Piksel Tabanlı Görüntü Sınıflandırması
Pixel-Based Image Classification · Ayrıca şöyle bilinir: Per-Pixel Classification, Spectral Classification, Pixel-by-Pixel Classification, Piksel Tabanlı Sınıflandırma
Piksel tabanlı görüntü sınıflandırması, uydu veya hava görüntüsündeki her bir bireysel pikseli, yalnızca çoklu bantlardaki spektral değerlerine dayanarak tematik bir arazi örtüsü kategorisine atayan temel bir uzaktan algılama tekniğidir. Lu ve Weng (2007) tarafından sistematik olarak incelenen ve biçimlendirilen bu yaklaşım, hem etiketlenmiş eğitim örneklerinin sınıflandırıcıya rehberlik ettiği denetimli yöntemleri hem de ön etiketler olmadan doğal spektral gruplamaları keşfeden denetimsiz kümeleme yaklaşımlarını kapsar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Piksel tabanlı sınıflandırma, yüksek çözünürlüklü mekansal bağlamın mevcut olmadığı veya gereksiz olduğu, görüntülerin kaba ila orta mekansal çözünürlüğe sahip olduğu (örneğin, Landsat, MODIS) veya hesaplama basitliğinin gerekli olduğu durumlarda uygundur. Yöntem, hedef sınıflar arasında yalnızca spektral değerlerin yeterince ayırt edici olduğunu varsayar. Yüksek mekansal çözünürlüklü görüntülerde, tek bir arazi örtüsü tipi içindeki spektral heterojenliğin büyük olduğu ('tuz-biber' etkisi) durumlarda zorlanır. Nesne tabanlı görüntü analizi, anlamlı nesneleri ayırt etmek için yeterince ince mekansal çözünürlük olduğunda tercih edilen bir alternatiftir.
Güçlü yönler & sınırlılıklar
- Milyonlarca piksel içeren büyük görüntü arşivlerine hesaplama açısından verimli ve ölçeklenebilir.
- Sensörler ve ekosistemler arasında onlarca yıllık doğrulamaya sahip iyi kurulmuş teorik çerçeve.
- Denetimli ve denetimsiz paradigmalarla uyumlu olup, etiketli verilerin kıt olduğu durumlarda esneklik sunar.
- Kafa karışıklığı matrisleri, genel doğruluk ve kappa istatistikleri aracılığıyla basit doğruluk değerlendirmesi.
- Mekansal bağlamı ve komşuluk ilişkilerini göz ardı ederek, ince mekansal çözünürlüklerde gürültülü 'tuz-biber' haritalar üretir.
- Denetimli ortamlarda eğitim örneklerinin kalitesine, miktarına ve temsil edilebilirliğine karşı oldukça hassastır.
- Arazi örtüsü sınıfları arasındaki spektral örtüşme (örneğin, kentsel çatılar ve çıplak toprak), sistematik yanlış sınıflandırmaya yol açabilir.
- Tek bir pikselin birden fazla arazi örtüsü tipini içerdiği karışık piksellerde (daha kaba çözünürlüklerde yaygındır) performans düşer.
SSS
Piksel tabanlı sınıflandırma, nesne tabanlı görüntü analizinden (OBIA) nasıl farklıdır?
Piksel tabanlı sınıflandırma, yalnızca spektral değerlerini kullanarak her bir piksele bir sınıf atar. OBIA ise önce komşu pikselleri mekansal olarak tutarlı segmentlere (nesnelere) gruplandırır ve ardından spektral, dokusal ve şekil özelliklerini kullanarak bu nesneleri sınıflandırır. OBIA genellikle ince mekansal çözünürlüklerde daha pürüzsüz, daha yorumlanabilir haritalar üretirken, piksel tabanlı yaklaşımlar bireysel piksellerin homojen alanları temsil ettiği daha kaba görüntüler için tercih edilir.
Denetimli piksel tabanlı sınıflandırma için ne kadar örneklem boyutu önerilir?
Yaygın olarak alıntılanan bir kural, sınıf başına spektral bant başına en az 10 ila 30 eğitim örneğidir, ancak çağdaş araştırmalar yüksek boyutlu özellik uzayları için sınıf başına yüzlerce ila binlerce örnek önermektedir. Örnekler, sınıf içi spektral değişkenliği yakalamak için mekansal olarak dağıtılmalıdır. Lu ve Weng (2007), örnek kalitesinin ve temsil edilebilirliğinin yalnızca ham miktardan daha önemli olduğunu vurgulamaktadır.
Denetimli sınıflandırma yerine denetimsiz sınıflandırma ne zaman tercih edilir?
Denetimsiz sınıflandırma, etiketli referans verilerinin bulunmadığı veya toplanmasının pahalı olduğu, bir sınıflandırma şemasına bağlı kalmadan önce doğal spektral kümeleri belirlemek için bilinmeyen bir araziyi keşfederken veya hızlı ön haritalama gerektiğinde tercih edilir. Çıktı kümeleri bir analist tarafından sonradan etiketlenmeyi gerektirir ve elde edilen sınıflar istenen tematik kategorilerle tam olarak uyumlu olmayabilir.
Kaynaklar
- Lu, D., & Weng, Q. (2007). A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28(5), 823–870. DOI: 10.1080/01431160600746456 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Pixel-Based Image Classification. ScholarGate. https://scholargate.app/tr/remote-sensing/pixel-based-classification
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nesne Tabanlı Görüntü Analizi (OBIA)Uzaktan algılama↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır