Advancement in remote sensing (RS) technology has made it possible to acquire images with high spectral and spatial resolutions. It offers an alternate solution to the traditional approaches of field surveys and manual photo interpretation, which are both costly and labor intensive. On the other hand, images acquired using multi/hyperspectral sensors usually provide enough detail information so that objects even at fine scale can be obtained, which can be used in various applications, such as management and monitoring of forest and agricultural resources. However, the amount of data acquired is so large that manual interpretations by human experts become impractical in many situations. Especially, the task of tree identification is challenging due to complexity of vegetation information and spectral similarity among various species.RS data has brought both opportunities and challenges which requires development of new processing techniques to effectively extract tangible information. The focus of this research is to investigate an object-based approach based on mean shift and combination of supervised classifiers for detection of tea gardens from high resolution digital orthophoto maps obtained from an airborne sensor. The proposed method was carried out in several sequential steps. In the first step, the semantic relationship between pixels was exploited and transformed the raw pixels into an object-based representation by using the spatial relationship among pixels. Mean shift based clustering algorithm, which is a non-parametric mode seeking algorithm, was used for delineation of image objects. These objects were then used as building block for the rest of processing. Image filtering was then applied to remove unwanted noisy elements from the object-based representation before extracting features from individual objects. Morphological processing was performed to get smooth object borders and possibly remove small holes within the objects. Features were derived from spectral, spatial and texture domains from each object and then normalized to train and test the classifiers. Several features were considered, however, only those features were selected which are discriminative and optimized the classification results. Sequential forward selection method was used with Jeffries-Mautasia (JM) distance metric to select highly discriminant feature set. Three most widely used supervised classifiers were selected for this study, namely support vector machine (SVM), artificial neural network (ANN) and random forest (RF). These classifiers belong to a diverse family of statistical learning and they are proven to be effective for large scale data classification. To train the classifiers, training sample were selected for tea gardens and other types of trees. A brute force grid search algorithm was applied to find optimal parameters for each classifier using training and validation set. The outputs obtained from each individual classifier was combined using a maximum voting approach to produce the final output as thematic map for tea gardens. Finally, experiments were performed to evaluate the effectiveness of the proposed method for classification of tea gardens from high resolution digital orthophoto maps by comparing with manually digitized tea gardens images. It was shown that integration of object-based segmentation with multi-classifier approach is an effective method for extraction of tea gardens with high classification accuracy.

Uzaktan algılama (RS) teknolojisindeki ilerlemeler, yüksek spektral ve mekânsal çözünürlüklerle görüntü elde etmeyi mümkün kılmıştır. Hem pahalı hem de emek yoğun olan geleneksel saha araştırmaları yaklaşımlarına ve klasik fotoğraf yorumuna tekniklerine alternatif bir çözüm sunar. Öte yandan, çoklu / hiperspektral algılayıcılar ile elde edilen görüntüler genellikle yeterli detay bilgisi sağladığından, böylece nesnelerin ayırt edilebilirliği de artmaktadır. Günümüzde uzaktan algılama teknikleri orman ve tarımsal kaynakların yönetimi ve izlenmesi gibi çeşitli uygulamalarda kullanılabilmektedir. Bununla birlikte, edinilen veri miktarının büyük olması insan eliyle yapılacak sayısallaştırma ya da kullanılan klasik teknikler zaman ve maliyet açısından öngörülür olmaktan uzaktır. Özellikle, ağaç türlerinin elle bölütlenmesi, türler arasında bitki örtüsü bilgilerinin karmaşıklığı ve spektral benzerliğinden dolayı olanaksızdır. Uzaktan algılama teknolojinin ilerlemesi ile görüntülerin çözünürlükleri artmıştır. Fakat, bu durum görüntülerden nesne çıkartma problem için yeni işlem tekniklerinin geliştirilmesini gerekli kılmıştır. Sunulan tez çalışmasının odak noktası, yüksek çözünürlüklü dijital ortofoto haritalarından çay bahçelerinin tespiti için makine öğrenme temelli sınıflandırıcıların Mean-Shift bölütleme yöntemi ile entegre edilerek nesne tabanlı bir yaklaşıma dayalı çoklu kullanımlarının önerilmesidir. Önerilen yöntem birkaç ardışık adımdan oluşmaktadır. İlk adımda, pikseller arasındaki semantik ve uzamsal ilişkiyi kullanılarak nesne tabanlı bölütler elde edilmiştir. Bu amaçla parametrik olmayan nesne tabanlı Mean-Shift yöntemi kullanılmıştır. Bu nesneler daha sonra işlemin geri kalanı için yapı taşı olarak kullanılmıştır. Görüntü filtreleme ile gürültülü öğeleri elimine edilmiş ve nesne sınırlarının gürültüsüz olarak elde edilmesi için ise morfolojik işlemler uygulanmıştır.Öğrenme temelli sınıflandırma aşamasında kullanılacak özellikler üretilen nesne tabanlı bölütler kullanılarak ve bölütlerin spektral, konumsal ve doku özelliklerinden yararlanılarak üretilmiş ve daha sonra sınıflandırıcıları eğitmek ve test etmek için normalleştirilmiştir. Sadece ayırt edici olan ve sınıflandırma sonuçlarını optimize eden özellikler seçilmiştir. İleri derece ayırt edici özellik setini seçmek için Jeffries-Mautasia (JM) mesafe metriği ile sıralı ileriye doğru seçim yöntemi kullanılmıştır.Sunulan tez çalışmasında Destek Vektör Makinaları (Support Vector Meachines-SVM), Yapay Sinir Ağları (Artifical Neural Networks-ANN) ve Rastgele Orman (Random Forest-RF) yöntemleri olmak üzere üç öğrenme temelli sınıflandırıcı seçilmiştir. Bu sınıflandırıcılar, farklı istatistiksel öğrenim ailesine aittir ve büyük ölçekli veri sınıflandırması için etkili oldukları kanıtlanmıştır. Sınıflandırıcıları eğitmek için çay bahçeleri ve diğer ağaç türleri için eğitim verisi seçilmiştir. Söz konusu eğitim verileri her bir sınıflandırıcı için kullanılmıştır. Eğitim ve doğrulama setini kullanarak, her bir sınıflandırıcı için en uygun parametreleri bulmak amacıyla grid arama algoritması uygulanmıştır. Çay bahçelerinin otomatik bölütlenmesi için her bir sınıflandırıcıdan elde edilen çıktılar maksimum oylama yaklaşımı kullanılarak birleştirilmiştir.Çalışmanın son aşamasında fotogrametrik yöntem ile stereo sayısallaştırılarak elde edilen çay bahçelerine ait sınırlar elde edilen sonuçlar ile karşılaştırılarak doğruluk analizi yapılmıştır. Nesne tabanlı bölütlemenin çoklu sınıflandırıcı yaklaşımla entegrasyonunun, yüksek sınıflandırma doğruluğu ile çay bahçelerinin çıkarılması için etkili bir yöntem olduğu gösterilmiştir.