirdek türü iyi çalışır. Her çekirdek işlevinin matematiksel
tanımları aşağıdaki gibidir:

DERS SORUMLUSU: Doç. Dr. Oğuz GÜNGÖR, Yrd. Doç. Dr. Esra TUNÇ GÖRMÜŞ
DERS YARDIMCISI: Arş. Gör. Ekrem SARALIOĞLU

Bu. DERS SORUMLUSU: Doç. Gör. eğitim hatalarına izin verme ile katı marginler arasındaki dengeyi kontrol eder. Oğuz GÜNGÖR. 1. Bu parametrenin arttırılması. 1 değeri. Bias in Kernel Function Polinom ve Sigmoid çekirdek işlevlerindeki "r" terimi çekirdek hatasını temsil eder. KARADENİZ TEKNİK ÜNİVERSİTESİ HARİTA MÜHENDİSLİĞİ BÖLÜMÜ UZAKTAN ALGILAMA Degree of Kernel Polynomial (Çekirdek Polinom Dereceleri) Polinom çekirdeği işlevindeki d terimi. ancak sınıflandırmayı gürültüye geçirme riski taşırsınız. yüksek düzeyde bir çeşitlilik ve karışık piksel içeren görüntülerle çalışırsınız. sınıflar arasındaki sınırı daha doğru bir şekilde tanımlar. çekirdek polinomunun derecesini temsil eder. Radyal Taban Fonksiyonu ve Sigmoid çekirdek fonksiyonlarındaki "g" terimi gama parametresini temsil eder. Yrd. Ancak çoğu durumda. aslında iki sınıf arasında düz bir çizgi olan birinci dereceden bir polinom fonksiyonunu temsil eder. Pikseller ve sınıflar ne kadar fazla olursa sonuçlar da o kadar iyi olur. Dr. ayrılabilir olmayan eğitim setleri için özellikle önemli olan belirli bir yanlış sınıflandırma derecesine olanak tanır. Dr. Doç. Bu değeri artırmak aynı zamanda yanlış sınıflandırma maliyetini arttırır ve iyi genelleme yapmayan bir model oluşturur. Her sınıf için eğitim bölgeleri tanımlamak için ENVI ROI Aracını kullanın. Gamma in Kernel Function Polinom. Birbirinden farklı iki ayırd edici sınıf olduğunda 1 değeri iyi çalışır. algoritmanın sınıflar arasındaki kontürleri daha doğru bir şekilde takip etmesini sağlar. Penalty Bu parametre. Polinom değerini arttırmak. Esra TUNÇ GÖRMÜŞ DERS YARDIMCISI: Arş. Ekrem SARALIOĞLU .

Dr. 3. Oğuz GÜNGÖR.Görüntüdeki deniz kısmından pikseller çevrilmiş ve ROI name olarak deniz yazılmış ve rengi mavi yapılmıştır. DERS SORUMLUSU: Doç. ROI aracından Geometry kısmında polygon şeklini seçin ve görüntünüzdeki oluşturacağınız sınıflardan birini görüntü üzerinde mausenizi tıklayrak çevirin en sağ mausenin sağ tuşuna basın ve complete polygona tıklayın. KARADENİZ TEKNİK ÜNİVERSİTESİ HARİTA MÜHENDİSLİĞİ BÖLÜMÜ UZAKTAN ALGILAMA 2. Yrd. Örnek eğitim pikseli toplama yukardaki resimde gösterildiği gibidir.ROI name kısmına sınıfınızın adını yazın ve rengini ayarlayın. Ekrem SARALIOĞLU . Sizde kendi görüntünüze göre eğitim pikselleri toplayın.New ROI’ ye tıklayarak diğer sınıflarınızı da bu şekilde oluşturun. Gör. Aşağıdaki şekilde toplanmış eğitim sınıfları görünmektedir. Esra TUNÇ GÖRMÜŞ DERS YARDIMCISI: Arş. Doç. Dr.

KARADENİZ TEKNİK ÜNİVERSİTESİ HARİTA MÜHENDİSLİĞİ BÖLÜMÜ UZAKTAN ALGILAMA 3. Gamma in Kernel Function =0. Dr. Kernel Type = Radial Basis function 7. Dr. Not:USGS ‘den indirdiğiniz LANDSAT görüntüsünü kullanınız. Gör. 4. Yrd. Açılan pencerede Select Classes From Regions Kısmında altta görünen eğitim sınıflarınıza ait ROI’leri ctrl tuşuna basarak seçin (Hepsi seçili olacak) 6. Classification/ Supervised Classification /Support Vector Machine Classificaition yöntemini seçin. Sonuç görüntülerinizin ekran alıntılarını da oluşturacağınız raporda bulunmak zorundadır. Ödev Yaptıklarınızı aşama aşama yazın. dosyalarınızın oluşturulacağı dizini seçin. Enter output rule name ve class name kısmına. Esra TUNÇ GÖRMÜŞ DERS YARDIMCISI: Arş. Penalty Parameter= 50 olarak girin. DERS SORUMLUSU: Doç. 5. 9. Ekrem SARALIOĞLU . Oğuz GÜNGÖR. Doç.143 8. Açılan pencerede select input kısmında sınıflandırma yapacağınız görüntüyü seçin OK ‘ a tıklayın.

KARADENİZ TEKNİK ÜNİVERSİTESİ HARİTA MÜHENDİSLİĞİ BÖLÜMÜ UZAKTAN ALGILAMA DERS SORUMLUSU: Doç. Yrd. Dr. Esra TUNÇ GÖRMÜŞ DERS YARDIMCISI: Arş. Gör. Dr. Ekrem SARALIOĞLU . Doç. Oğuz GÜNGÖR.