View
115
Download
0
Category
Preview:
Citation preview
T.C.
ONDOKUZ MAYIS ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
SAYISAL GÖRÜNTÜLERİN BÖLÜMLENMESİ VE
SINIFLANDIRILMASINDA TEMEL ALGORİTMALARIN
YORUMLANMASI VE UYGULANMASI
HASRET KİTAPÇIOĞLU
YÜKSEK LİSANS TEZİ
JEODEZİ VE FOTOGRAMETRİ MÜHENDİSLİĞİ
ANABİLİM DALI
DANIŞMAN
PROF. DR. SEBAHATTİN BEKTAŞ
SAMSUN – 2005
i
SAYISAL GÖRÜNTÜLERİN BÖLÜMLENMESİ VE SINIFLANDIRILMASINDA TEMEL ALGORİTMALARIN
YORUMLANMASI VE UYGULANMASI
ÖZET
Sayısal görüntülerin bölümlenmesi ve sınıflandırılmasında pek çok yaklaşım
bulunmaktadır. Analizcinin amacına uygun olan yaklaşımları seçmesi, görüntü analiz
işlemlerinin planlanması sırasında çok önemlidir. Zira seçilen yaklaşım görüntü analizinin
sonuçlarını etkileyen bir faktördür. Araştırmacılara ve uygulayıcılara, sayısal görüntü
bölümleme ve sınıflandırmada kullanılan yöntemlerin ve temel algoritmaların neler olduğunu
açıklamak, hangi durumda hangi yöntemin kullanılmasının daha doğru ve avantajlı olduğunu
göstermek bu araştırmanın temel amacıdır. Sayısal görüntülerin sınıflandırılmasında
kullanılan yöntemler üzerinde, örnek uygulama yapılarak, temel amaç desteklenmektedir.
Örnek uygulama ile, bir uydu görüntüsü üzerinde, eldeki mevcut veriler ve elde edilmek
istenen sonuç doğrultusunda hangi sınıflandırma yöntemlerinin uygulanacağının tartışılması
amaçlanmıştır.
Araştırma tarama modelindedir. Hem tekil hem de ilişkisel tarama yapılmaktadır.
Araştırmada, sayısal görüntülerin bölümlenmesi ve sınıflandırılmasında kullanılan yöntemlere
ilişkin veriler, belgesel tarama yöntemi ile toplanmıştır.
Örnek uygulamada, Ağustos 1999 tarihli Landsat ETM görüntüsüne, Erdas Imagine 8.4
görüntü işleme programında eğitimsiz ve eğitimli sınıflandırma algoritmaları uygulanmıştır.
Eğitimsiz sınıflandırma işlemi Erdas Imagine yazılımında üç aşamada gerçekleştirilmiştir.
Eğitimsiz sınıflandırma yöntemi olarak ISODATA (İteratif - kendikendine sınıflandırma
algoritması) kullanılmıştır. Eğitimli sınıflandırmada, ‘En Çok Benzerlik Algoritması’
uygulanmıştır.
Sayısal görüntülerin bölümlenmesi ve sınıflandırılmasında kullanılan yöntemler tek tek
ele alınarak incelenmiştir. Sayısal görüntülerin bölümlenmesinde kullanılan ‘eşikleme’, ‘sınır
temelli’ ve ‘bölge temelli’ yaklaşımlar, sayısal görüntülerin sınıflandırılmasında kullanılan
‘eğitimsiz’ ve ‘eğitimli’ sınıflandırma yaklaşımları incelenerek, aralarındaki ilişkiler
tartışılmıştır. Sayısal görüntülerin sınıflandırılmasında kullanılan iki ana yöntem uygulanarak
detaylandırılmış ve karşılaştırılmıştır.
Anahtar Kelimeler: Görüntü bölümleme, görüntü sınıflandırma.
ii
APPLICATION AND INTERPRATATION BASIC ALGORITHMS FOR
DIGITAL IMAGE SEGMENTATION AND CLASSIFICATION
ABSTRACT
There are various approaches in about digital image segmantation and classification. It is
significantly important that while planning the process of digital image analizing, the analist
chooses approaches which are appropriate for his/her intention. Because the chosen
approaches affects image analizing results.
The main purpose of this research is, pointing out what the digital image segmentation and
classification is; what the basic algorithms are; also explaining which methods used under
certain circumstances would be more accurate and would have more advantages. Main
purpose is supported by a sample application of digital image classification methods. With the
assistance of the sample application, the intention is; having a satelite image, some present
datum and the targeted results, to debate which classification methods could be applied.
Scanning model is used in this research. Both singular and relational scannings are completed.
In this research, datum on preferred methods for digital image segmantation and classification
is gathered by documental scanning method. In the sample application, Landsat ETM satalite
image dated on August 1999 is applied to Erdas Imagine 8.4 image processing programme.
ISDATA (Iterative Self Organizing Data Analysis Tecnique) is used for unsupervised
classification. as for supervised classification, ‘Maximum Likelihood Algorithm’ is applied.
Methods used for image segmantation and classification are examined one by one. Interval
relationships are estimated by catagoryzing digital images using thresholding, edge-based,
and region-based approaches and by classifying digital images using unsupervised and
supervised classification approaches study. Two main methods used in classification of digital
images are practiced, elaborated and compared.
Key Words: Image segmentation, classification
iii
TEŞEKKÜR
Yüksek lisans tez danışman hocam sayın Prof. Dr. Sebahattin BEKTAŞ’ a ve hocam Yrd.
Doç. Dr. Sedat DOĞAN’ a yardımlarından dolayı çok teşekkür ederim.
Arkadaşlarım Hanife KÜÇÜKLER ve Ayfer TEKİN’ e de destekleri ve yardımlarından dolayı
teşekkür ederim.
iv
İÇİNDEKİLER 1.GİRİŞ 2.GENEL BİLGİLER 2.1. Işık ve Elektromanyetik Spektrum 2.2.Sayısal Görüntüler 2.3. Uzaktan Algılama 9 2.3.1. Uzaktan Algılama Verilerinin Elde Edilmesi 10 2.3.2. Uzaktan Algılamada Atmosferik Etkenler 2.3.3. Uzaktan Algılama Verilerinin Spektral Özellikleri 2.3.4. Uzaktan Algılama Görüntüleri 2.3.4.1. Siyah Beyaz Görüntüler (Pankromatik Görüntüler)
2.3.4.2. Normal Renkli Görüntüler 2.3.4.3. Çok Bantlı Görüntüler (Multispektral Görüntüler) 2.3.4.4. Termal Görüntüler 2.3.4.5. Yalancı Renkli Görüntüler (False Colour Görüntüler, renkli kızılötesi)
2.3.4.6. Radar Görüntüleri 2.3.5. Uzaktan Algılama Görüntülerinin Çözünürlükleri
2.3.5.1. Uzaysal Çözünürlük (Spatial Resolution) 2.3.5.2. Spektral Çözünürlük (Spectral Resolution) 2.3.5.3. Radyometrik Çözünürlük (Radiometrik Resolution) 2.3.5.4. Zamansal Çözünürlük (Temporal Resolution)
2.4. Landsat Uydu Sistemi 2.5. Sayısal Görüntü İşleme Teknikleri
2.5.1. Ön İşleme 2.5.1.1. Radyometrik Hatalar ve Düzeltmeler 2.5.1.2. Geometrik Hatalar ve Düzeltmeler (Rektifikasyon)
2.5.2. Görüntü İyileştirme 2.5.2.1. Histogramlar 2.5.2.2. Filtreler
2.5.3. Normalize Edilmiş Bitki İndeksi (NDVI) 3. MATERYAL VE METOT 3.1. Materyal 3.2. Metot 3.2.1. Arazi Çalışmaları 3.2.2 Büro Çalışmaları 4. BULGULAR VE TARTIŞMA 4.1. Görüntü Bölümleme (Segmentasyon, Image Segmentation) Yöntemlerine İlişkin Bulgular ve Tartışma 4.1.1. Eşikleme (Thresholding) 4.1.2. Sınır Temelli Yaklaşımlar 4.1.2.1. Kenar Belirleme 4.1.2.2. Eğim (Gradient) Temelli Yöntemler 4.1.2.3. İkinci Türev Operatörleri
Sayfa
1 3 3 5
11 12 14 14 14 15
15 15 15 16 16 17 17 18 19 22 22 23 23 26 27 28 30 32 32 32 32 32 34
34 35 37 37 39 41
v
4.1.3. Bölge Temelli Yaklaşımlar 4.2.Görüntü Sınıflandırmasına İlişkin Bulgular ve Tartışma 4.2.1. Eğitimsiz Sınıflandırma (Unsupervised Classification) 4.2.1.1. Histogram Tabanlı Eğitimsiz Sınıflandırma 4.2.1.2. Isodata Yöntemi (Iterative Self Organizing Data Analysis Tecnique) 4.2.2. Eğitimli Sınıflandırma (Supervised Classification) 4.2.2.1. En Kısa Uzaklık Sınıflandırması ve Paralel Kenar Sınıflandırması 4.2.2.2. En Çok Benzerlik Yöntemi (Maximum Likelihood) 4.3. Sayısal Görüntülerin Sınıflandırılması Yöntemlerinin Uygulanmasına İlişkin Bulgular ve Tartışma 4.3.1. Farklı Band Kombinasyonlarının Oluşturulması 4.3.2. Eğitimsiz Sınıflandırma 4.3.3. Eğitimli Sınıflandırma 5. SONUÇ VE ÖNERİLER KAYNAKLAR ÖZGEÇMİŞ
42 45 46 48
48 50
52 52
54 55 57 61 65 66 69
vi
ŞEKİLLER LİSTESİ Şekil 2.1. Transversal Dalgalar 3 Şekil 2.2. Elektromanyetik Spektrum Şekil 2.3. Bir Sürekli Görüntünün Satır ve Sütunlara Bölünerek Oluşan Piksellerin Koordinat Renk ve Zaman Değerlerinin Gösterilmesi 6 Şekil 2.4. Analogtan Dijitale Dönüştürme İşleminde Bir Analog 7 Sinyalin Örneklenmesi 7Şekil 2.5. Renk Uzayı 8 Şekil 2.6. Bir Pikselin Komşulukları 9 Şekil 2.7. Işığın Bir Madde Üzerine Düşmesi, Emilme, Geçirilme, Yansıma ve Saçılma 11 Şekil 2.8. Bazı Maddelerin Spektral Yansımalarının Grafik Olarak Gösterimi 14 Şekil 2.9. Uzaysal Çözünürlük Örneği 16 Şekil 2.10. Spektral Çözünürlük Örneği 17 Şekil 2.11. Radyometrik Çözünürlük Örneği 18 Şekil 2.12. Zamansal Çözünürlük Örneği 18 Şekil 2.13. Görüntü Analizleri Akış Şeması 22 Şekil 2.14. Yer Kontrol Noktalarının Seçilmesi Örneği 25 Şekil 2.15. Görüntünün Yeniden Örneklenmesi 26 Şekil 2.16. Görüntü Histogramı 27 Şekil 2.17. Histogram Germe 28 Şekil 2.18. Konvolusyon Maske Çeşitleri 29 Şekil 2.19. Temel Bileşenler Dönüşümü 30 Şekil 4.1. Bir Görüntünün Parlaklık Değeri Histogramı İle Eşikleme 36 Şekil 4.2. Kenar Süreksizlikleri 38 Şekil 4.3. Eğitimsiz Sınıflandırma 47 Şekil 4.4. Landsat ETM Uydu Görüntüsü 54 Şekil 4.5. Landsat ETM Uydu Görüntüsü Farklı Bant Kombinasyonları Şekil 4.6. Isodata Eğitimsiz Sınıflandırma Uygulamasında Kullanılan Görüntü ve Oluşan Sınıflar Hakkında Bilgiler Tablosu 57 Şekil 4.7. Isodata Eğitimsiz Sınıflandırmanın İkinci Uygulamasında Elde Edilen Görüntü ve Oluşan Sınıflar Hakkında Bilgiler Tablosu 59 Şekil 4.8. Alıştırma Verileri Oluşturma İşleminde Seçilen Piksel Grupları ve Bu Piksel Gruplarına Ait Değerler 61 Şekil 4.9. Alıştırma Verilerinin Seçilmesi İşlemi 62 Şekil 4.10. Birleştirilen Ve Etiketlenen Sınıflar 62 Şekil.4.11. Eğitimli Sınıflandırma Uygulaması Sonucunda Oluşan Etiketlenmiş Sonuç Görüntü
Sayfa 3 4
6
7 8 9
11 14 16 17 17 18 22 25 26 27 28 29 30 36 38 47 55 56
58
60
62 63 63
64
vii
TABLOLAR LİSTESİ
Tablo 2.1. Landsat Uydularının Özellikleri Tablo 2.2. ETM+ Algılayıcısının Özellikleri ve Spektral Bantlara Göre Uygulama Alanları Tablo 2.3. Çeşitli Bantlarda Hesaplanmış NDVI değerleri
Sayfa
20
22 31
1
1.GİRİŞ
Günümüzde sayısal görüntülerle pek çok yerde karşılaşılmaktadır. Tıp, tarım,
mühendislik, endüstri, eğitim, sanat ve askeri alanlar gibi daha pek çok alanda sayısal
görüntüler elde edilmekte ve yorumlanarak çeşitli bilgilere ulaşılmaktadır. Sayısal
görüntüler, görüntü üzerinde bulunan nesneler hakkında pek çok bilgi içerebilir.
Örneğin; yer altı su kaynaklarının konumlarının tespit edilmesinde çok bantlı, termal ya
da radar görüntüleri kullanılabilir.
Sayısal görüntülerin bazıları, doğadaki nesnelerin gerçek şekillerini ya da
renklerini göstermez. Bu tür görüntüler, sayısal görüntü işleme tekniklerinin
uygulanması sonucunda, insan gözü ile yorumlanabilecek duruma getirilebilir. Yani,
sayısal görüntülerden elde edilmek istenilen bilgilere ulaşmak için, görüntünün sayısal
görüntü işleme teknikleri ile işlenmesi ve yorumlanması mümkündür. Örneğin,
görüntünün daha iyi anlaşılabilmesi için, parlaklığının ayarlanması ya da istenilmeyen
bozucu etkilerin filtreleme ile azaltılması, sayısal görüntü işleme teknikleri ile
yapılmaktadır. Yaygın olarak uygulanan bu yöntemlerin, orijinal görüntü verilerini
değiştirdiğini dolayısıyla görüntü analizinin doğruluğunu azalttığını savunan görüşler
de bulunmaktadır.
Tüm bu tekniklerin asıl amacı, görüntüyü analiz ederek, yorumlanacak hale
getirmektir. Sayısal görüntülerin bölümlenmesi ve sınıflandırılması yöntemleri, görüntü
analizlerinde sıklıkla kullanılmaktadır. Çalışmanın amacına göre, bazen bu yöntemler
çalışmanın tamamını oluştururken, bazen de sadece bir parçasını oluşturabilir. Örneğin,
sınıflandırma işlemi ile bir uydu görüntüsü üzerinde, bir bölgenin arazi örtü türlerinin
belirlenebilmesi için, seçilen yöntem, çalışmanın tamamında kullanılabileceği gibi,
çalışmanın bir parçasını da oluşturabilir.
Görüntü bölümlemeye ve sınıflandırmaya ilişkin pek çok yaklaşımın bulunduğu
göz önüne alındığında, sayısal bir görüntünün analizi sırasında, kullanılacak yöntemin
seçilmesi, problem olabilmektedir.
Araştırmacılara ve uygulayıcılara, sayısal görüntü bölümleme ve sınıflandırmada
kullanılan yöntemlerin ve temel algoritmaların neler olduğunu açıklamak, hangi
durumda hangi yöntemin kullanılmasının daha doğru ve avantajlı olduğunu göstermek
bu araştırmanın temel amacıdır. Sayısal görüntülerin sınıflandırılmasında kullanılan
yöntemler üzerinde, örnek uygulama yapılarak, temel amaç desteklenmektedir. Örnek
2
uygulamada, bir uydu görüntüsü üzerinde, eldeki mevcut veriler ve elde edilmek istenen
sonuç doğrultusunda, seçilebilecek sınıflandırma yöntemlerinin, uygulanarak
incelenmesi amaçlanmıştır.
Konu ilgili literatürde çok miktarda çalışmalar ve araştırmalar bulunmaktadır.
Örneğin; Türkiye’de yapılmış araştırmalardan birini Ayhan ve ark. yapmışlardır.
“Uzaktan algılanmış görüntülerde sınıflandırma ve analiz” adlı araştırmalarında,
uzaktan algılanmış görüntülerin sınıflandırılmasında kullanılan iki genel yaklaşım,
eğitimli ve eğitimsiz sınıflandırmada kullanılan yöntemleri tanıtmışlardır. İlgili bir diğer
çalışmayı, Körümdük ve ark. yapmışlardır. “Adana ilinin kuzeyindeki orman alanlarının
uydu verileri kullanılarak belirlenmesi” adlı çalışmada, Landsat 7-ETM+ verisi
kullanılarak Adana ilinin kuzeyindeki orman alanları ve ağaç türleri saptanmıştır. Uydu
verileri eğitimli sınıflandırma yöntemiyle sınıflandırılmış ve Erdas 8.4 yazılımı
kullanılmıştır. Çalışmada orman alanlarını belirlemede Landsat 7-ETM verilerinin
kullanışlı olduğu ortaya konmuştur. Konu ile ilgili daha pek çok çalışma bulunmaktadır.
3
2.GENEL BİLGİLER
2.1 Işık ve Elektromanyetik Spektrum
Işık, bir enerji olup güneşten elektromanyetik dalgalar halinde yayılarak dünyaya
ulaşır. Işık boşlukta, yaklaşık olarak 300.000 km/sn hızla salınarak yayılır. Oluşan bir
dalgada moleküllerin dalga hareketi yönüne dik açılarla sallanmaları durumunda bu
dalgalara transversal dalgalar denir. Şekil 2.1’de transversal dalgalar görülmektedir. Bir
dalganın en yüksek yeri ile onu takip eden dalganın en yüksek yeri arasındaki uzunluğa
dalga boyu denir veλ ile gösterilir. Bir saniyede oluşturulan dalga sayısı frekans olarak
adlandırılır ve v ile gösterilir. Bir dalganın dalga boyu, frekansı ve yayılma hızı (c)
arasındaki ilişki; vc
=λ ifadesi ile gösterilebilir (Sesören, 1998).
elektrikli alan
mesafe
manyetik alan
Şekil 2.1. Transversal Dalgalar (Sesören, 1999)
Bir başka tanımıyla ışık; elektromanyetik spektrumun insan gözünün en çok
duyarlı olduğu bölümüne verilen isimdir. Işık ışınlarının dalga boyları yaklaşık
mm μμ 7.04.0 − arasındadır (Örüklü, 1988).
4
Elektromanyetik spektrum çeşitli dalga boylarındaki ışıma enerjisini içeren ve bu
ışınım enerjisinin, içinde eletromanyetik dalgalar halinde serbestçe hareket ettiği bir
ortam olarak tanımlanabilir. Elektromanyetik spektrum süreklidir ancak çalışmalarda
kolaylık sağlanabilmesi için belirli bölümlere ayrılmıştır. Şekil 2.2’ de Elektromanyetik
Spektrum gösterilmektedir. mm μμ 7.04.0 − arası “görünen spektrum”, infrared ve
aşağısı genellikle “dalga boyu” ve mμ15 dalga boyundan ötesi de, dalga boyu yerine
çoğunlukla “frekans” larla anılır (Sesören, 1999).
0.4 0.5 0.6 0.7 )( mμ
UV Mavi Yeşil Kırmızı Yakın Kızılötesi
Görünen
Dalga Boyu )( mμ
1 10 610− 510− 410− 310− 210− 110− 210 310 410 510 610 710 810
Görünen γ ışınları X ışınları Morötesi Yakın&Orta Termal Mikrodalga TV / Radyo Kızılötesi Kızılötesi
Şekil 2.2. Elektromanyetik Spektrum (anonymous//http://www.geo.mtu.edu/rs/back/spectrum)
Bir cisme ulaşan enerji yansıtılır, yutulur ve geçirilir. Enerjinin, kaybolmayacağı,
ancak şekil değiştireceği göz önüne alınarak, kaynaktan cisme gelen toplam enerji,
cisim yüzeyi tarafından yansıtılan, cisim tarafından geçirilen ve yutulan enerjilerin
toplamına eşittir (Örmeci, 1987).
İstenilen bant aralığındaki enerjiyi algılayabilen sensör üretilebilmekte ve farklı
enerjileri algılayan birden çok bant kullanılmaktadır. Farklı bantları kullanarak,
nesnelerin özelliklerinin farklı oldukları söylenebilmektedir. Farklılık cisimlerin fiziksel
ve kimyasal özelliklerine bağlıdır. Görünen bölgede bu spektral değişiklikler renk
5
olarak adlandırılan olgunun ortaya çıkmasına neden olur. Örneğin bir cisim, spektrumun
yeşil bölgesinde çok ışıma yaparsa bu cismin rengi yeşil olarak adlandırılır. Görünen
bölgede, nesnelerin yansıttıkları ışıklara dayanarak, ayırt edilmeleri zor olabilir. Bu
durumda, elektromanyetik spektrumun farklı bölgelerinden yararlanılmalıdır.
2.2. Sayısal Görüntüler
20. yüzyılın başında Londra ve New York arasında Atlantik okyanusu boyunca
döşenmiş olan iletişim kabloları kullanılarak, ilk sayısal görüntü iletimi
geçekleştirilmiştir. Bu yöntem Bartlane yöntemi olarak bilinmektedir. 1964 yılında uzay
programlarının kullanıma açılmasıyla, elde edilen görüntülerin yorumlanması için
çeşitli sayısal görüntü formatları ve sayısal görüntü işleme teknikleri geliştirilmiştir
(Sağıroğlu ve ark., 2003).
Bir sayısal görüntü sayılarla ifade edilir. Fotoğraf noktalarının yoğunluğu, birim
zamanda noktaya gelen ışık enerjisinin toplam miktarı olarak yorumlanabilir. Genellikle
x ve y uzaysal konumuna sahip bir noktanın ışık yoğunluğunu temsil etmek için, f(x,y)
şeklinde bir fonksiyon tanımlanır. Fonksiyonda, x ve y ile adreslenen her bir eleman,
görüntü elemanı, resim elemanı, piksel veya pel olarak adlandırılmaktadır. Sayısal
görüntü işlemede genellikle 0-255 arasında sıfır dahil olmak üzere toplam 256 adet ışık
yoğunluğu değeri tanımlanır.
Gerçekte çoğu durumda 2 boyutlu sensöre (algılayıcı) çarpan fiziksel sinyali,
derinlik (z), renk (λ ) ve zamanı (t) içeren çok değişkenli bir fonksiyon olarak ele
alınarak uygulamalara katılabilir.
İki boyutlu sürekli görüntü satırlara (N) ve sütunlara (M) bölünür. Şekil 2.3.’de
verilen görüntü de, N=16 satır ve M=16 sütuna bölünmüştür. Örneğin; [m=10, n=3]
koordinatlı pikselin tam sayı parlaklık değeri, 110 olarak tespit edilmiştir
(anonymous//http://www.ph.tn.tudelft.nl/Courses/FIP/frames/fip).
6
Şekil 2.3. Bir Sürekli Görüntünün Satır ve Sütunlara Bölünerek Oluşan Piksellerin
Koordinat Renk ve Zaman Değerlerinin Gösterilmesi
(anonymous//http://www.ph.tn.tudelft.nl/Courses/FIP/frames/fip)
Bir görüntünün, en küçük parçalarının her birine bu parçaların sahip olduğu
tanecik yoğunluğu ya da ışık yoğunluğu değerlerini ifade eden sayısal değerlerin
atanması işine görüntünün sayısallaştırılması denir.
Sürekli bir fonksiyon sayısal bilgisayar ortamında temsil edilemez. Görüntü
düzleminde bilgisayarın, hedef görüntü ile optik sistem arasında, görüntüyü sınırlı
sayıda nokta ile örneklemesi gerekir ve her örnek, bilgisayar ortamında sınırlı
boyutlarla temsil edilmektedir (Jain ve ark., 1995).
Görüntünün tümünde fiziksel olarak içindeki tanecik sayılarıyla ifade edilen, aynı
boyutlu alanlar oluşturulabilir. Bu sayılar kodlanarak, yeni kod sayıları elde edilebilir.
Bu yeni kodlar fiziksel yoğunluk değerinin yerine kullanılabilir. Bu kodlama işlemine
“nicelleme” (quantisation) denilmektedir. Bu işleme Anolog digital çevrimi “Anolog to
Digital Conversion (A/D)” ya da sayısallaştırma da denir.
Analog bir sinyali, sayısallaştırmak için kullanılan sistematik prosedür Şekil
2.4.’de verilmektedir. Sinyali ifade etmek için kullanılan kesikli nicelleme veya
sayısallaştırma düzeylerinin sayısı, sinyal artırma doğruluğu ve sayısal formatın
prezisyonu ile de ilgilidir. Sinyaller, ikili formda, yani bir sinyalin varlığında ve
yokluğunda kaydedilir ve sinyal kalitesindeki tek kayıp, örnekleme ve nicelleme
işlemleri sonucunda oluşur (Maktav ve Sunar, 1991).
7
Sinyal Düzeyi
Örnekleme Aralıkları
Diji
talleşt
irme
Düz
eyle
ri
Zaman
Şekil 2.4. Analogtan Dijitale Dönüştürme İşleminde Bir Analog
Sinyalin Örneklenmesi (Maktav ve Sunar, 1991)
Sayısal görüntüleri elde etmenin yollarından biri dijital kameralardır, bir diğeri ise
analog kameralarla elde edilen görüntülerin taranarak sayısal ortama aktarılmasıdır.
CCD (Charge Coupled Device) teknolojisi kamera endüstrisi için geliştirilmiş ve uzun
süreden beri kullanılan bir teknolojidir. Günümüzün yüksek kaliteli kameraları
genellikle CCD sensörleri kullanmaktadır. Sayısal kameraların fotoğraf üretim
sürecinde yaptığı en büyük devrim, fotoğrafın alışılagelmiş bir fotoğraf filmi yerine,
yarıiletken malzemeden yapılmış olan CCD aygıtlarına kaydedilmesiyle, bilgisayara
aktarılmasındaki kolaylıkları getirmesiyle oldu.
CCD cihazları 1 ’den küçüktür ve ışığa son derece hassas milyonlarca
sensörden oluşmaktadır Bu sensörler satırlar ve sütunlar halinde dizilmişleridir.
Sensörlere çarpan fotonlar, cismin parlaklığı ile orantılı olarak elektronik sinyal
üretmektedir. Bu sinyalin değeri ise kaydedilecek sayısal değeri belirlemektedir
(Alpaslan ve ark., 2004). Kaynak materyalden kameraya yansıyan ışın CCD üzerine
düşer ve buradaki her bir hücre üzerine düşen ışın, şiddetine göre önce analog sinyale
dönüştürülür. Daha sonra A to D (Analog to Digital Converter ) aracılığıyla analog
değerler kodlanarak sayısallaştırılır.
2mm
8
Sayısal görüntüler Binary (İkili), Gri düzeyli ya da Renkli görüntüler olabilirler.
Binary görüntülerde pikseller iki renk değerine sahiptir. Siyah sıfır (0) ile beyaz bir (1)
ile temsil edilir. Gri düzeyli görüntülerde ise pikseller 0-255 arasında 256 adet farklı
parlaklık değerine karşılık gelir.
İnsanlar renkleri kırmızı, yeşil ve mavinin kombinasyonları olarak algılarlar ve bu
renklere ana renkler denir. Görüntüleme amaçlı olarak, renk uzayının özelleştirilmiş her
bir alt uzayı palet olarak isimlendirilir. RGB modeli üç boyutlu bir uzay olarak
düşünülürse ikincil renkler herhangi iki öncül rengin (R, G ve B’nin), Şekil 2. 5’deki
kombinasyonundan elde edilir. Bir çok görüntü algılayıcı RGB modelini
kullanmaktadır. Bu durumda görüntü elektromanyetik spektrumun R, G ve B
bölgelerinde çok dar bir aralığa duyarlı algılayıcılardan elde edilen işaretlerden türetilir
(Sağıroğlu ve ark., 2003).
Mavi(0,0,1)
Cayan(0,1,1)
Magenta(1,0,1)
Gra
y R
enkl
er
Siyah(0,0,0) Yeşil(0,1,0)
Kırmızı (1,0,0) Sarı(1,1,0)
Şekil 2.5. Renk Uzayı (Sağıroğlu ve ark., 2003)
Bir pikselin rengi genellikle üç boyutlu uzayda temsil edilir. Renklerin, insan gözü
ile en iyi şekilde anlaşılabilmesini sağlamak amacıyla tanımlanan renk uzayları
bulunmaktadır. RGB, HSV (Hue Saturation Value-Renk doyma değeri) uzayları en çok
karşılaşılan standartlardır. RGB uzayı, görüntünün ekranda daha kaliteli görüntülenmesi
amacıyla, HSV uzayı ise insan gözünün görüntüyü daha kolay ve daha doğru
yorumlayabilmesini sağlamak amacıyla oluşturulmuştur.
Aynı bant üzerinde insan gözü 256 renk ayırt edebilir. Bilgisayar ortamında ise 32
milyon kadar renk oluşturulabilmekte ve algılanabilmektedir. Bir görüntüyü bilgisayar
ortamında görüntülemek için genelde RGB renkleri kullanılır. Diğer renkler bu üç
rengin belirli yoğunluklarla karıştırılmalarıyla elde edilir.
9
Sayısal görüntü işleme teknikleri uygulamalarında piksel komşulukları da önemli
yer tutan konulardandır. Koordinatları olan bir p pikselinin; koordinatları
, , ,
),( yx
),1( yx + ),1( yx − )1,( +yx )1,( −yx olarak verilen yatay ve düşey dört komşuluğu
vardır. Bu piksel topluluğu, p’nin 4-komşuluğu olarak adlandırılır ve şeklinde
gösterilir. Şekil 2.6 - (a)’da 4 komşuluk görülmektedir. P’nin dört köşegen komşuluğu
koordinatları; ,
)(4 pN
)1,1( ++ yx )1,1( −+ yx , )1,1( +− yx , dir ve
olarak gösterilir. Bu noktalar 4-komşuluk ile beraber tanımlanırsa p’nin 8-
komşuluğu olarak adlandırılır ve olarak gösterilir. Şekil 2.6 - (b)’de 8-komşuluk
görülmektedir (Gonzalez, 1987).
)1,1( −− yx
)( pN D
)(8 pN
IIIII II I IIII IIII
IIIII IIII IIIII IIII
IIIII IIII IIII IIII
(a) 4 Komşuluk (b) 8 Komşuluk
Şekil 2.6. Bir Pikselin Komşulukları (Sağıroğlu ve ark., 2003)
2.3. Uzaktan Algılama
Cisimlerden belirli bir uzaklıktan, onunla gerçekten temas etmeden yapılan
ölçümler yardımı ile, o cisim hakkında bilgi elde etme bilimine uzaktan algılama denir.
Uzaktan algılama sistemlerinde en sık ölçülen nicelik, ilgilenilen cisimden yayılan
elektromanyetik enerjidir (Maktav ve Sunar, 1991).
Günümüzde dünya etrafında dönmekte olan uydulardan yeryüzü hakkında pek çok
bilgi elde edilmektedir. Uydulardan elde edilen veriler; uyduların geniş görüş açıları,
uydu algılayıcılarının hareket hızı, ve kullanılan spektral bant sayısı nedeniyle çok fazla
miktardadır. Uzaktan algılama verilerinin hızlı ve ekonomik olarak değerlendirilmeleri
gerekmektedir.
10
2.3.1. Uzaktan Algılama Verilerinin Elde Edilmesi
Uzaktan algılamada, veri elde etmek için gerekli olan öncelikle bir enerji
kaynağıdır. Bu kaynak hedefi aydınlatır veya hedefe elektromanyetik enerji gönderir.
Yansıyan ve yayılan enerji sensörler tarafından ölçülerek kaydedilir. Sensörlerin
boyutları ne kadar küçükse uzaktan algılama verisinin geometrik çözünürlüğü o kadar
yüksektir.
Uzaktan algılama verilerinin elde edilmesinde kullanılan çok çeşitli algılama
sistemleri vardır. Bu sistemlere örnek olarak; foto kamerası, tarayıcı, radar verilebilir.
Uzaktan algılama verileri aktif ya da pasif uzaktan algılama sistemleri ile elde
edilebilir. Pasif algılayıcılar, söz konusu araziden yansıyan ya da yayılan doğal
elektromanyetik enerjiyi kaydederler. Örneğin kameralar ve video kaydediciler,
nesnelerden yansıyan görünen ve yakın kızılötesi enerjiyi kaydederler. Çok bantlı bir
tarayıcı da araziden yayılan termal enerji akışını kaydeder. Aktif algılayıcılar ise,
örneğin mikrodalga (radar) ya da su sonarı gibi, insan üretimi elektromanyetik enerjiyi
araziye gönderirler ve algılayıcı sisteme geri dönen ışık akış miktarını kaydederler
(Jensen, 1996).
Fotoğraf en eski uzaktan algılama yöntemlerinden biridir. Uzaktan algılamada
kullanılan fotoğraflama işlemlerinde kullanılan filmler; siyah beyaz filmler ya da renkli
filmler olabilir. Renkli filmler; normal renkli filmler, yalancı renkli filmler (False
colour) ya da renkli kızılötesi filmler olabilir. Uzaktan algılama verileri, vidikon (video
kamerası içinde görüntü üreten elementler) kameralar tarafından ya da tarayıcı alet
(scanner) tarafından da elde edilebilir. Tarama işlemleri genellikle, çizgi tarama (line
scanner) ve itikleyerek tarama (pushbroom) sistemleri ile yapılmaktadır. Çok bantlı
algılama (multispektral sensing) bir diğer tarama yöntemidir. Bu yöntem,
elektromanyetik spektrumun ışık bölgelerinden eş zamanlı olarak verileri kaydetmesi
şeklinde gerçekleşir. Ayrıca mikrodalga algılama ve termal algılama da diğer uzaktan
algılama veri elde etme yöntemleridir (Sesören, 1998).
11
2.3.2. Uzaktan Algılamada Atmosferik Etkenler
Güneş enerjisi, bir madde üzerine düştüğünde, o maddenin içinden geçebilir,
maddenin yüzeyi tarafından yansıtılabilir, maddeyi oluşturan moleküller tarafından
saçılabilir soğurulduktan sonra başka bir dalga boyunda yeniden yayılabilir. Şekil
2.7.’de güneş enerjisinin bir kısmının emildiği (absorbed) A, bir kısmının geçirildiği
(transmitted) T, bir kısmının yansıdığı (reflected) R ve bir kısmının da saçıldığı
(emitted) E görülmektedir. Atmosferde ya da uzayda bulunan algılayıcılar (sensors)
yeryüzünden yansıma ve yayılma yoluyla kendilerine ulaşan enerjiyi kaydederler
(Sesören, 1998).
Şekil 2.7. Işığın Bir Madde Üzerine Düşmesi, Emilme, Geçirilme, Yansıma ve Saçılma
Olayları
(anonymous//http://dweb.ccrs.nrcan.gc.ca/ccrs/db)
Uzaktan algılama verisi, elde edilirken, atmosfer ortamından geçer ve bazı
etkileşimlere maruz kalır. Atmosferdeki parçacıklar ve gazlar yeryüzüne doğru ilerleyen
enerjiyi etkileyebilirler. Bu etkiler saçılma (scattering) ve soğurmaya (absorption) neden
olur (anonymous//http://dweb.ccrs.nrcan.gc.ca/ccrs/db).
Saçılma, elektromanyetik radyasyonun, yukarıda bahsedilen etkiler nedeniyle
orijinal yolunu değiştirmesidir. Saçılma miktarı enerjinin dalga boyu büyüklüğüne,
atmosferdeki parça ve gazların miktarına ve enerjinin atmosferde izlediği yolun
uzunluğuna bağlıdır. Üç tip saçılma vardır. Rayleigh saçılması, Mie saçılması ve serbest
saçılma. Rayleigh saçılması, ışığın dalga boyu parçacık ve gazların dalga boylarından
çok büyükse gerçekleşir. Güneş ışığı atmosferden geçerken mavi dalga boyu, saçılmaya
12
uğrar ve bu nedenle gökyüzü mavi görünür. Mie saçılması, ışık dalga boyunun parçacık
moleküllerinin boyutlarına yaklaşık eşit olduğu durumlarda görülür. Işık dalga boyunun,
parçacık moleküllerinin boyutlarından daha küçük olduğu durumlarda ise serbest
saçılma gerçekleşir. Bu saçılma gökyüzünün gri görünmesine neden olur. Soğurmaya
neden olan üç ana bileşen ozon, karbondioksit ve su buharıdır. Soğurulma bantlarında
oluşan enerji, bu bantlardan geçerek atmosfere ulaşamaz. Atmosferik pencereler,
enerjinin soğurulmadan geçebildiği elektromanyetik spektrum bölgeleridir
(http://dweb.ccrs.nrcan.gc.ca/ccrs/db).
2.3.3. Uzaktan Algılama Verilerinin Spektral Özellikleri
Uzaktan algılama verileri, bilgisayar ortamında analiz çalışmalarında kullanılırken
dikkate alınması gereken önemli hususlardan biri, verilerin spektral karakteristikleridir.
Bitki örtüsü, toprak, su veya bir başka yüzeyin yansıtma bilgileri verilerin doğru
yorumlanmasını sağlamaktadır.
Bitkiler elektromanyetik spektrumun görünen bölgesinde genellikle düşük
yansıtma ve düşük geçirgenlik özelliği gösterir. Bu bölgede yaprak pigmentleri ışığı
yutarlar ve yansımayı azaltırlar. Klorofil pigmentleri mavi, mor ve kırmızı ışığı
fotosentez için emerler, yeşil ışık fotosentez için emilmez ve dolayısıyla çoğu bitki yeşil
görünür. Sonbaharda klorofil miktarı azaldığından karoten ve ksantofil miktarları
arttığından ağaç yapraklarının renkleri sarı görünür (Verbyla, 1995).
Yakın kızılötesi bölgesinde yansıtma bitki yaprak yapısı ile ilgilidir. Yaprak yapısı
bir çok bitkide farklı olduğundan bitki türlerinin ayırt edilmesinde yararlanılabilir.
Hücre yapısının bozulması, yansıtma özelliğini değiştirir. Dolayısıyla hücre yapısında
değişikliğe neden olan bitki hastalıklarını bu bölgede algılanan enerji ile saptamak
olasıdır (Örmeci, 1987).
Saf su, orta kızılötesi bölgesinde güçlü bir enerji emicidir. Dolayısıyla bitkilerin
orta kızıl ötesi bölgesindeki yansıtması, yaprakların su içermesiyle direkt ilişkilidir.
Ancak genel olarak yaprakların su içeriğiyle orta kızıl ötesi yansıması arasında negatif
bir korelasyon vardır. Su içeriği yaprak kalınlığı ile orantılıdır. Orta kızılötesinin yakın
kızılötesine oranı nem fazlalığı indeksi olarak adlandırılır. Ve hava kirliliği nedeniyle
zarar gören ormanların belirlenmesinde kullanılabilir (Verbyla, 1995).
13
Görünür bölgede suyun yansıtması, su yüzeyinin durumu, suda bulunan askıda
maddeler ve suyun içinde yer aldığı ortamın tabanı ile ilgilidir. Suyun yutması ve
geçirgenliği de sudaki organik ve organik olmayan maddelerin miktar ve büyüklüğüne
bağlıdır. Sudaki klorofil miktarına bağlı olarak yosun varlığı ve yoğunlukları
belirlenebilir. Ayrıca görünür bölgede, yağ, petrol, endüstri ve kanalizasyon atıkları gibi
nedenlerle oluşan su kirlenmeleri belirlenebilir (Örmeci, 1987).
Uydu görüntüleri ile, görünen bölgede genelde kar ile bulutu ayırt etmek zordur.
Bulutlar görünen dalga boyundan daha büyük su damlacıkları içerirler. Dolayısıyla
bulutlar ışığı seçmeksizin saçarlar ve beyaz görünürler. Diğer yandan kar görünen ve
yakın kızılötesi bölgelerinde yüksek yansıtmaya ve orta kızılötesi bölgesinde ise düşük
yansıtmaya sahiptir (Verbyla, 1995).
Toprak yüzeyin yansıması genellikle toprağın nem içeriğiyle kontrol edilir.
Özellikle orta kızılötesi bölgesinde, toprak yüzey kuru ise yansıma yüksektir.
Topraktaki organik madde miktarı da toprağın su tutma kapasitesini gösterir (Verbyla,
1995). Genel anlamda bir zeminde su içeriği arttıkça yansıtma özelliği azalır. Kuru bir
zemin, ıslak bir zemine göre daha fazla yansıtır (Örmeci, 1987).
Elektromanyetik spektrumun termal kızılötesi bölgesinde yeryüzündeki doğal
maddelerden, insan etkinliklerinin ve güneşin yeryüzünü ısıtmasından dolayı oluşan
enerjiler ile belirlenebilir. Gece veya gündüz koşullarına bakılmaksızın görünen
spektrumda ayırt edilemeyen nesneler sıcaklık farklarıyla ayırt edilebilir (Verbyla,
1995).
Tüm bu özellikler objelerin tanınıp ayırt edilebilmeleri için görünen ışık bölgesi
yanında, yansıyan elektromanyetik dalgaların kızılötesi bölgesinin de göz önünde
tutulmasının gerekliliğini ve aynı zamanda neden çok kanallı algılayıcılara gerek
duyulduğunu açık olarak kanıtlar (Örüklü, 1988).
Şekil 2.8.’de bazı maddelerin spektral yansımaları görülmektedir. Görünen
bölgede birbirlerinden ayırt edilemeyen bazı maddelerin, yakın kızılötesi ya da diğer
kızılötesi bölgelerinde daha rahat ayırt edilebildikleri görülmektedir.
14
Şekil 2.8. Bazı Maddelerin Spektral Yansımalarının Grafik Olarak Gösterimi
(http://www.cscrs.itu.edu.tr/page.tr.php?id=12&PHPSESSID=5d76b8f50bea4df4e7cada
f8f9fc2ac9#es)
2.3.4. Uzaktan Algılama Görüntüleri
Uzaktan algılama görüntüleri yapılan çalışmanın amacına göre seçilmelidir.
Uygun görüntünün seçilmesi görüntülerin özelliklerini iyi tanımayı gerektirmektedir.
Aşağıda görüntü türlerinden bahsedilmektedir.
2.3.4.1. Siyah Beyaz Görüntüler (Pankromatik Görüntüler)
Siyah beyaz görüntüler, görüntülerin gerçek gri renk seviyelerini verirler.
Nesnelerin gri tonlar ile belirlenmesine yardımcı olurlar. Jeoelojik haritalama, şehir
planlama, nem haritaları gibi çalışmalarda kullanılır.
2.3.4.2. Normal Renkli Görüntüler
Nesneler doğadaki renkleriyle görünürler. Renkli görüntüler insan gözüne hitap
ederler. Dolayısıyla insan gözüyle yapılacak her türlü yorumlamada her alanda
kullanılabilmektedir.
15
2.3.4.3. Çok Bantlı Görüntüler (Multispektral Görüntüler)
Çok bantlı görüntüler, bir nesneden yansıyan ya da yayılan enerjinin
elektromanyetik spektrumun faklı bölgelerinde eş zamanlı (synchronize) görüntüler
olarak kaydedilmesiyle elde edilir. Yani bir görüntü, farklı farklı bantlarda kaydedilmiş
bir çok görüntüden oluşmaktadır. Çok geniş bir kullanım alanı vardır. Yüzey
kaynaklarının araştırılması, yer altı sularının saptanması, fay ve kırıkların izlenmesi
örnek olarak verilebilir.
2.3. 4.4. Termal Görüntüler
Termal görüntüler, nesnelerden yayılan sıcaklığın algılanması ile elde edilir.
Görüntü doğadaki nesnelerin gerçek şekillerini göstermez. Siyah beyaz renkte görünür
ve nesnelerin sıcaklıklarını gösterir. Yer altı su kaynaklarının belirlenmesinde, jeoelojik
çalışmalarda, su kirliliği araştırmalarında, orman ve maden yangınlarında etki sahasının
belirlenmesinde ve daha sıcaklığa bağlı olarak istenilen pek çok alanda kullanılabilir.
Meteorolojik koşullardan olumsuz etkilenir.
2.3.4.5. Yalancı Renkli Görüntüler (False Colour Görüntüler, renkli kızılötesi)
Yalancı renkli görüntülerde, nesneler gerçekte oldukları renklerden farklı
renklerde görünürler. Örneğin, yeşil renkli bir nesneyi kırmızı temsil edebilir. Bitkilerin
elektromanyetik spektrumun yakın kızılötesi bölgesinde yüksek yansıması nedeniyle,
kırmızının tonları ile gösterilmesi mümkündür. Orman, tarım, mera, toprak gibi
alanlarda kullanılması yararlıdır.
2.3.4.6. Radar Görüntüleri
Oluşturulan mikrodalga ışınına maruz kalan nesnelerin bu ışını geri yansıtmasıyla
elde edilir. Radarlar tüm hava koşullarında, gece ve gündüz çalışabilmektedirler.
Denizlerin ve buzulların incelenmesinde, jeolojik, ekolojik vb. çalışmalarda
kullanılmaktadır.
16
2.3.5. Uzaktan Algılama Görüntülerinin Çözünürlükleri
Çözünürlük bir görüntünün kalitesini belirleyen faktörlerdendir. Sayısal
görüntünün elde edildiği sistemin sensör boyutu görüntünün geometrik çözünürlüğünü
belirler. Görüntünün görüntülendiği ekranın piksel sayısı artarsa ya da piksel boyutu
küçülürse de görüntünün çözünürlüğü artar. Yaygın olarak kullanılan çözünürlük
birimleri; ppi (pixel per inch), dpi (dot per inch) dir. Uzaktan algılama görüntüleri için
tarif edilen çözünürlük türlerinden aşağıda bahsedilmektedir.
2.3.5.1. Uzaysal Çözünürlük (Spatial Resolution)
Uzaktan algılamada uzaysal çözünürlük terimi, detayların görüntüde iyi
görünebilmesi anlamına gelmektedir. Uzaysal çözünürlük genellikle görüntünün piksel
boyutuyla ilgilidir. Yeryüzünde ayırt edilebilen uzunlukla ölçülür (Verbyla, 1995).
Bir görüntüde fark edilebilir en küçük detay, algılayıcının uzaysal çözünürlüğü ile
ilgilidir ve görülebilen en küçük hedef boyutunu tanımlar. Sadece çok büyük nesnelerin
görülebildiği görüntüler düşük, küçük nesnelerin ayırt edilebildiği görüntüler ise yüksek
çözünürlüklüdür. Şekil 2.9’da aynı bölgeye ait farklı uzaysal çözünürlükleri olan üç
uydu görüntüsü gösterilmiştir. 1. görüntü 80m. çözünürlüklü Landsat MSS görüntüsü, 2.
görüntü 20m. çözünürlüklü Spot XS görüntüsü, 3. görüntü 10m. çözünürlüklü Spot P
görüntüsüdür.
Şekil 2.9. Uzaysal Çözünürlük Örneği (http://www.cscrs.itu.edu.tr/page.tr.php?id=10)
17
2.3.5.2. Spektral Çözünürlük (Spectral Resolution)
Spektral çözünürlük algılayıcının duyarlı olduğu dalga boyu aralıkları ile ilgilidir.
Spektral çözünürlüğün iyi olması bir kanal ya da bandın algıladığı dalga boyu aralığının
küçük olduğunu gösterir. Bu algılayıcılar, elektromanyetik spektrumun görünür, yakın
kızılötesi ve orta kızılötesi bölgelerinde yüzlerce küçük spektral aralıkta algılama
yapmaktadırlar.
Şekil 2.10. Spektral Çözünürlük Örneği
(http://www.cscrs.itu.edu.tr/page.tr.php?id=12&PHPSESSID=5d76b8f50bea4df4e7cada
f8f9fc2ac9#es)
Şekil 2.10’da, aynı spektral bölgede algılama yapan iki algılayıcıdan mavi ile gösterilen,
daha küçük aralıklarda çalıştığı için yeşil ile gösterilenden daha yüksek spektral
çözünürlüğe sahiptir.
2.3.5.3. Radyometrik Çözünürlük (Radiometrik Resolution)
Radyometrik çözünürlük, uzaktan algılama sisteminin renk değerlerini çok
seviyeli kaydedebilmesi olarak tanımlanabilir. Örneğin Landsat MSS verisi gri hücre
değerleri olarak 0’dan 63’e kadar kaydedilir. Dolayısıyla 0’dan 255’e kadar kayıt yapan
Landsat TM verisiyle karşılaştırıldığında, düşük seviyeli radyometrik çözünürlüğe
sahiptir (Verbyla, 1995).
Elektromanyetik enerji miktarında, sahip olunan hassasiyet, radyometrik çözünürlüğü
göstermektedir. Bir başka deyişle, bir görüntüleme sisteminin radyometrik çözünürlüğü,
enerji farklılıklarını ayırt edebilme yeteneğini ifade eder. Bahsedilen enerji farklılıkları,
18
ayırt edilmesi mümkün olan gri ton sayısı anlamına gelmektedir. Aynı bölgeye ait Şekil
2.11. (1)’de 2 bitlik bir görüntü ile Şekil 2.11. (2)’de 8 bitlik bir görüntü verilmektedir.
İki görüntü karşılaştırıldığında, radyometrik çözünürlükle ilişkili olarak detay ayırt etme
seviyesindeki fark görülmektedir.
Şekil 2.11. Radyometrik Çözünürlük Örneği
(http://www.cscrs.itu.edu.tr/page.tr.php?id=10)
2.3.5.4. Zamansal Çözünürlük (Temporal Resolution)
Zamansal çözünürlük, görüntüleme geçiş aralığıdır. Bir uzaktan algılama
sisteminin aynı bölgeyi görüntüleme sıklığı ile ilgilidir. Enlem değeri arttıkça zamansal
çözünürlükte artmaktadır. Çünkü bir alan ekvatorda 26 günlük gezisinde 8 ya da 9 kez
görüntülenirken, örneğin 45 0 enlemindeki bir alan 12 kez görüntülenebilir (Verbyla,
1995). Şekil 2.12’de İzmit'e ait depremden önce (1), deprem ve depreme bağlı yangın
sonrası (2) Spot uydusu görüntüleri zamansal çözünürlüğe örnek olarak gösterilmiştir.
Şekil 2.12. Zamansal Çözünürlük Örneği (http://www.cscrs.itu.edu.tr/page.tr.php?id=10)
19
2.4. Landsat Uydu Sistemi
Dünyamızın çevresinde, dolaşmakta olan pek çok uydu vardır. Askeri uydular,
haberleşme uyduları, meteoroloji uyduları gibi farklı amaçlara hizmet etmek üzere
uzaya gönderilmiş bir çok uydu bulunmaktadır.
LANDSAT küresel kapsamda yeryüzü kaynaklarının düzenli takip edilmesi ve
tahmin edilebilmesi için tasarlanan ilk uydu sistemidir (Richard, ve Jia, 1999).
Önceleri ERTS olarak bilinen (Earth Resources Technology Satellite) Landsat 1,
23 Temmuz 1972 de NASA (National Aeronautics and Space
Administration=Amerikan Ulusal Havacılık ve Uzay Araştırmaları Merkezi) tarafından
uzaydaki yörüngesine oturtulmuştur. Landsat 1, 2, 3 birbirlerinin benzeri, diğer yandan
Landsat 4, 5, 6 da birbirlerinin benzeri olmuştur. Landsat 1, 2, 3 yeryüzünden bilgileri
iki algılama sistemiyle toplar. Çok bantlı tarama sistemi (MSS - Multispectral Scanning
System) ve kamera sistemi (RBV - Return Beam Vidicon) bu algılama sitemleridir.
Landsat 4 ve 5’in taşıdığı ve öncekilerden çok değişik olarak Tematik Mapper (TM)
algılayıcısı 7 spektral bantta algılama yapar. TM algılayıcısının spektral bantları, MSS’e
göre daha dar olup, piksel boyutları yani çözünürlüğü altı bant için 30m ve Termal bant
için (Bant 6) 120m’dir (Sesören, 1998).
LANDSAT uydusu tekrarlı, dairesel, güneşe senkronize, kutuplara yakın (near -
polar) yörüngeye sahiptir. Bu özellikleri sayesinde 81° kuzey ve 81° güney arasında
görüntüleme yapabilmektedir. Ekvatorda yol ayrımı (ground track separation) 172km'
dir. Bunlar komşu bölgeler arasında %7.6 ‘lık bindirme oluşturur. Bu bindirme
kutuplara doğru yaklaştıkça daha da artmaktadır ve 60° boylamında %54 olmaktadır
(http://www.nik.com.tr/new/yazilimlar/uydular/landsat.htm ).
Landsat 4’ün TDRS (Tracking and Data Relay Satellite / İzleme ve veri nakli
uydusu) ile haberleşme olanağına sahip olması gibi bir özelliği olmasına rağmen bu
sistemin enerji kaynağında oluşan bir arıza nedeniyle 1983’ de durdurulmuştur. Landsat
6 fırlatma sırasında tahrip olmuştur. Landsat 7 uydusu 1999 yılında fırlatılmıştır.
Tematik Haritalayıcı (Thematic Mapper), bir çizgi tarama sitemidir. TM
algılayıcısı hem sağa hem sola tarama yapabilmektedir. Bu özellik MSS’e göre önemli
bir avantajdır, iki kat zaman kazanılmasını sağlar. Radyometrik doğrulama için
önemlidir. Landsat 4 ve 5’de geoemetrik doğruluğun artırılmasına yönelik olarak birçok
20
tasarım değişiklikleri yapılmıştır. Tablo 2.1.de Landsat uydularının özellikleri
gösterilmiştir.
Tablo 2.1. Landsat Uydularının Özellikleri
(http://www.nik.com.tr/new/yazilimlar/uydular/landsat.htm)
Uydu Operatör
Başlangıç ve
Sonlanma Tarihi
Sensör Yersel Çözünürlük
Radyometrik Çözünürlük
Şerit Genişliği
Görüntüleme Sıklığı
Landsat 1 NASA-EOSAT
1972-1978 MSS 80m 8 bit 18 gün
Landsat 2 NASA-EOSAT
1975-1982 TM 80m 8 bit 183 16 gün
Landsat 3 NASA-EOSAT
1978-1983 TM 80m 8 bit 183 16 gün
Landsat 4 Space Imaging
1982-1993 TM 30m 8 bit 183 16 gün
Landsat 5 Space Imaging 1984- TM 30m 8 bit 185 16 gün
Landsat 6 BAŞARISIZ
Landsat 7 NASA 1999- PAN-ETM
Pan 15m
30m 8 bit 185 16 gün
Landsat 7 yer gözlemleme aygıtı üzerinde, Landsat 4 ve 5’de bulunan yüksek
performanslı TM’e benzeyen yetenekleri olan Enhanced Thematic Mapper Plus
(Geliştirilmiş Tematik Haritalayıcı) (ETM+) bulunmaktadır. ETM+ aynı zamanda
küresel değişim çalışmaları için yeni özellikleri olan çok yönlü ve etkili aygıtlar
içermektedir. ETM+ gözlem ve değerlendirme ile geniş alanda haritalama için
tasarlanmıştır. Landsat 7’nin başlıca özellikleri; 15m çözünürlüklü pankromatik bant,
üzerinde tamamen açık % 5 salt radyometrik çözünürlük, 60m çözünürlüklü termal
kanaldır. Landsat 7 ETM+ aygıtının yörünge yüksekliği 705 km’dir. 375 GB veriyi bort
üzerinde saklayabilmektedir. Güneşle uyumlu 98.2 eğimlidir. Tekrarlama kapsama 0
21
arlığı 16 gündür. Tablo 2.2. de ETM+ algılayıcısının spektral genişlikleri, çözünürlük
değerleri ve uygulama alanları verilmiştir (http://geo.arc.nasa.gov/sge/landsat/l7.html).
Tablo 2.2. ETM+ Algılayıcısının Özellikleri ve Spektral Bantlara Göre Uygulama Alanları
(http://geo.arc.nasa.gov/sge/landsat/l7.html; Richard, J. and Jia, X., 1999; Yomralıoğlu, 2000)
Kanal
Dalga Boyu
( mμ )
Çözünürlük
(m)
Uygulama Alanları
TM 1 0.45-0.52 Mavi
3030×
Su kütlelerinin penetrasyonu, kıyı
haritalarının yapımı, toprağın bitkilerden
ayırt edilmesi.
TM 2 0.52-0.60 Yeşil
3030×
Bitkilerin canlılığının saptanması
TM 3 0.63-0.69
Kırmızı
3030×
Klorofil soğurma bandı olduğundan
bitkilerin ayırt edilmesinde önemli rol
oynar
TM 4 0.76-0.90 Yakın
Kızılötesi
3030×
Bitki cinslerinin tanımlanması, su
kütlelerinin ayırt edilmesi, toprak
neminin belirlenmesi
TM 5 1.55-1.75 Orta
Kızılötesi
3030×
Bitki ve topraktaki nemi gösterir, karın
buluttan ayrılmasına yardımcı olur.
TM 6 10.4-12.5 Termal
Kızılötesi
6060×
Değişik yerlerde özellikle toprağın nemi,
su kirliliği, volkan araştırmaları, termal
harita (kent, su) üretiminde faydalanılır.
TM 7 2.09-2.35 Orta
Kızılötesi
3030×
Kayaç cinslerinin ayırt edilmesinde ve
hidrotermal haritalamada kullanılır.
ETM+ 0.52-0.90
Pankromatik
1515×
Jeoelojik haritalama, gri tonları
22
2.5. Sayısal Görüntü İşleme Teknikleri
Sayısal görüntü işleme teknikleri; görüntünün sayısal biçime dönüşmesiyle ve
sayısal görüntünün bilgisayar ile işlenmesiyle ilgilenir. Görüntü işleme teknikleri,
sayısal görüntülerin öncelikle insan gözüne iyi görünmesini amaçlar.
Sayısal görüntü işleme uygulamalarında frekans uzayı (frequency-domain) ya da
piksel uzayı (spatia l- domain) kullanmaktadır (Gonzalez, 1987). Sayısal görüntü işleme
teknikleri uygulamalarında genellikle renk ya da parlaklık değerlerini kullanmak yeterli
olmaktadır. Bu değerlerin kullanıldığı uzay frekans uzayı olarak tanımlanabilir.
Piksellerin konumlarına göre yapılan hesaplamalar ise piksel uzayında yapılmaktadır.
Sayısal görüntü işleme adımları; Ön işleme, görüntü iyileştirme, görüntü
dönüşümleri, görüntü analizleri (sınıflandırma vb.) olarak ele alınabilir.
Görüntü analiz işlemleri şematik olarak Şekil 2.13.’deki akış şemasıyla gibi ifade
edilebilir.
Ön İşleme
Veri Azaltılması
Detay Analizleri
Giriş Görüntü
Şekil 2.13. Görüntü Analizleri Akış Şeması
2.5.1. Ön İşleme
Sayısal görüntüler ile yapılacak analiz çalışmalarına geçmeden önce görüntülere
ön işlemler yapılmalıdır. Bu işlemlerin kapsamına genellikle radyometrik düzeltmeler
ve geometrik düzeltmeler girmektedir. Görüntü onarma (restoration), görüntü doğrultma
(rectification) gibi çalışmalar ön işleme çalışmalarıdır. Ön işleme çalışmaları
yapıldıktan sonra, amaca yönelik detay analizleri yapılabilir.
Ön işlemlerin amaçlarından bazıları, istenmeyen hataların etkisindeki görüntü
verisini düzeltmek ya da görüntü işleme için önemli bazı görüntü özelliklerini
geliştirmektir (Sonka ve ark., 1995).
23
Görüntü onarma, sayısal görüntü elde edilirken oluşan bozuklukların ortadan
kaldırılması ya da azaltılması için uygulanmaktadır. Bu bozukluklar, görüntüdeki
bulanıklıklar, görüntü hareketi, elektronik ya da fotometrik kaynaklardan, kaynaklanan
gürültülerdir. Görüntü onarmanın amacı, görüntü bozulmaya uğramadan
kaydedildiğinde nasıl olacaksa, görüntüyü o haline getirmeye çalışmaktır (Castleman,
1996).
2.5.1.1. Radyometrik Hatalar ve Düzeltmeler
Radyometrik hatalar, uzaktan algılama algılayıcılarından kaynaklı hatalar olabilir.
Bu hatalar sistematik hatalardır. Güneşin geliş açısı ve arazinin topografyasından
kaynaklanan gölge etkisi de radyometrik hatalara neden olur. Sis ve bulut gibi
atmosferik şartlardan kaynaklanan radyometrik hatalar ise bir diğer hata grubunu
oluşturur. Atmosferik etkenler, hedefin önünde yer alarak, yeryüzüne ait veriye sağlıklı
bir şekilde ulaşmayı engellemektedirler. Görüntü üzerinde bir işlem yapılmadan önce bu
hata ve etkilerin giderilmesi gerekmektedir.
2.5.1.2. Geometrik Hatalar ve Düzeltmeler (Rektifikasyon)
Geometrik düzeltme, orjinal görüntüdeki geometrik bozulma etkilerinin
giderilmesi, ve görüntünün yer kontrol noktaları kullanılarak tanımlı bir coğrafi
koordinat sistemine dönüştürülmesi işlemidir. Dönüşüm işleminde yer kontrol noktaları
kullanılmaktadır. Bu işleme rektifikasyon denilmektedir.
Geometrik hatalar, algılayıcı aygıt optiğinin perspektifliği, tarama sisteminin
hareketi, platform hareketi, platform yüksekliği, arazi eğimi, dünyanın eğim ve ekseni
gibi faktörlere bağlıdır.
Geometrik dönüşümler, görüntü elde edilirken oluşan geometrik hataların
azaltılmasını sağlar. Aynı nesnenin farklı iki görüntüsünün eşleştirilmesi için de
geometrik dönüşüme ihtiyaç duyulabilir (Sonka ve ark., 1995).
Geometrik hataların bir çoğu sistematik ya da kestirilebilir olduğundan, algılayıcı
ile platform hareketine ve platformun yeryüzü ile geometrik ilişkisine uygun modeller
oluşturularak ortadan kaldırılabilirler. Sistematik olmayan hatalar modellenemez ve bu
şekilde düzeltilemez. Dolayısıyla geometrik registiration (kaydetme)işlemi ile , bilinen
24
başka bir koordinat sistemine dönüşüm yapılarak düzeltilebilir
(http://dweb.ccrs.nrcan.gc.ca/ccrs/db).
Platform tarama eğriliği, ayna tarama hızı, panoramik bozulma, platform hızı,
dünyanın eğikliği, perspektif bir uzaktan algılama siteminde sistematik geometrik hata
kaynaklarıdır. Sistematik olmayan hata kaynakları ise, platform ve algılama sisteminin
yükseklikleridir (Jensen, 1996).
Görüntüden haritaya rektifikasyon ve görüntüden görüntüye rektifikasyon
yapılması mümkündür. Görüntüden görüntüye rektifikasyon, aynı coğrafi bölgeye ait ve
geometrileri benzer bir diğeri aynı yerden görünen ve kaydedilmiş iki görüntü ile
sırasıyla bir dönüşüm ve yönlendirme işlemidir (Jensen, 1996).
Görüntü rektifikasyonunun ilk adımı, yer kontrol noktalarının seçimidir. Yer
kontrol noktaları (Groun control point GCP) kolayca ayırt edilebilen köşe noktaları,
yolların kesişim noktaları gibi noktalardan seçilmelidir .Şekil 2.14.’de bir yol kesişim
noktasından seçilerek oluşturulan yer kontrol noktası örneği görülmektedir.
Yer kontrol noktalarının kaç tane alınacağı, araziye, görüntü boyutuna ve kaliteli
kontrol piksellerinin elde edilebilirliğine bağlıdır. Örneğin yüksek kontrastlı yollarla
(kaliteli ter kontrol noktaları), düz bir arazi parçasının rektifikasyonunda sadece birkaç
yer kontrol noktasına ihtiyaç duyulur. Engebeli arazilerde ise daha çok yer kontrol
noktasına ihtiyaç duyulmaktadır. Bazı alanlarda düşük kaliteli, az sayıda yol kesişimi ya
da ayırt edilebilir yer kontrol noktası vardır. Dolayısıyla, bu durumda uygulanan yaygın
yöntem, görüntü boyunca dağılmış birçok aday yer kontrol noktası seçilmeli, bu
noktaların harita koordinatları belirlenmeli, tüm aday yer kontrol noktalarına
dayanılarak bir rektifikasyon modeli geliştirmelidir. Daha sonra yüksek artık hatayı
veren yer kontrol noktaları çıkarılmalıdır. Kabul edilebilir ortalama model hatası;
(örneğin piksel) elde edilinceye ve en az sayıda yer kontrol noktası (örneğin, 30
GCP) kalıncaya kadar aday yer kontrol piksellerinin eklenmesine ve yüksek artık hatalı
yer kontrol noktalarının çıkarılmasına devam edilir (Verbyla, 1995).
1±
25
Şekil 2.14. Yer Kontrol Noktalarının Seçilmesi Örneği (Erdas User Guide, 1999)
Sayısal uydu görüntülerinin rektifikasyonunda afin koordinat dönüşümü yaygın
olarak kullanılmaktadır. Ortorektifikasyon işlemi, görüntünün; kamera sensör
oryantasyonu, topografik rölyef ve sistemden kaynaklanan geometrik hataların ortadan
kaldırma işlemlerini içerir (Erdas User Guide, 1999)
YaXaaX 210 ++=′
YbXbbY 210 ++=′
X ve Y eski görüntü koordinatlarını, X ′ ve Y ′dönüşüm sonrası (yeni) görüntü
koordinatlarını, ise dönüşüm matrisi katsayılarıdır. 221100 ,,,,, bababa
Rektifikasyon işleminin devamında yeniden örnekleme (resampling)
uygulanmalıdır. Yeniden örnekleme işlemiyle düzeltilmemiş (orijinal) görüntüdeki
piksel değerlerinden, yeni görüntüdeki piksel değerleri hesaplanır. Şekil 2.15.’de
yeniden örnekleme işlemi gösterilmiştir (http://dweb.ccrs.nrcan.gc.ca/ccrs/db).
Yaygın olarak kullanılan yeniden örnekleme yöntemleri; en yakın komşu yöntemi
(nearest neighbour), bilineer enterpolasyon (bilinear interpolation), ve kübik
konvolusyon (cubic convolution) dur.
En yakın komşu yöntemi, herbir çıktı pikselinin değeri orijinal görüntüdeki en
yakın pikselin parlaklık değerinin atanmasıyla elde edilir. Bu yöntem üç yöntem
arasında en hızlı olanıdır. Aynı zamanda önemli olabilecek bazı kantitatif spektral
çalışmalarda, orijinal piksel değerini korur. Ancak bu yöntem, özellikle doğrusal
26
özellikteki yollar, sahil şeridi gibi şekiller için düzgün çizgiler üretmesi gerekirken
merdiven görüntüsü oluşturur (Verbyla, 1995).
Bileneer enterpolasyon yönteminde, her bir sonuç pikselin sayısal değeri orijinal
görüntüdeki en yakın dört pikselin sayısal değerinin ağırlıklı ortalamasıdır. Ortalama
işlemi orijinal piksel değerini değiştirir ve sonuç görüntüsünde yeni sayısal değerler
yaratır. Bu işlem sonucunda görüntü yumuşar (Verbyla, 1995).
Kübik konvolüsyon yönteminde her bir sonuç pikselin sayısal değeri, orijinal
görüntüde en yakın 16 pikselin sayısal değerlerine göre belirlenir. Bu yöntemde de
görüntü yumuşar (Verbyla, 1995).
Şekil 2.15. Görüntünün Yeniden Örneklenmesi (http://dweb.ccrs.nrcan.gc.ca/ccrs/db)
2.5.2. Görüntü İyileştirme
Görüntü iyileştirme algoritmaları, bir görüntünün insan gözüne iyi görünmesi için
görüntünün geliştirilmesidir. İdeal bir görüntü iyileştirme yoktur. Çünkü sonuçlar
insanlar tarafından değerlendirilir, subjektifdir (Jensen, 1996).
Görüntü iyileştirme görüntü yorumlama ve görüntü anlamayı kolaylaştırmak için
kullanılır. Görüntü indirgeme, görüntü büyütme, kontrast iyileştirme, bant
kombinasyonları, konumsal filtreler, maskeleme, Fourier dönüşümü, temel bileşenler
dönüşümü gibi işlemler görüntü iyileştirme işlemleridir (Jensen, 1996).
27
Band kombinasyonlarının değiştirilmesi, kontrastlığın düzenlenmesinde
kullanılabilir. Görüntüdeki çeşitli özellikler, genellikle çevresindeki benzer renkler ve
siyah beyaz tonlar nedeniyle belirgin olarak ortaya çıkmazlar. Farklı sayısal değer
içermelerine rağmen benzer görünüştedirler. Bu tip özellikler kontrastlığın ayarlanması
ile geliştirilerek belirgin hale getirilebilir.
2.5.2.1. Histogramlar
Histogram bir görüntüdeki yansıma değerlerinin grafik gösterimidir. Bir
görüntünün belli dağılıma sahip yansıma değerleri üzerinde işlemler yapılarak
görüntüde istenen özellikler daha belirgin hale getirilebilir. Şekil 2.16.’da molekül
modelini gösteren bir görüntü ve görüntünün histogramı gösterilmiştir.
Şekil 2.16. Görüntü Histogramı
Histogramlar, sayısal görüntülerin metrik özelliklerinden biridir. Bir görüntünün
histogramı piksel değerlerinin sahip olduğu renk değerlerinin dağılımını ifade eder.
Görüntü kalitesi ve gürültü, sayısal görüntünün önemli metrik özelliklerindendir.
Görüntülerde en önemli kalite ölçütlerinden birisi sinyal gürültü oranıdır (Sağıroğlu ve
ark.,2003).
Çoğu çalışmada analizciler, görüntü üzerinde yapılan görüntü iyileştirme ve çeşitli
uygulamalardan önce ve sonra histogram oluştururlar. Histogramlar görüntüyü
anlamanın önemli bir grafiksel aracıdır. Görüntünün tek bandının histogramının nasıl
olduğunun incelenmesi de yarar sağlamaktadır (Jensen, 1996)
28
Bir sayısal görüntünün parlaklığını değiştirmek için görüntünün histogramının
değiştirilmesi gerekir. Histogramın sağa kaydırılması görüntünün parlaklığını arttırır,
sola kaydırılması ise azaltır.
Histogram eşitleme işlemi ile görüntü yalnızca sadeleşir daha fazla bilgi içermez,
Histogram eşitlemenin etkisi, bir görüntünün bütün gri düzey oranları yerine küçük bir
alt kümesi ile gri düzey dağılım piksellerinin kontrastını değiştirmektir.
Histogram germe, histogram sıkıştırma gibi yöntemlerle de görüntünün parlaklığı
değiştirilebilir. Şekil 2.17.’de histogram germe ile gri düzey değerleri belirli bir bölgede
toplanmış bir histogramın gri düzey değerlerinin arasının açıldığı görülmektedir.
Şekil 2.17. Histogram Germe (http://dweb.ccrs.nrcan.gc.ca/ccrs/db)
Yerel komşuluk işlemleri, görüntü düzeltme ve kenar arama gibi işlemlerdir.
Görüntü düzeltme, maskeleme ve filtreleme yöntemlerini içerir (Sonka ve ark., 1995).
2.5.2.2. Filtreler
Filtreleme görüntünün geliştirilmesi için kullanılır. Filtreleme işlemi frekans
uzayında gerçekleştirilir. Yüksek frekanslı verilerin görüntüde oluşturdukları
bulanıklıkları, görüntü üzerinde istenmeyen gürültüleri gidermek için filtreleme
kullanılmaktadır (Sağıroğlu ve ark., 2003).
Görüntüde oluşan gürültülerin ortadan kaldırılması, yumuşatılması için filtreleme
uygulanmaktadır. Filtreleme işlemi ile bir görüntünün konumsal frekans özellikleri
değiştirilir. Düşük frekanslı filtreler (LFF = low frequency filter), pikselleri giriş
29
piksellerinin parlaklık değerinden ( ), konvolusyon (convolution) ile yeni parlaklık
değerleri olan çıktı piksellerine çevirir. Bu komşuluk konvolusyon maskesi ya da
çekirdeğinin boyutu, genelde
inBV
outBV
33× , 55× , 77× , 99× dur. Şekil 2.18’de simetrik
maskeler görülmektedir (Jensen, 1996).
(a) 33× (b) 55×
Şekil 2.18. Konvolusyon Maske Çeşitleri (Jensen, 1996)
Görüntü boyutları ve maske boyutları büyüdükçe konvolusyonun
gerçekleştirilebilmesi güçleşir. Bu durumda hesap sürecini kısaltmak ve kolaylaştırmak
için konvolusyon genelde Fourier dönüşümü ile beraber uygulanır.
Yüksek geçiren filtreler, sayısal görüntü üzerinde kenar verilerinin geliştirilmesi
için kullanılır. Yüksek geçiren filtreler yalnızca yüksek frekans verilerin geçişine izin
verir. Bu da gri seviyelerin ani değiştiği kenar bölgelerine karşılık gelir. Bu işlemden
önce genellikle histogram eşitleme işlemi uygulanır. Bu uygulama alçak frekans
verilerinde kayıplara yol açmaktadır.
Alçak geçiren filtreler, görüntüdeki ani değişimleri bastırırlar, dolayısıyla daha
yumuşak bir görünüş kazandırır. Doğrusal filtrelerde çıkış değeri giriş piksellerinin
komşuluklarının doğrusal bir kombinasyonudur. Örneğin piksel komşuluklarının
ağırlıklandırılmış ortalamasının hesaplanması işlemi doğrusal bir filtrelemeye karşılıktır
(Sağıroğlu ve ark., 2003).
Yoğunluk fonksiyonundaki keskin değişiklik bölgesinde, bu fonksiyonun aniden
değiştiği piksellerde kenar aranır. Görüntü içerisindeki nesnelerin sınır çizgilerinin
belirlenmesi amacıyla kullanılmaktadır. Robert, Laplace, Prewitt, Sobel, Robinson,
Kirsch gibi kenar arama operatörleri yardımıyla, görüntüdeki kenarların yerleri
kestirilebilir (Sonka, ve ark., 1995).
30
2.5.3. Normalize Edilmiş Bitki İndeksi (NDVI)
Multispektral verilerin faklı bantları yüksek korelasyonludur, dolayısıyla benzer
bilgiler içerirler. Örneğin Landsat MSS’nin 4. ve 5. bantları (sırasıyla yeşil ve kırmızı)
aynı yeryüzü örtüsünden neredeyse eşit yansıma verdiğinden benzer görünümdedir.
Görüntü dönüşüm teknikleri, çok bantlı veri setlerinin artık verilerinin indirgenmesi ve
bantlar arasındaki korelasyonu kullanan karmaşık özellikli istatistik işlemlere dayanır.
Temel bileşenler dönüşümü (PCA = Principal Component Analysis) ile veri, çok
boyutluluğu (bant sayısı) indirgenir ve orijinal bantlardaki fazla veri daha az veri olarak
sıkıştırılır. Örnek olarak, 7 bantlı bir TM (Thematic Mapper) veri setinin ilk 3 temel
bileşeni orijinal 7 bantta bulunan verinin %90’ını içermektedir. Bu 3 bantın
yorumlanması ve analizi 7 bandın işlenmesinden daha kolay ve etkili olur. Görüntünün
yorumlanmasında bir kolaylık sağlayacaktır. Şekil 2.19.’da 7 bantlı görüntünün
verilerinin %90’ının ilk 3 bandında olduğu şematik olarak gösterilmiştir
(http://dweb.ccrs.nrcan.gc.ca/ccrs/db).
Şekil 2.19. Temel Bileşenler Dönüşümü(http://dweb.ccrs.nrcan.gc.ca/ccrs/db)
Normalize edilmiş bitki indeksi (NDVI), olarak adlandırılan band aritmetiği ya da
indislerini kullanarak bitki, su, kar, kaya, çıplak arazi, kesilmiş ormanlık saha vb.
özellikleri geliştirerek belirleme olanağını sağlamaktadır. Bu band aritmetiği
elektromanyetik spektrumun yakın kızılötesi ve görünen kırmızı bandlarına dayalıdır.
Bitkiler özellikle yakın kızılötesi bölgede yansıma yaparlar bitki ve su arasındaki
kontrastlık bu bölgede görülür. Spektrumun görünen kırmızı bandında bitki, çıplak
arazi, kayalık arazi ve insan yapısı cisimler çok iyi kontrastlık sağlarlar.
31
Normalize edilmiş bitki indeksi değerinin hesaplanmasında farklı bantların sayısal
değerleri (DN) kullanılır. DN değeri atmosferin ya da yeryüzünün ne kadar enerji
emdiğine ve sensöre ne kadar miktarda yansımayı geri gönderdiğine bağlı olarak
değişmektedir.
Landsat TM görüntülerinin NDVI değeri;
3434
BandBandBandBandNDVI
+−
=
ile hesaplanır.
Landsat TM sensörü, elektromanyetik spektrumdaki yakın kızılötesi (IR),
yansımayı band 4’e, görünen kırmızı (R) yansımayı ise band 3’e kaydetmektedir.
Bu duruma göre formül ;
RIRRIRNDVI
+−
=
şeklinde de gösterilebilir. Tablo 2.3.’de elektromanyetik spektrumun bazı
bantlarında çeşitli maddelerin tepkileri verilmiştir.
NDVI hesaplama yöntemi kullanıldığında, bitki örtüsünün bulunduğu alanları
göze batacak şekilde gösteren tek bantlı siyah beyaz bir görüntü oluşur (Erdas
Guide.1999).
Tablo 2.3. Çeşitli Bantlarda Hesaplanmış NDVI değerleri (Erdas Guide, 1999 )
ÖZELLİK IR DEĞERİ GÖRÜNEN
KIRMIZI DEĞERİ
SONUÇ NDVI
DEĞERİ
BİTKİ YÜKSEK DÜŞÜK YÜKSEK
BULUT / SU / KAR DÜŞÜK YÜKSEK NEGATİF
KAYALAR /
ÇIPLAK TOPRAK YÜKSEK YÜKSEK SIFIRA YAKIN
32
3. MATERYAL VE METOT
3.1. Materyal
Çalışmanın materyalini Samsun iline ait 1999 tarihli Landsat ETM uydu
görüntüsü oluşturmaktadır. Bu uydu görüntüsü, Yeşilırmak havzası iyileştirme
projesi’nden temin edilmiştir. Landsat ETM uydu görüntüsü 1999 yılında elde edilen,
Samsun ili ve çevre ilçelerinin görüntüsüdür.
3.2. Metot
Araştırmada aşamalı olarak arazi ve büro çalışmaları gerçekleştirilmiştir. Öncelikle büro
çalışmaları yapılmıştır. Bu çalışmalara destek olması için arazi çalışmaları yapılmıştır.
Bu çalışmaların sonuçları yeniden büro çalışmalarıyla değerlendirilmiştir.
3.2.1. Arazi Çalışmaları
Eğitimli sınıflandırma yöntemi örnek uygulamasına veri toplamak amacıyla,
araştırmacı tarafından bölge gezilerek bölge hakkında genel bilgiler toplanmıştır.
3.2.2 Büro Çalışmaları
Eğitimli sınıflandırma yöntemi örnek uygulanması için, bölgeye ait 1/25000
ölçekli topoğrafik haritalardan ve eğitimsiz sınıflandırma sonucu elde edilen sonuç
görüntüsünden de yararlanılmıştır.
Örnek uygulamada Erdas Imagine 8.4 yazılımı kullanılmıştır. Erdas Imagine
görüntü işlemedeki ileri seviyeli uygulamaları içeren bir programdır. Uzaktan
algılamada coğrafi görüntülerin analizlerinde yaygın olarak kullanılmaktadır.
Elde edilen belgeler, araştırma problemi ve amaçlara uygun olarak
sınıflandırılmıştır. Buna göre sayısal görüntülerin bölümlenmesi ve sınıflandırılmasında
kullanılan yöntemler, tek tek ele alınarak incelenmiştir. Sayısal görüntülerin
bölümlenmesinde kullanılan eşikleme, sınır temelli ve bölge temelli yaklaşımlar, sayısal
33
görüntülerin sınıflandırılmasında kullanılan eğitimsiz ve eğitimli sınıflandırma
yaklaşımları incelenerek, aralarındaki ilişkiler tartışılmıştır.
Örnek uygulamada; eğitimsiz sınıflandırma için ‘ISODATA (Iterative Self
Organizing Data Analysis Tecnique) yöntemi’, eğitimli sınıflandırma için ‘En Çok
Benzerlik (Maksimum Likelihood) yöntemi’ uygulanmıştır.
34
4. BULGULAR VE TARTIŞMA
4.1. Görüntü Bölümleme (Segmentasyon, Image Segmentation) Yöntemlerine İlişkin Bulgular ve Tartışma
Görüntü analizinin en önemli parçalarından biri görüntü bölümleme işlemleridir.
Bölümleme kavramı çok kolay bir düşünceye dayanır. Bir kişi bir görüntüye baktığında
o görüntünün ne gibi bölgeler içerdiğini, bir binaya, bir insana ya da arka palana ait bir
bölge mi olduğunu size söyleyebilir. Sayısal bir görüntünün bölümlenmesinde
bilgisayar teknolojisini kullanmak, olgusal yargılara varmayı kolaylaştırır. Bu
yöntemleri bir bilgisayar algoritmasıyla yapmak sistematik bir süreç gerektirmektedir.
Bir bölgenin nasıl tanımlanacağı, hangi özelliklerle diğerinden ayrılacağı, görüntüde kaç
bölge belirleneceği akla gelen ilk sorulardır. Görüntü bölümleme işlemi, endüstri,
astronomi, sağlıkla ilgili ve daha pek çok alanda kullanılmaktadır (Baraniuk ve ark.,
1999).
Bölümleme işleminde, sonuçları giriş görüntüsündeki nesnelere ait ayrık bölgeler
olan ‘tamamen bölümleme’ ya da görüntüdeki nesnelerle direkt ilgili olmayan ‘kısmen
bölümleme’ amaçlanabilir. Kısmen bölümlemenin amacı, bir görüntüyü parlaklık, renk,
yansıtma gibi özellikleri bakımından türdeş bölgelere ayırmaktır. Eğer işlenen
görüntünün karmaşık bir görünümü varsa, örneğin kente ait bir fotoğrafsa, sonuçta
örtüşen türdeş bölgeler oluşma olasılığı vardır. Kısmen bölümlenmiş görüntü daha
sonraki işlemlerde ve yüksek düzeyli bilgilerle yapılan bölümleme için yardımcı olarak
kullanılabilir. Tamamen bölümlemeyi başarmak için, problem uzayına ait özel bilgi
kullanan daha yüksek düzeyli görüntü işleme teknikleri kullanılmaktadır (Sonka ve ark.,
1995).
Sayısal bir görüntü verisine eşlik eden ve bulanıklık oluşturan etki gürültü (noise)
olarak tanımlanır. Görüntü verisindeki gürültülerin veriye eşlik etmesi nedeniyle oluşan
görüntü bulanıklığı, görüntü bölümlemenin temel problemlerinden biridir. Bölümleme
yöntemleri baskın özelliklerine göre üç grupta toplanabilir. Öncelikle, görüntünün
bölümleri hakkında genel bilgiler (çoğunlukla bir histogramla) temsil edilmelidir. Sınır
temelli yaklaşımlar ikinci grup ve bölge temelli yaklaşımlar da üçüncü grup olarak ele
alınabilir (Sonka ve ark., 1995).
35
İdealinde sınır temelli yaklaşımlar ile bölge temelli yaklaşımlar aynı bölümleme
sonucunu vermelidir ancak pratikte nadiren uyuşmaktadırlar. Eşikleme işlemi, en basit
bölümleme işlemlerinden biridir.
Bu bölümde, sayısal görüntülerin bölümlenmesi yöntemlerinden eşikleme, sınır
temelli yaklaşımlar ve bölge temelli yaklaşımlar incelenerek aralarındaki ilişkiler
sorgulanmaktadır.
4.1.1. Eşikleme (Thresholding)
Bölüm 2.2’de de belirtildiği üzere; binary görüntülerde pikseller iki renk değerine
sahiptir. Siyah sıfır (0) ile beyaz bir (1) ile temsil edilir. Görüntünün gri düzey
değerlerine uygun bölümleme yapıldığında binary görüntü elde edilir. Bir nesnenin
parlaklık değerleri bir aralıktaysa ve arka plan piksellerinin parlaklık değerleri bu
aralığın dışındaysa, aralıkta kalan noktalara 1 dışında kalanlara da 0 değerleri verilerek
uygulanan eşikleme işlemiyle binary görüntü elde edilebilir. Pekçok kamera eşikleme
işlemini gerçekleştiren donanım tasarımına sahiptir. Bir çok uygulamada kamerayla
elde edilen binary görüntü verilen gri düzey görüntüye eşikleme uygulayarak elde edilir.
Eşikleme gri düzey bir görüntüyü ilgilenilen bir nesneyi arka planından ayıran bir
binary görüntüye çevirir (Jain ve ark., 1995).
Gri düzey eşiklemesi, en basit bölümleme uygulamasıdır. Görüntüdeki nesneleri
görüntünün arka planından ayırt edebilmek için parlaklık seviyesi ile tanımlı bir
eşikleme işlemi uygulanır. Eşikleme hesaplaması ve uygulaması en kolay bölümleme
yöntemidir. Bu nedenle gerçek zamanlı uygulamalarda kullanımı elverişlidir (Sonka ve
ark., 1995).
Nesne arkaplan ayırma eşiklemesinin etkili olabilmesi için, nesne ve arkaplanın
yeterli kontrastlığının olması gerekir.
Binary görüntünün , eşiklenen gri düzey görüntünün , eşik değeri T ve
orijinal gri düzey görüntünün olduğunu varsayarsak,
[ ]jiB , [ ]jiTF ,
[ ]jiF ,
[ ]jiB , = [ ]jiTF ,
36
arka planına göre daha koyu renk bir nesne ise,
[ ]jiTF , = diğer durumda [ ]
⎩⎨⎧
⇒≤⇒
0,1 TjiF
eğer nesnenin parlaklık değerini biliyorsak, [ ]21TT
[ ]jiTF , = diğer durumda [ ]
⎩⎨⎧
⇒≤⇒ ≤
0,1 21 TjiFT
ifadesini kullanabiliriz (Jain ve ark., 1995).
Şekil 4.1. Bir Görüntünün Parlaklık Değeri Histogramı İle Eşikleme
Şekil 4.1.’de bir elma fotoğrafı ve fotoğrafa ait parlaklık değeri histogramı
görülmektedir. Eşikleme değerinin altında kalan pikseller, nesneye ait pikseller olarak
etiketlenir, eşikleme değerinin üzerindeki pikseller arka plan olarak etiketlenir.
Eşikleme işlemi genellikle seyreltme (thinning), vektörleştirme (vectorization) ve
morfolojiksel (morphological) işlemlerinden önce kullanılmaktadır. Bölümleme
probleminde eşikleme değeri T’ nin seçilmesi önemlidir. İlk sınıf siyah piksellerden
oluşursa I(i,j) < T şeklinde belirlenir, diğer sınıf I(i,j) > T şeklinde belirlenir ve beyaz
piksellerden oluşur. Eşikleme değeri görüntüdeki piksel değerleri kullanılarak belirlenir.
37
Genellikle iteratif olarak belirlenir. Görüntünün histogramının incelenmesi ile
piksellerin parlaklık değerlerinin eğilimine bakılarak da belirlenebilir. Otomatik
eşikleme iki adımdan oluşur, ilk adım histogramda iki tepe noktası belirlemek ikinci
adım ise bu iki tepe arasındaki en düşük değerli noktayı bulmaktır (Parker, 1997).
4.1.2. Sınır Temelli Yaklaşımlar
Sınırlar (kenarlar), gri düzeylerdeki, renklerdeki, dokulardaki ya da görüntünün
niteliğini belirleyen faktörlerden herhangi birindeki süreksizliğin bir sonucudur. Sayısal
görüntülerdeki nesnelere ait sınır çizgilerinin belirlenmesi için pek çok yöntem
geliştirilmiştir. Kenar belirleme, eğim (gradient) temelli yöntemler, ikinci türev
operatörleri bu başlık altında incelenecek yaklaşımlardır.
4.1.2.1. Kenar Belirleme
Kenarlar görüntülerde önemli bölgesel değişimlerdir. Kenarlar doğal olarak
görüntüdeki iki faklı bölge arasındaki sınırdır. Kenar belirleme aktif araştırma
bölgesinden görüntüden bilgi kurtarmanın ilk adımıdır. Görüntüdeki bir kenar,
parlaklık değerindeki dikkate değer bir değişimle belirlenebilir. Bu değişim ya
süreksizliğin tespit edilmesiyle ya da görüntü parlaklığının birinci türeviyle belirlenir
(Jain ve ark., 1995).
Görüntü parlaklığındaki süreksizlik, basamak süreksizliği türünde ise, görüntünün
bir tarafındaki değer ile diğer tarafındaki değer ani bir değişim gösterir. Doğru
süreksizliği türünde ise, parlaklık değeri aniden değişir ve kısa bir mesafe sonra
başlangıç değerine geri döner. Şekil 4.2’de kenar süreksizlik türleri gösterilmiştir (Jain
ve ark., 1995).
38
Basamak
Doğru
Çatı
Rampa
Şekil 4.2. Kenar Süreksizlikleri (Jain ve ark., 1995).
Nesnelerin sınırları genellikle kenar belirleme maskeleri (kenar arama
operatörleri) ile belirlenir. Bölüm 2.5.2.2.’de maske çeşitlerinden bahsedilmektedir.
Kenar belirlemede yaygın olarak kullanılan [ ]33× boyutlu maskeler Frei ve Chen
tarafından geliştirilmiştir.
Kenar belirleme amaçlı maskeler;
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−=
121000121
221
1k ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−−
=101
202101
221
2k
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
−=
012101210
221
3k ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
−=
210101012
221
4k
Doğru belirleme amaçlı maskeler;
39
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−−=010101
010
21
5k ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−
−=
101000101
21
6k
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−
−=
121242
121
61
7k ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
−−=
212141212
61
8k
Ortalama değerin belirlenmesi için ise verilen konvolusyon maskesi;
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
111111111
91
9k
olarak tanımlanmıştır (Sağıroğluve ark., 2003).
Bazı kenar arama maskeleri, parlaklık değişimi dışında bu değişimin yönünü de
aramaktadır. Maske uygulamaları gürültü etkisi olan görüntülerde uygun sonuçlar
vermeyebilir. Öncelikle gürültünün giderilmesi için bir ön işlem yapılmalıdır. Örneğin,
görüntüyü filtrelemek görüntüdeki gürültülerin azaltılmasına yardımcı olur. Maske
boyutunu küçük tutmak, kenar aramayı gürültülerden daha çok korur.
Kenar arama operatörleri görüntüdeki piksellerin komşularıyla parlaklık
değerlerini karşılaştırır. Piksel parlaklık değerleri arasında, belirgin bir fark varsa
burada bir kenar olması muhtemeldir. İdealinde bir kenar ani ve belirgin gri düzey
farkıyla ortaya çıkar ancak pratikte böyle ani değişimler yerine renk tonları
oluşmaktadır.
4.1.2.2. Eğim (Gradient) Temelli Yöntemler
Eğim değerleri bir pikselin bir kenara ait olma olasılığı ile ilgili bilgi verirler. Bir
görüntünün eğim fonksiyonu;
40
[ ]⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
∂∂∂∂
=⎥⎦
⎤⎢⎣
⎡=
yfxf
GG
yxfGy
x),(
şeklindedir. Eğim ile iki önemli özellik tanımlanır. Birincisi; [ ]),( yxfG vektörüdür ve
bu vektör fonksiyonunun birim uzaklıktaki maksimum artış oranını gösterir.
İkincisi;
),( yxf
[ ] 22),( yx GGyxfG += olarak verilen eşitliktir ve eğimin sayısal değerini
gösterir (Jain ve ark., 1995).
Son yıllarda yaygın olarak kullanılan eğim temelli sınır belirleme
yaklaşımlarından bazıları; Robert operatörü, Sobel operatörü, Prewitt operatörüdür.
Robert operatörü, eğimi hesaplarken mümkün olan en küçük farkları kullanan bir
filtrelemedir (Jahne, 2000).
Rober operatörü; aşağıdaki filtrelerle tanımlanır (Ritter and Wilson, 2000).
⎥⎦
⎤⎢⎣
⎡−
=− 1001
yxD ⎥⎦
⎤⎢⎣
⎡−
=+ 0110
yxD
Sobel operatörü; pikseller arasında [ ]33× komşuluğunu kullanarak, eğim
miktarını aşağıdaki fonksiyonla hesaplar;
22yx SSM +=
Fonksiyondaki kısmi türevler hesaplanır;
)()( 670432 acaaacaaSx ++−++=
)()( 456210 acaaacaaS y ++−++=
c = 2 (sabit)
Diğer eğim operatörleri gibi ve konvolusyon maskeleri kullanarak uygulanır. xS yS
41
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−
=101202101
xS ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−=
121000121
yS
Prewitt operatörü, Sobel operatörü ile c = 1 sabiti hariç aynı denklemleri kullanır.
Dolayısıyla, Prewitt konvolusyon maskeleri; ve aşağıdaki gibidir (Jain ve ark.,
1995).
xS yS
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−
=101101101
xS⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−=
111000111
yS
4.1.2.3. İkinci Türev Operatörleri
Sayısal görüntü doğrular içeriyorsa ve görüntüdeki ardışık değişimler doğusal ise
kenar verilerinin elde edilmesi için ikinci dereceden türev operatörleri kullanılır. Kenar
noktalarının birinci türevinde bir tepe noktası, ikinci türevinde sıfır kesişim (zero
crossing) olabilir. İkinci türev operatöleri olarak, Laplasyen operatörleri, direkt olarak
ikinci türeve dayalı operatörler, Log operatorleri aşağıda incelenmektedir.
Laplasyen (Laplacian) Operatörleri;
2
2
2
22
yf
xff
∂∂
+∂∂
=∇
fonksiyonu ile tanımlanır. Laplasyen operatörleri;
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−≈∇
010141010
2 ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−≈∇
1414204141
2
matrisleri ile ifade edilebilir.
Direkt olarak ikinci türeve dayalı operatörler;
42
22
22
2
2 2
yx
yyyxyyxxxx
fffffffff
n +
++=
∂∂
fonksiyonu ile elde edilir.
İkinci türeve dayalı sıfır kesişim metodu, kenar noktalarını parlaklıklar ile
belirlerken, gürültüye çok duyarlıdır. Dolayısıyla gürültüleri azaltmak için filtrelenmesi
istenir. Bunu yapmak için Marr ve Hildreth Gauss filtresi ile Laplasyen kenar belirleme
yöntemini birleştirilmiş ve bu yönteme LoG (Laplacian of Gaussian) adı verilmiştir. Bu
yaklaşımla; görüntüye ilk önce Gauss filtresiyle konvolusyon işlemi uygulanır. Bu
adımla görüntü düzeltilir ve gürültüler azaltılır. Ayrılmış gürültü noktaları ve küçük
yapılar çıkarılır. Düzeltme sonucu kenarlar yayılır ve kenar belirleme operatörü
kenarları yalnızca yerel eğimi en fazla olanları dikkate alır. Bu ikinci türevin sıfır
kesişimi ile başarılır.
LoG operatorü sonucu elde edilen fonksiyonu aşağıdadır: ),( yxh
( )[ ]),(),(),( 2 yxfyxgyxh ×∇=
Yukarıdaki fonksiyona, konvolusyon için türev kuralı uygulanarak aşağıdaki fonksiyon
elde edilir (Jain ve ark., 1995).
[ ] ),(),(),( 2 yxfyxgyxh ×∇=
4.1.3. Bölge Temelli Yaklaşımlar
Sayısal bir görüntüde bölge, benzer özellikler ile bağlantılı pikseller topluluğu
olarak tanımlanır. Bölgeler bir görüntünün yorumlanmasında, görüntüdeki nesnelerle
olan ilişkisinden dolayı önemlidir. Bir görüntü birkaç nesne içerebilir ve her nesnenin
farklı bölümlerinde birkaç bölge bulunabilir. Bir görüntünün doğru bir şekilde
yorumlanabilmesi için görüntü nesnelere ya da nesnelerin bölümlerine ayrılmalıdır.
Ancak nesnelerin mükemmel olamaması sonucu oluşan bölümleme hatalarından dolayı,
43
nesne belirleme bilgisi görüntü yorumlamanın daha sonraki aşamalarında
kullanılmalıdır (Jain ve ark., 1995).
Bölge temelli yaklaşımlar bölge çıkartma, bölge ayırma, bölge birleştirme ve
bölge geliştirme algoritmalarının ya da bunların bir arada kullanılarak sayısal
görüntülere uygulanmasını içerir.
Bölge temelli yaklaşımlar, görüntüyü bölgelere ayırma esasına dayanır. Örneğin
giriş görüntüsü R ise, alt bölgeler olarak gösterilebilir. Her piksel
tanımlı bir bölgeye dahil olmalıdır, bölümleme işlemi tamamlandığında piksel, bir
bölgede gösterilmelidir ( ). İkinci koşul olarak bir bölgedeki noktalar bağlanmalıdır
( , i=1,2,...,n). Bölgeler ayrık olmalıdır (
nRRRR ..,,.........,, 321
i
n
iRU
1=
iR =∩ ji RR ∅ , ji ≠ ). Bölgeler belirlenen bir
özelliğe göre bölümlenebilir. Örneğin, bu özellik bölgedeki tüm piksellerin aynı
parlaklık değerine sahip olması olabilir. Bu durumda, trueRP i =)( gibi bir koşul
koyulabilir. Son koşul olarak da bölgeler ve , farklı olarak gösterilir
( ,
iR jR
falseRRP ji =∪ )( ji ≠ ) (Gonzalez, 1987).
Eşikleme sistem tarafından otomatik seçilebilirse, bölümleme işlemi daha
güvenilir olacaktır. Görüntüdeki nesneler hakkındaki bilgiler, bölümleme
algoritmasında kullanılırsa eşikleme değeriyle bölümlemeye oranla daha doğru
sonuçlara ulaşılabilir. Nesnelerin parlaklık değerleri, nesnelerin boyutları, nesnelerin
kesişimleri, görüntüde görünen faklı tipteki nesnelerin sayısı gibi bilgiler, yardımcı
olabilecek bilgilerdir (Jain ve ark.,1995).
Bölümlemede bölge çıkartma veya bölge geliştirme aynı niteliklere sahip ve
komşulukları bulunan piksellerin, sınırları tanımlanabilir bir küme içerisinde
toplanmasını ifade eder. Bölge bölme veya ayrıma işlemi, tanımlanmış bölgeleri daha
küçük alt bölgelere ayırmayı amaçlar (Sağıroğlu ve ark., 2003).
Bölgeler pek çok bağlamda kullanılan birçok şekilde temsil edilebilir. Farklı
temsiller farklı uygulamalar için elverişlidir. Bazı uygulamalar yalnızca bir tek bir bölge
için hesaplama yapmayı gerektirirken, bazıları görüntüdeki bölgeler arasındaki ilişkileri
dikkate almayı gerektirir. En çok kullanılan temsil şekilleri; dizi temsili, hiyerarşik
temsil ve sembolik temsildir (Jain ve ark., 1995).
44
Bölge birleştirme, gerçekte aynı alanların bölümleri olan parçalara ayrılmış
bölgeleri bir araya getirmekte, bölge sayısını azaltmada kullanılır. İşlem bitişik iki
pikselin arasındaki gri düzey farkındaki düşüşle yapılır. Belirlenen eşikleme değeri T ile
düşüşler tanımlanabilir. T eşik değerinin nasıl belirlendiği bölüm 4.1.1.’de ifade
edilmektedir.
⎩⎨⎧
><
=TsTs
w01
Düşme olan her bölgenin sınır uzunlukları ölçülmek istenir ve bunlara ,
denirse, bölgeler arasında uzunluk boyunca düşüşün toplamının hesaplanması ile
ifade edilir. Bu durumda;
1b 2b
ws
),(min 21 bbimumw
ws ∑=
olarak gösterilebilir. Eğer bu değer eşik değerinden daha büyük ise ortaya çıkan
iki bölge birleştirilir.
Bölgelerin piksel parlaklık değerlerinin ortalamaları karşılaştırıldığında, aralarında
belirlenen bir referans değere göre anlamlı bir fark yoksa, bu bölgeler benzerdir ve
birleşmeye adaydır denilebilir. Bitişik bölgelerin piksel parlaklık değerlerinin olasılık
dağılım fonksiyonları incelenerek, parlaklık değerlerini değerlendirmek diğer bir
yaklaşımdır. Bu yaklaşım bitişik bölgelerin benzerliği ve daha detaylı tartışılması için
hipotez testinde ve değerlendirmede kullanılmaktadır (Jain ve ark., 1995).
Bölge ayırma işlemini gerçekleştirmenin araçlarından biri gri düzey histogramıdır.
Histogram bölgelerin duyarlığıyla ilgili iyi bir yol göstericidir. Görüntü normal renkli
(RGB) ise üç adet renk histogramı elde edilmelidir. Histogramlardaki tepeler ve
aralarındaki çukurlar histogramlar incelenerek tanımlanmalıdır. Bazı tepeler
diğerlerinden daha yüksek olabilir, en yüksek olanı dikkate alınmalıdır.
Bölge geliştirme teknikleri, belirlenmesi zor kenarları bulunan gürültülü
görüntüleri genel olarak iyileştirmektir. Bölge geliştirmede ana bölümleme kriteri,
45
bölgelerin özelliklerine dayanan homojenliktir. Homojenlik kriteri, gri düzey, doku ya
da herhangi bir semantik bilgiyi kullanan bir model olabilir (Sonka ve ark., 1995).
Kent alanlarının sayısal görüntülerinin elde edilmesi ile birlikte görüntü ayırma
yöntemleri önemli bir hale gelmiştir. Bu yöntemler, binalar, yollar, arabalar gibi kendi
özellikleri, geometrileri ve dolayısıyla modelleri olan bileşenlerin belirlenmesini
sağlayabilmektedir. Bölge temelli bölümleme yaklaşımı, kent alanlarının belirli
özelliklerini ön plana çıkarması nedeniyle doğru yaklaşımdır. El yapımı yapıların,
genelde tek madde ile inşa edilmelerinden dolayı sabit yüzeyleri vardır. Bölge temelli
yaklaşımlardan ayırma ve birleştirme tekniklerinin, tutarlı ve sağlam bölümler
üretebildiği görülmüştür.
4.2.Görüntü Sınıflandırmasına İlişkin Bulgular ve Tartışma
Sayısal görüntüleri sınıflandırmanın amacı; pikselleri spektral değerlere göre
gruplandırmak, benzer spektral değerleri taşıyan nesneleri ayırt edebilmek,
tanımlayabilmektir.
Görüntü sınıflandırmanın, uzaktan algılama, görüntü analizleri ve patern tanıma
alanlarında önemli bir yeri vardır. Sınıflandırma işlemi bir karar verme işlemidir.
İşlemde amaçlanan, bir görüntüdeki bütün pikselleri arazide karşılık geldikleri sınıflar
içine otomatik olarak atamaktır.
Sınıflandırma, seçilen sınıflandırma algoritmalarına göre iki ana başlıkta
toplanabilir. İlki eğitimsiz diğeri eğitimli sınıflandırmadır.
Eğitimli sınıflandırma olarak adlandırılan sınıflandırma yöntemi, olası sınıfların,
özellikleri bilinen karakteristik alıştırma örneklemlerine (eğitim örneklerine) göre
tanımlandığı, her ölçme vektörünün, belirlenmiş bir karar kuralına göre sınıflandırıldığı
bir işlemdir. Eğitimsiz sınıflandırma ise eğitimli sınıflandırmanın tersine olası sınıfların
alıştırma örneklemlerinden ziyade doğal veri karakteristiklerine göre tanımlandığı, her
ölçme vektörünün belirlenmiş bir karar kuralına göre sınıflandırıldığı bir işlemdir
(Maktav ve Sunar, 1991).
Sınıflar ölçme uzayında birbirlerini örtebilirler, yani bir sınıftaki bazı ölçüler diğer
sınıftakinden ayırt edilemeyebilir. Böyle durumlarda istatistiksel patern tanıma
46
yöntemleri ile en sık ya da en olasılıklı doğru sınıflandırmalar elde edilir. Bu
yöntemlerde genellikle patern sınıflarının olasılık fonksiyonlarından yararlanılır. Ancak
alıştırma fonksiyonları genelde bilinmez ve bir dizi alıştırma paterninden kestirilmek
zorundadır. Bazı durumlarda da olasılık fonksiyonlarının şeklinin bilindiği varsayılır ve
sadece fonksiyonların belirli parametrelerinin, alıştırma paternlerinden ortalamalar ve
varyanslarla kestirilmesi gerekir. Bu durumda yönteme parametrik denir (Maktav ve
Sunar, 1991). Parametrik sınıflandırma algoritması sınıflandırmayı yaparak sınıfları
belirleyen en etkili iteratif algoritmadır. Diğer bir parametrik yaklaşım verilen bilginin
dağılımının matematiksel ifadesidir. Normal dağılım ya da Rayleigh dağılımı gibi.
Parametrik olmayan yaklaşımda ise ne sınıflandırıcı kriteri ne de dağılım
matematiksel biçimde ifade edilmez. Onun yerine örnekler yoğunluk fonksiyonunun
grafiğinin çukurlarına göre seçilir. Çukurlar doğal sınır olarak dikkate alınabilir. Bu
sınır karmaşık olabilir ve parametrik bir biçimde ifade edilemeyebilir (Fukunaga, 1990).
4.2.1. Eğitimsiz Sınıflandırma (Unsupervised Classification)
Eğitimsiz sınıflandırma işlemi, benzer spektral değerlere sahip pikselleri
gruplandırma işlemidir. Benzer piksellerden oluşan her grup, spektral sınıf olarak
adlandırılır. Bu spektral sınıfların, örtü tipleriyle; örneğin mera tipli, sulak arazi tipli
gibi, ilişkili olduğu varsayılır. Eğitimsiz sınıflandırma işlemi, sınıflandırma öncesinde,
varolan örtü tipi bilgisini gerektirmez. Bu durum görüntünün ait olduğu bölgeyi
tanımayan bir analizci için avantaj olabilir (Verbyla, 1995).
Sınıflandırma algoritması, verinin doğasına göre belirlenir. Genellikle analizci,
görüntüde kaç sınıf göründüğüne bakarak; istenilen sınıf sayısı, sınıflar arası ayırma
uzaklığı gibi parametreleri belirler (http://dweb.ccrs.nrcan.gc.ca/ccrs/db).
Eğitimsiz sınıflandırma, bilgi içeren sınıfları karakterize etmede genel olarak
eğitimli sınıflandırma kadar etkin bir yöntem değildir. Bilgi içeren sınıfların ölçme
uzayında sadece marjinal ayrılabilir olduğu zaman uygulanması tercih edilmelidir
(örn.,ararlarında çok az spektral fark olan iki ürün cinsi ). Bu nedenle eğitimsiz
sınıflandırma analizi bilgi içeren sınıfların çok spektrumlu verilerde kolaylıkla ayırt
edilebilmesi halinde güvenilir sonuçlar verebilir. Genellikle analiz edilecek alanlar
47
geniş ve heterojen yapıdadır. Bölgedeki yer örtüsünü karakterize etmek için yeterli
sayıda alıştırma örneklemleri toplamak pek mümkün olmamaktadır. Bu durum fiziksel
olarak mümkün de olmayabilir. Ayrıca bilgi içeren sınıfların doğal örneklemlerini
hassas olarak belirlemek zordur. Böyle verilerin optimum analizini sağlamak için
eğitimli ve eğitimsiz analizin karması melez (hibrit) olan prosedürler geliştirilmiştir
(Maktav ve Sunar, 1991).
Eğitimsiz sınıflandırma işleminde sınıflandırmadan önce görüntüdeki örtü türleri
ile ilgili bilgi gerekli değildir. Eğitimsiz sınıflandırma sonucunda aynı örtü türüne ya da
nesneye ait pikseller farklı sınıflarda sınıflanmış olabilir ya da tersine birkaç nesneye
veya örtü türüne ait pikseller tek bir sınıfta sınıflanmış olabilir. Bu eğitimsiz
sınıflandırmanın bir dezavantajıdır. Sınıflandırma işleminden sonra uygun görülen
sınıflar birleştirilebilir.
A B
Şekil 4.3. Eğitimsiz Sınıflandırma (http://dweb.ccrs.nrcan.gc.ca/ccrs/db)
Şekil 4.3. (A)’da RGB olarak gösterilen sayısal görüntünün, eğitimsiz
sınıflandırma işlemi uygulandıktan sonraki hali Şekil 4.3. (B)’de gösterilmektedir.
Eğitimsiz sınıflandırma yöntemlerinden en çok bilinenleri histogram tabanlı
eğitimsiz sınıflandırma, K- ortalamalı kümeleme yöntemi, Isodata(Iterative Self
Organizing Data Analysis Tecnique) yöntemi olarak sıralanabilir. Bu araştırmada
Isodata yöntemine ve histogram tabanlı eğitimsiz sınıflandırma yöntemlerine
değinilecektir.
48
4.2.1.1. Histogram Tabanlı Eğitimsiz Sınıflandırma
Histogram tabanlı eğitimsiz sınıflandırma, görüntüyü çan eğrisi şeklinde
varsayılan histogramlarla spektral sınıflara ayırmaya yardımcı olur. İşlemde öncelikle
görüntünün sayısal değerleri ile oluşturulan histogramdaki tepe noktaları belirlenir.
Histogramdaki her tepe noktası spektral bir sınıfla ilgilidir. Bir sonraki adım her
spektral sınıfın sınırlarının belirlenmesidir. Karar sınırları kullanılır. Histogram tabanlı
sınıflandırma çok bantlı görüntülere de uygulanabilir. Örneğin iki bantlı görüntü varsa,
histogramdaki tepeler,sürekli olacaktır ve (iki boyutlu) bir tepe gibi olacaktır (Verbyla,
1995).
Özetle histogram tabanlı sınıflandırmada görüntü bölümleme yaklaşımlarından
eşiklemede olduğu gibi görüntünün histogramı incelenerek, histogramda ani bir değişim
var ise farklı nesnelere ait olabileceği söylenebilir.
4.2.1.2. Isodata Yöntemi (Iterative Self Organizing Data Analysis Tecnique)
Isodata yöntemi, iteratif bir sınıflandırma yöntemidir. Isodata yönteminin
algoritması,deneyimler ile geliştirilmiştir. Isodata kendi kendine sınıflandırma (self-
organizing) yöntemidir (Jensen,1996).
Isodata yöntemi iteratif bir yöntemdir. Başlangıçta tüm görüntü tek bir sınıf olarak
varsayılır. Bir Isodata algoritması oluşturulurken genellikle analizcinin belirlemesi
gereken kriterler vardır. Bu kriterler ile sınıflandırma şartları oluşturulur. Kriterler
koyulmaz ise, işlem sürekli devam eder ve 256 kadar sınıf ortaya çıkabilir.Bu
sınıflandırma kriterleri analizcinin insiyatifindedir. Aşağıda bu sınıflandırma
kriterlerinin neler olduğu açıklanmıştır;
1. : Algoritmada tanımlanan maksimum sınıf sayısıdır.(örneğin;20). Sınıf
birleştirme ve ayırma işlemlerinden sonra bu sayının değişmesi sık karşılaşılan
bir durumdur.
maxC
2. T: İterasyonlar arasında sınıf spektral değerlerinin, değişmez kalan piksellerinin
maksimum spektrum yüzdesi. Bu sayıya ulaşıldığında Isodata algoritması
sonlanır. Bazı durumlarda asla arzu edilen değişmez yüzdeye ulaşılmayabilir.
49
Böyle bir durum olduğunda, işlemi kesmek ve parametreleri düzenlemek
gerekir.
3. M: Piksellerin sınıflandırılması ve küme ortalama vektörünün yeniden
hesaplanması için Isodata’nın maksimum tekrarlanma sayısı. Yani bu sayı
iterasyon sayısı olarak da adlandırılabilir. Bu sayıya ulaşıldığında Isodata
algoritması sonlanır.
4. Bir sınıftaki en az üye sayısı kriteri: Eğer bir sınıf, üyelerin minimum
yüzdesinden daha az elemanlıysa, silinir ve üyelere alternatif bir sınıf
oluşturulur. Oluşacak sınıflardan, bir sınıfta en az kaç eleman olması gerektiğini
analizci bu kriterle tanımlar.
5. Maksimum standart sapma: Bir sınıfın standart sapması belirlenen maksimum
standart sapmayı aştığında ve sınıftaki üye sayısı, bir sınıftaki üye sayısı
kriterinden ikinci kez daha büyük olursa, sınıf iki sınıfa bölünür. İki yeni sınıf
için ortalama vektörler; eski sınıf merkezlerinden 1 standart sapmadır.
Genellikle standart sapma sınır değeri 4,5 ile 7 arasında seçilir.
Örneğin iki bantlı bir görüntüde ;
Xi: 1. banddaki spektral değerleri ,
Yi: 2. banddaki spektral değerleri göstersin.
Spektral sınıf ortalamaları;
,
Standart sapmalar ise;
, şeklinde hesaplanır.
50
6. Sınıf ayırma kriteri: Standart sapma değeri ile belirlenir.
7. Sınıf ortalamaları arasındaki en kısa uzaklık kriteri: Sınıflar arasındaki uzaklık
bu değerden daha az ise sınıflar birleştirilir. Yani sınıfların spektral ortalama
değerleri birbirine yakınsa bu pikseller aynı sınıfa dahil edilir. Öncül değer sıkça
3.0 kullanılır (Jensen, 1996).
Isodata yönteminde görüntüdeki tüm pikseller bir spektral sınıfın üyesi olarak
kabul edilir. Yani öncelikle tüm görüntü bir sınıf olarak varsayılır. Bir sınıfın yeni
sınıflara ayrılıp ayrılmayacağı standart sapma krtiterinin maksimum sınırını aşıp
aşmadığına bakılarak kontrol edilir. Eğer ilk sınıfın standart sapması belirlenenden
büyükse sınıf ortalamasından 1 satandart sapma uzaklıkta iki yeni sınıf merkezi
yaratılır. yani sınıf ikiye bölünerek iki yeni sınıf oluşturulur. Pikseller spektral
uzaklıkları en yakın sınıfa dahil edilirler. Yeni ortalamalar ve standart sapmalar
hesaplanır. Spektral sınıfların birleştirilip birleştirilmeyeceği kontrol edilir. Spektral
sınıflar çok yakınsa, sınıf ortalamaları arasındaki uzaklık kullanıcının belirlediğinden
daha az ise ya da bir sınıftaki üye sayısı kullanıcının belirlediğinden daha az ise sınıflar
birleştirilir. Aynı zamanda spektral sınıfların toplam sayısı kullanıcının belirlediği
değeri aşarsa yakın sınıflar birleştirilir. Yeni ortalamalar ve standart sapmalar
hesaplanır. Isodata işleminin durdurulup durdurulmayacağı kontrol edilir. Maksimum
iterasyon sayısına ulaşılmışsa ya da spektral sınıfların üye sayıları değişmemişse
iterasyon durdurulur (Verbyla,1995).
4.2.2. Eğitimli Sınıflandırma (Supervised Classification)
Eğitimli sınıflandırma yöntemi, olası sınıfların, eğitim örneklerine göre
tanımlandığı, her ölçme vektörünün, belirlenmiş bir karar kuralına göre bir sınıfa
sokulduğu bir işlemdir. Eğitimli sınıflandırma ile sınıflandırılmak istenilen spektral
sınıfların dağılımının bilinen örnek alanların dağılımı ile belirlenmesi esasına dayanır.
Bu örnekleme alanları eğitim alanları ya da alıştırma verileri olarak tanımlanır.
Alıştırma verilerinin spektral değerlerine de spektral imza (spektral signature) adı
verilmektedir. Her sınıf için spektral imzalar belirlenir.
51
Alıştırma verileri bölgeyi iyi tanımlayacak şekilde seçilmelidir. Alıştırma verileri
oluşturulurken, haritalardan, hava fotoğraflarından yararlanılabilir. Ayrıca bölge
hakkında arazi incelenerek de bilgi toplanabilir. Tüm spektral sınıfları için alıştırma
verileri oluşturulmalıdır. Alıştırma verilerinin sayısı, her sınıf için en az kullanılan band
sayısının 10 katı olmalıdır. Band sayısını azaltmak pratikte kolaylık sağlamaktadır.
Alıştırma verileri görüntüye düzgün dağılmalıdır. Alıştırma verilerinin kalitesi
sınıflandırmanın kalitesini belirleyen etkenlerdendir. Eğitimli sınıflandırmada analizci
sınıfların sayısını belirler ve bu sınıfların spektral imzalarını da tanımlar. Analizcinin
her sınıf için eğitim alanlarına ihtiyacı vardır. Eğitim alanlarının oluşturulmasında
kullanılan en yaygın yöntemler; harita sayısallaştırılması (map digitizing), ekran
üzerinden sayısallaştırma (on-screen digitizing) ve piksel seçme yaklaşımıdır (seed-
pixel approach).
Fotoğraflar ve haritalardan seçilen eğitim alanlarının doğruluğu arazide kontrol
edilebilmektedir ancak uydu görüntülerinin konum hataları bulunmaktadır.
Rektifikasyon sırasında oluşan hatalardan sayısallaştırılan eğitim alanları ile görüntüde
buna karşı gelmesi gereken yer farklı olabilmektedir.
Ekrandan sayısallaştırma yönteminde, eğitim alanlarının sınır çizgileri ekrandan
seçilerek sayısallaştırılır. Sınıfların kolay ayırt edilebilmeleri için uygun homojen
alanlar bulunamayabilir ki bu yöntemin dezavantajıdır.
Piksel seçme yaklaşımında, bir eğitim alanının tanımlanması için başlangıç
pikseli olarak temsilci bir piksel seçilir. Bu seçilen pikselin etrafındaki aday pikseller
eğitim alanı piksellerine eklenirken mümkün oldukça ardışık olanlar hesaba katılır. Bu
piksele benzerliği olmayan piksellerin eğitim alanı pikseli olması reddelirken, pektral
benzerliği olan pikseller eğitim alanı piksellerini içerir. Bu yaklaşımın en büyük
avantajı türdeş eğitim alanlarının spektral olarak tanımlanmasına yardımcı olmasıdır.
Genelde kullanıcı, bu yaklaşımla eğitim alanı tanımlamak için en iyi spektral uzaklığa
karar vermeden önce farklı spektral uzaklıklar dener. Giriş görüntüsünü sınıflandırmak
için spektral istatistikler üretebilen, her örtü tipi için bir eğitim alanı oluşturulur
(Verbyla,1995).
52
Eğitimli sınıflandırma yönteminde ise analizci, sınıf sayısını ve sınıfların
dokusunu tanımlar ve sınıflandırma öncesinde belirler. Eğer kullanıcı bölge hakkında
bilgiye sahip değilse bu durum bir dezavantajdır.
Eğitimli sınıflandırma yöntemlerine örnek olarak; en kısa uzaklık sınıflandırması
(minimum distance), pararlel kenar sınıflandırması (parallelpiped classifier), en çok
benzerlik sınıflandırması (maximum likelihood), karar ağacı sınıflandırma yöntemi ve
yapay sinir ağlarına dayalı yöntemler sayılabilir. Burada bu yöntemlerden en kısa
uzaklık yöntemi, paralel kenar yöntemi ve en çok benzerlik yönteminden
bahsedilecektir.
4.2.2.1. En Kısa Uzaklık Sınıflandırması ve Paralel Kenar Sınıflandırması
En Kısa Uzaklık yöntemi uygulanırken, her eğitim alanı için spektral sınıf
ortalama değeri hesaplanır ve bu ortalamalar herhangi bir pikselin hangi sınıfa ait
olduğunun kestiriminde kullanılabilir. Sınıflandırılacak piksellerin sınıf ortalamalarına
uzaklıkları hesaplanır ve hangi sınıfa yakınsa pikseller o sınıfa dahil edilirler.
Paralelkenar sınıflandırma yönteminde, her sınıf için hesaplanan maksimum ve
minimum değerlerin bir dikdörtgen oluşturduğu varsayılır. Görüntüdeki tüm piksellerin
bu dikdörtgenin içinde kalıp kalmadığı sorgulanır.
4.2.2.2. En Çok Benzerlik Yöntemi (Maximum Likelihood)
En çok benzerlik sınıflandırma yönteminde, sınıfların ortalama değerlerini ve
kovaryanslarını hesaplayarak sınıflar arasındaki benzerliği belirlenir. Her sınıfın sürekli,
eşit olasılıklı sınırları üretilir ve sonra her aday piksel her olasılık sınıfıyla karşılaştırılır
(Verbyla,1995).
gibi iki tane sınıfın verildiği ve şartlı olasılık yoğunluk fonksiyonlarıyla
öncül olasılıkların bilindiği varsayılırsa X detay ölçülerinden oluşan vektör olmak üzere
X’ in sınıflarından hangisine ait olduğunu bulabilmek için olasılıklara dayalı
basit bir karar kuralı;
53
)()( 21 xx ϕϕ < ise ya da 1wx∈ ise 2wx∈
şeklinde yazılabilir. Burada , verilen ’in soncul (a posteriori)
olasılığıdır. Bayes teoremi ile öncül olasılıkları ve şartlı yoğunluk
fonksiyonları ile şu şekilde hesaplanabilir:
)(/)()( xPxPPx iii =ϕ
)()( 2211 XPPXPP < ise 1wx∈ ya da
ise)()( 2211 XPPXPP > 2wx∈ olur.
ise ya da
ise şeklinde ifade edilebilir. Buradaki
ifadesine ise benzerlik oranı (likelihood) adı verilir (Doğan ve Bektaş, 1998).
⎥⎦
⎤⎢⎣
⎡ −−= 2
2
2/1
)(21exp
)2(1)|(
i
ii
xxp
i σμ
πω σ
e=exp[] ’ nin (doğal logaritmaların tabanı) belirtilmiş kuvveti
]|[ ii xE ωμ = , i sınıfındaki ölçmelerin ortalama değeri
]|)[( 22iii xE ωμσ −= , i sınıfındaki ölçmelerin varyansıdır.
En çok benzerlik sınıflandırması istatistiksel modelleme ile x’ in C sınıfına ait
olma olasılığını sorgular. )( 1 xCP ile )( 2 xCP olasılıkları karşılaştırılır. Her bir sınıf
için olasılık dağılım fonksiyonu bulunur. En çok benzerlik yönteminin en ideal
kullanımında alıştırma örnekleri normal dağılımdadır.
54
4.3. Sayısal Görüntülerin Sınıflandırılması Yöntemlerinin Uygulanmasına İlişkin Bulgular ve Tartışma
Landsat ETM görüntüsüne, Erdas Imagine görüntü işleme programında
sınıflandırma algoritmaları uygulanmıştır. Görüntüde karmaşık bir şekilde dağılmış
farklı örtü tipleri bulunmaktadır. Bu örtü tiplerinin neler olduğu belirlenmiştir.
Rektifikasyonu yapılmış UTM koordinat sistemine referanslandırılmış olan Landsat
ETM görüntüsü, farklı band kombinasyonlarında incelenmiştir.
Öncelikle eğitimsiz sınıflandırma uygulanmıştır. Eğitimsiz sınıflandırma işlemi
Erdas Imagine yazılımında üç aşamada gerçekleştirilmiştir. Isodata eğitimsiz
sınıflandırmanın seçilen kriterlerle gerçekleştirilmesi, sınıfların belirlenmesi ve
etiketlenmesi ve son olarak sınıfların birleştirilmesi ve yeniden kodlanmasıdır.
Eğitimsiz sınıflandırma yöntemi olarak ISODATA (Iterative Self Organizing Data
Analysis Tecnique) kullanılmıştır. Eğitimsiz sınıflandırmada sınıf sayısı kullanıcının
insiyatifinde olduğundan, ilk sınıflandırmada belirlenen sınıf sayısının bölgedeki örtü
tiplerini temsil etmek için çok fazla olduğu gözlenmiştir. İkinci kez eğitimsiz
sınıflandırma uygulanmıştır. Eğitimsiz sınıflandırmada konum bilgisine dayanmaksızın
spektral değerlere dayanarak sınıflandırma yapılmaktadır.
Eğitimli sınıflandırma; spektral sinyalleri tanımlamak için piksel setlerinin
toplanması, doğruluklarının değerlendirilmesi ve görüntü sınıflarına ithali aşamalarını
takiben oluşmuştur. Bu aşamalar sonunda elde edilen ürün, tematik bir görüntü olup,
takip eden muhtelif uygulamaların temelini teşgil edecektir (ErdasUserGuide, 1999).
Eğitimli sınıflandırmada, ‘En Çok Benzerlik (Maksimum Likelihood)
Algoritması’ uygulanmıştır. Alıştırma verileri mümkün oldukça tüm görüntüye
yayılacak biçimde seçilmiştir.
55
Şekil 4.4. Landsat ETM uydu görüntüsü (432:RGB)
Uygulamada UTM koordiant sistemine dönüştürülmüş, Landsat ETM uydu
görüntüsü kullanılmıştır. Şekil 4.4’de bu görüntü gösterilmektedir.
4.3.1. Farklı Band Kombinasyonlarının Oluşturulması
Landsat ETM görüntüsü için, Erdas Imagine 8.4 yazılımında çeşitli bant
kombinasyonları oluşturulmuş ve bu görüntüler incelenmiştir. Görüntüdeki renk
kontrastlığı düzenlenmiş, birbirine yakın renkte olduğundan ya da aynı sayısal
değerlere sahip olduğu halde benzer görünen dolayısıyla ayırt edilemeyen bölgeler
gözlenebilmiştir. Şekil 4.5’de görüntü çeşitli kombinasyonlarda gösterilmiştir.
56
Şekil 4.5 (a) Landsat ETM (451:RGB) Farklı Bant Kombinasyonları
Şekil 4.5. b) Landsat ETM (135:RGB) Farklı Bant Kombinasyonları
57
Şekil 4.5.c) Landsat ETM (321:RGB) Farklı Bant Kombinasyonları
Şekil 4.5 (a)’ da dere, göl ve dağlar göze çarparken, Şekil 4.5 (b)’ de orman
arazileri, tarım arazileri, yapılaşma, Şekil 4.5 (c)’ de ise yeşil alanlar dikkati
çekmektedir. Böylelikle sınıflandırma işlemi öncesinde sadece bant kombinasyonları
kullanılarak, bölgenin niteliği hakkında bilgi edinmek mümkün olmuştur.
4.3.2. Eğitimsiz Sınıflandırma
Eğitimsiz sınıflandırma yöntemi; görüntüden tematik bilgiyi çıkaran bir
sınıflandırma yöntemidir. Isodata sınıflandırma işlemi Erdas Imagine’ de üç aşamada
yapılmaktadır. Isodata’nın uygulanması, sınıfları belirlemek ve etiketlemek, sınıfları
birleştirmek veya tekrar kodlamak (Erdas User Guide, 1999).
Sınıflandırma işleminde, öncelikle ISODATA eğitimsiz sınıflandırma yöntemi ile
sınıflandırma yapılmıştır. İlk uygulamada sınıf sayısı 22, maksimum iterasyon sayısı 10
olarak seçilmiştir. Bu durumda oluşan sınıflandırılmış görüntü etiketlenmiştir (Şekil
4.6.).
58
Şekil 4.6. Isodata Eğitimsiz Sınıflandırma Uygulamasında Kullanılan Görüntü ve
Oluşan Sınıflar Hakkında Bilgiler Tablosu
59
Bu işlemde seçilen sınıf sayısının bu uydu görüntüsü için gereğinden fazla olduğu
gözlenmiştir. Aynı örtü türüne ait pikseller bu fazlalık nedeniyle farklı renklerde
görünmektedir. Örneğin yakın renk tonlarında olması gereken deniz nesnesi yaklaşık
olarak altı farklı renk ile görülmektedir. Bu durum, görüntünün ait olduğu bölge
hakkında hiç bir bilgisi olmayan bir analizcinin, denizi 6 faklı nesneymiş gibi
algılamasına neden olabilir. Orijinal görüntüye ve bant kombinasyonları yeniden
incelenerek seçilen sınıf sayısı kriterinin daha küçük olması gerektiğine karar
verilmiştir. Sınıf sayısı kriteri 12, iterasyon sayısı 5 olarak seçilmiş ve ISODATA
eğitimsiz sınıflandırma işlemi tekrarlanmıştır. Yeniden etiketleme işlemi yapılmıştır.
Şekil 4.7.’de ikinci kez yapılan eğitimsiz sınıflandırma işlemi sonucunda oluşan
görüntü ve bu görüntüye ait bilgi tablosu görülmektedir.
Eğitimsiz sınıflandırma işleminin birinci uygulamasında elde edilen görüntü ile
(Şekil 4.6) ikinci uygulamada elde edilen görüntü karşılaştırıldığında, ikinci
uygulamanın daha doğru sonuçlar sunduğu, karmaşanın azaldığı görülmektedir.
Örneğin, ikinci uygulamada elde edilen görüntüde kıyı çizgisi daha anlaşılabilirdir.
Bunun yanında analizcinin amacı doğrultusunda birinci uygulamada elde edilen görüntü
de anlamlı veriler sunabilir. Örneğin yeşil alanları kendi içinde bir çok gruba ayırmak
isteyen bir analizci için ilk görüntüyü kullanmak daha elverişli olacaktır. Bütün
bunlardan hareketle, analizcinin amacına uygun sınıf sayısı kriterini belirlemesi önerilir.
Böylelikle Landsat ETM görüntüsünün eğitimsiz sınıflandırma işlemi
tamamlanmıştır. Bu işlem sonucunda orijinal görüntüde algılanamayan veya tespit
edilemeyen nesneler etiketlenerek ayırt edilebilir hale gelmiş olurlar.
60
Şekil 4.7. Isodata Eğitimsiz Sınıflandırmanın İkinci Uygulamasında Elde Edilen
Görüntü ve Oluşan Sınıflar Hakkında Bilgiler Tablosu
61
4.3.3. Eğitimli Sınıflandırma
Orijinal görüntüye eğitimsiz sınıflandırma işleminin ardından eğitimli
sınıflandırma işlemi uygulanmıştır. Eğitimli sınıflandırma işlemi en çok benzerlik
(maksimum likelihood) yöntemi ile yapılmıştır.
Eğitimli sınıflandırma yöntemi analizcinin bölge hakkında öncül bilgilere sahip
olduğu durumlarda uygulanabilir. Görüntü üzerinde seçilen alıştırma verileri bu
bilgilere dayanarak oluşturulur. Eğitimli sınıflandırma alıştırma verilerinin
seçilmesinde, eğitimsiz sınıflandırma sonuç verilerinden, bölgeye ait 1/25000 ölçekli
haritalardan ve bölge hakkında bilinenlerden yararlanılmıştır.
Alıştırma verilerinin seçilmesi işleminde imza düzenleyicisi (signature editor)
yardımıyla ekran üzerinde, tanımlanabilen örtü tipleri sayısallaştırılmıştır. İmza
düzenleyicisi ile spektral sinyaller toplanabilmekte, depolanabilmekte ve
değerlendirilebilmektedir. Alıştırma verileri mümkün oldukça sayıca çok tutulmuş ve
görüntüye dağılmış farklı bölgelerden seçilmesi için dikkat edilmiştir.
Bölge hakkında bilinenlere dayanılarak görüntünün farklı bölgelerinde aynı
nesneye ait pikseller seçilerek işaretlenmiştir. Şekil 4.8.’de oluşturulan alıştırma
verilerine ait bilgiler görülmektedir. Bu tabloda aynı nesneye ait, görüntüde dağılmış
farklı bölgelerden seçilen piksel grupları ve onlara ait değerler verilmektedir.
62
Şekil 4.8. Alıştırma Verileri Oluşturma İşleminde Seçilen Piksel Grupları ve Bu Piksel
Gruplarına Ait Değerler
63
Şekil 4.9. Alıştırma Verilerinin Seçilmesi İşlemi
Şekil 4.9’da alıştırma verilerinin ekrandan elle sayısallaştırılmasına bir örnek
gösterilmektedir. Yeşil alan nesnesine ait piksel gruplarının seçilerek, görüntünün
manuel olarak alıştırılması (eğitilmesi) işlemi yapılmıştır. Aynı biçimde diğer tüm nesne
grupları için de alıştırma işlemi tekrarlanmıştır. Örneğin, aktif olan imza düzenleyicisi
ile Şekil 4.8.’de ‘yeşil alan 4’ olarak görünen piksel grubu seçilmiştir.
Oluşturulan imza grupları yardımıyla görüntüye en çok benzerlik sınıflandırma
yöntemi uygulanmıştır. Sınıf birleştirme (Merging classes) işlemi uygulanmış ve aynı
örtü türüne ait imza grupları birleştirilerek ana başlıklar altında birleştirilmiştir. Oluşan
görüntü sınıflarına istenilen şekilde renk verilerek sınıflar etiketlenmiştir. Şekil 4.10’da
birleştirilen sınıfların isimleri ve renk etiketleri görülmektedir. Şekil 4.11’de ise
etiketlenen sonuç görüntü görülmektedir.
Şekil 4.10. Birleştirilen Ve Etiketlenen Sınıflar
64
Şekil.4.11.. Eğitimli Sınıflandırma Uygulaması Sonucunda Oluşan Etiketlenmiş Sonuç
Görüntü
Landsat ETM uydu görüntüsüne uygulanan eğitimsiz ve eğitimli sınıflandırma işlemleri
sonucunda elde edilen görüntüler karşılaştırıldığında;
Eğitimsiz sınıflandırma işleminde sınıflandırma kriterleri subjektif olarak
belirlenmiştir. Yani sınıf sayısı, sınıf birleştirme kriterleri gibi ölçütler tamamen keyfi
olarak seçilmiştir. Bazı arazi örtü tipleri kaçınılmaz olarak farklı dokuya sahip başka
sınıflara dahil edilmiştir Eğitimli sınıflandırma işleminde görüntüdeki sınıf sayısı bölge
hakkındaki bilgiler yardımıyla belirlenmiş, görüntü üzerindeki dokular incelenmiş ve
gerçekte hangi arazi örtü tipine ait olduğu incelenmiştir. Böylelikle sınıflandırma
hataları azaltılmıştır.
65
5. SONUÇ VE ÖNERİLER Araştırmada ele alınan problem sayısal görüntü bölümleme ve sınıflandırma
yöntemlerinin yorumlanmasıdır. Bu amaçla bu yöntemler incelenmiştir. Bölümleme
yaklaşımlarının hangi durumlarda kullanılabileceğine ilişkin öneriler sunulmuş,
sınıflandırma yaklaşımlarının avantajları ve dezavantajları tartışılmıştır. Yapılan örnek
uygulama, uzaktan algılama çalışmalarında eğitimsiz ve eğitimli sınıflandırma
yaklaşımlarının araziyi doğru tanımlamaya yardımcı olduğu kanısını desteklemiştir.
Eğitimsiz sınıflandırma işlemi, sınıflandırma öncesinde, varolan örtü tipi bilgisini
gerektirmez. Bu durum görüntünün ait olduğu bölgeyi tanımayan bir analizci için
avantaj olabilir. Eğitimsiz sınıflandırma, bilgi içeren sınıfları karakterize etmede genel
olarak eğitimli sınıflandırma kadar etkin bir yöntem değildir. Bu nedenle eğitimsiz
sınıflandırma analizi bilgi içeren sınıfların çok spektrumlu verilerde kolaylıkla ayırt
edilebilmesi halinde güvenilir sonuçlar verebilir. Eğitimsiz sınıflandırma işleminde
sınıflandırmadan önce görüntüdeki örtü türleri ile ilgili bilgi gerekli değildir. Eğitimli
sınıflandırma yönteminde ise analizci, sınıf sayısını ve sınıfların dokusunu tanımlar ve
sınıflandırma öncesinde belirler. Eğer kullanıcı bölge hakkında bilgiye sahip değilse bu
durum bir dezavantajdır. Eğitimsiz sınıflandırma işleminde, analizcinin amacı
doğrultusunda sınıf sayısı kriteri belirlemesi önerilir.
Eğitimsiz sınıflandırma işleminin sonuçları, eğitimli sınıflandırma işleminde bir
yol gösterici olarak kullanılabilmektedir.
Sınıflandırma işlemi sonucunda orijinal görüntüde algılanamayan veya tespit
edilemeyen nesneler etiketlenerek ayırt edilebilir hale gelmiş olurlar.
İncelenen yaklaşımların dışında yapay sinir ağları ile sınıflandırma yaklaşımı ve
konuyla ilgili diğer yaklaşımlar incelenebilir.
66
KAYNAKLAR
Açıkgöz, R., Doğan, S. ve Banger, G., 1999. Raster Görüntülerinin Yapısı, Görüntüleme Tekniklerinin Temelleri Ve Bitmap Formatı, Harita ve Kadastro Mühendisleri Odası Yayın Organı (Sayı: 86).
Alpaslan, E. ve Aydöner, C., 2004. Tübitak Mam Ydbae’de Uçakla Dijital Fotoğraf Çekme Çalışmaları, 3. Coğrafi Bilgi Sistemleri Bilişim Günleri, 6s.
Ayhan E., Karslı F., ve Tunç E., 2003. Uzaktan Algılanmış Görüntülerde Sınıflandırma ve Analiz, Harita Genel Komutanlığı Yayınları.
Baraniuk, R., Jain, R., and Romberg, J., 1999. Modern Techniques For Image Analysis, Processing, And Enhancement, Rice University, http://www-dsp.rice.edu/courses/elec539/.
Campell, J.,B., 1996. Introduction to Remote Sensing, The Guilford Press, New York.
Castleman, K., R., 1996. Digital Image Processing, A Simon&Schuster Company, New Jersey, 665s.
Doğan, S. ve Bektaş, S., 1998. Raster Görüntülerden Şekil (Patern) Tanımaya İlişkin Temel Matematiksel Yaklaşımlar.
Erdas Imagine User Guide, 1999. ERDAS Incorporated, Geographic Imaging Made Simple, Atlanta Fukunaga, K., 1990. Introduction To Statistical Pattern Recognition, Academic Press, London, 591 s.
Gonzalez, R., C., 1987. Digital Image Processing, Wesley Publishing Company, USA, 503 s.
Jahne, B., 1995. Digital Image Processing, Springer Verlag Berlin Heidelberg, Germany.
Jahne, B., 200. Image Processing For Scientific Applications, CRC Press, USA, 415 s.
67
Jain, R., Kaustri, R. and Schunk, B,1995. Machine Vision, McGraw Hill, USA, 549 p.
Jensen, J. R., 1996. Introductry Digital Image Processing a Remote Sensing Perspective, Prentice Hall, New Jersey, 318p.
Karasar, N., 1998. Bilimsel Araştırma Yöntemi, Nobel Yayın Dağıtım, Ankara, 292s.
Körümdük C., ve Peştamalci V., 2003. Adana İlinin Kuzeyindeki Orman Alanlarının Uydu Verileri Kullanılarak Belirlenmesi, Çukurova Üniversitesi, 9s.
Li, J., Wang, H. O., Collins, L., ve Carin, L., 2000, Clustering-Based Maximum Likelihood Estimation, Duke University, U.S.A.
Maktav, D. ve Sunar, F., 1991. Uzaktan Algılamada Kantitatif Yaklaşım, Hürriyet Ofset, İstanbul, 429 s.
Örmeci, C., 1987. Uzaktan Algılama-Temel Esaslar ve Algılama Sistemleri, Teknik Üniversite Matbaası, İstanbul, 112s.
Örüklü, E., 1988. Uzaktan Algılama, Matbaa Teknisyenleri Basımevi, İstanbul, 96s.
Öztürk, D., 2002. Uydu Görüntüleri Kullanılarak Arazi Kullanımı/Arazi Örtüsündeki Değişimlerin Belirlenmesi ve Samsun Örneği, Yüksek Lisans Tezi, Ondokuz Mayıs Üniversitesi Fen Bilimleri Enstitüsü, 82s.
Parker, J.R., 1997. Algorithms Image Processing And Computer Vision, John Wiley & Sons, Inc.,USA, 413s.
Rees., W. G., 1993. Physical Principles of Remote Sensing, Cambridge University Press, New York, 247 s.
Richard, J. and Jia, X., 1999. Remote Sensing Digital Image Analysis, Springer-Verlag Berlin Heidelberg, Germany, 362 s.
Ritter, G. R., Wilson, J. N., 2000. Computure Vision Algorithms In Image Algebra, CRC Press, USA, 360s.
68
Roux, M., Registiration Of Airborn Laser Data With One Aerial Image, XX.ISPRS Congrees.
Sağıroğlu, Ş., Beşdok, E. ve Erler, M., 2003, Mühendislikte Yapay Zeka Uygulamaları –I, Kayseri, 426s.
Sesören, A., 1999. Uzaktan Algılamada Temel Kavramlar, Mart Matbaacılık, İstanbul, 126s.
Sonka, M., Hlavac, V. and Boyle, R., 1995, Image Processing Analysis and Machine Vision, Chapman & Hall Computing, London-Glasgow-Weinheim-New York-Tokyo-Melbourne-Madras, 555s.
Verbyla, D. L., 1995, Satellite Remote Sensing of Natural Resources, Lewis Publishers, New York, 198p.
Yomralıoğlu, T., 2000, Coğrafi Bilgi Sistemleri Temel Kavramlar Ve Uygulamalar, DGN Bilgi Sistemleri A.Ş. , İstanbul, 480s. Zhang, Y., and Wang, R., Multi-Resolution and Multi-Spectral Image Fusion For Urban Object Extraction, XX.ISPRS Congrees anonym// (http://www.cscrs.itu.edu.tr/page.tr.php?id=10) anonym// ( ) http://www.geo.mtu.edu/rs/back/spectrum anonym// (( ) http://www.ph.tn.tudelft.nl/Courses/FIP/frames/fip anonym// (http://geo.arc.nasa.gov/sge/landsat/l7.html anonym// http://www.nik.com.tr/new/yazilimlar/uydular/landsat.htm anonym// http://dweb.ccrs.nrcan.gc.ca/ccrs/db
69
ÖZGEÇMİŞ
1974 yılında Giresun Bulancak’ta doğdu. İlk, orta ve lise öğrenimini Samsun’da yaptı.
1992-1994 yılları arasında İstanbul Üniversitesi Astronomi ve Uzay Bilimleri
bölümünde öğrenim gördü. 1997-2001 yılları arasında Ondokuz Mayıs Üniversitesi,
Mühendislik Fakültesi, Jeodezi ve Fotogrametri Mühendisliği Bölümünde lisans
eğitimini tamamladı. Aynı yıl Ondokuz Mayıs Üniversitesi, Fen Bilimleri Enstitüsü,
Jeodezi ve Fotogrametri Mühendisliği anabilim dalında yüksek lisans öğrenimine
başladı. 2002 yılından itibaren aynı bölümde araştırma görevlisi olarak çalışmaktadır.
Recommended