UYDU GÖRÜNTÜLERİNDEN KENTSEL AYRINTILARIN NESNE-TABANLI SINIFLANDIRMA YÖNTEMİYLE BELİRLENMESİ VE CBS ORTAMINDA BÜTÜNLEŞTİRİLMESİ

Transkript

1 YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ UYDU GÖRÜNTÜLERİNDEN KENTSEL AYRINTILARIN NESNE-TABANLI SINIFLANDIRMA YÖNTEMİYLE BELİRLENMESİ VE CBS ORTAMINDA BÜTÜNLEŞTİRİLMESİ Jeodez ve Fotogrametr Yük. Müh. Aycan Murat MARANGOZ FBE Jeodez ve Fotogrametr Mühendslğ Anablm Dalı Uzaktan Algılama ve CBS Programında Hazırlanan DOKTORA TEZİ Tez Savunma Tarh : 22 Ekm 2009 Tez Danışmanı : Prof. Dr. Zübeyde ALKIŞ (YTÜ) İknc Tez Danışmanı: Doç. Dr. Gürcan BÜYÜKSALİH (İBB) Jür Üyeler : Prof. Dr. Ahmet YAŞAYAN (YTÜ) : Prof. Dr. Sıtkı KÜLÜR (İTÜ) : Prof. Dr. Derya MAKTAV (İTÜ) : Doç. Dr. Nac YASTIKLI (YTÜ) İSTANBUL, 2009

2 YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ UYDU GÖRÜNTÜLERİNDEN KENTSEL AYRINTILARIN NESNE-TABANLI SINIFLANDIRMA YÖNTEMİYLE BELİRLENMESİ VE CBS ORTAMINDA BÜTÜNLEŞTİRİLMESİ Jeodez ve Fotogrametr Yük. Müh. Aycan Murat MARANGOZ FBE Jeodez ve Fotogrametr Mühendslğ Anablm Dalı Uzaktan Algılama ve CBS Programında Hazırlanan DOKTORA TEZİ Tez Savunma Tarh : 22 Ekm 2009 Tez Danışmanı : Prof. Dr. Zübeyde ALKIŞ (YTÜ) İknc Tez Danışmanı: Doç. Dr. Gürcan BÜYÜKSALİH (İBB) Jür Üyeler : Prof. Dr. Ahmet YAŞAYAN (YTÜ) : Prof. Dr. Sıtkı KÜLÜR (İTÜ) : Prof. Dr. Derya MAKTAV (İTÜ) : Doç. Dr. Nac YASTIKLI (YTÜ) İSTANBUL, 2009

3 İÇİNDEKİLER Sayfa SİMGE LİSTESİ... v KISALTMA LİSTESİ...v ŞEKİL LİSTESİ...v ÇİZELGE LİSTESİ... x ÖNSÖZ ÖZET...x...x ABSTRACT...x 1. GİRİŞ Çalışmanın Amacı ve Kapsamı UYDU GÖRÜNTÜLERİNİN SAĞLADIĞI BİLGİ İÇERİĞİ KAVRAMI Normal ve Etkn YÖA Değer Uydu Görüntülernn Sağladığı Blg İçerkler Değerlendrme GEOMETRİK DÜZELTME ve GÖRÜNTÜ ZENGİNLEŞTİRME Uydu Görüntülernn Geometrk Düzeltlmes Parametrk Olmayan Matematksel Modeller Çeştl Polnom Derecelern Kullanan İk Boyutlu Yaklaşım Yükseklk Değern Kullanan Afn Dönüşüm DLT RFM Parametrk Matematksel Modeller SOM Uydu Görüntülernn Zengnleştrlmes Pan-sharp Algortması ve Kullanılan Dğer Algortmalar IHS Sharpenng Algortması PCA Sharpenng Algortması GS Sharpenng Algortması Wavelet Sharpenng Algortması UNB Sharpenng Algortması GÖRÜNTÜ SINIFLANDIRMA YAKLAŞIMLARI Sınıflandırma Kavramı ve Sınıflandırıcılar Bulanık Sınıflandırma Sstemler Bulanıklaştırma... 38

4 Bulanıklık Kural Tablosu Durulama Klask Pksel-Tabanlı Sınıflandırma Yaklaşımı Maksmum Benzerlk Sınıflandırma Yöntem Mnmum Uzaklık Sınıflandırma Yöntem Paralelyüz Sınıflandırma Yöntem Nesne-Tabanlı Sınıflandırma Yaklaşımı Görüntü Yorumlamada Temel Bleşenler Görüntü İşlemede Yaklaşık Ölçek Görüntü Semantkler Görüntü Nesneler Arasındak Karşılıklı İlşkler Segmentasyon Ecognton Yazılımı Altında Nesne-Tabanlı Görüntü Analz Görüntü Nesnelernn Çoklu Segmentasyonu Segmentasyonun Uygulanması Heterojenlk Krternn Belrlenmes Alt Nesnelern Çzg Analz Amaçlı Segmentasyonu Görüntü Nesnelernn Hyerarşk Ağ Yapısı Ecognton da Vektör Blgs Ecognton Altında Bulanık Sınıflandırma MEVCUT VERİLER, ÜRETİLEN VEKTÖR ÜRÜNLER ve MEVCUT REFERANS VEKTÖR HARİTALAR Kullanılan Uydu Görüntüler IKONOS Uydusu ve Görüntü Verler QuckBrd Uydusu ve Görüntü Verler Test Alanına At Mevcut ve Üretlen Dğer Vektör Ürünler UYGULAMA Test Alanı Kullanılan Yazılımlar Görüntülern Geometrk Olarak Düzeltlmes Görüntülern Zengnleştrlmes Görüntülern Ekran Üzernden Elle Vektörleştrlmes Görüntülern Farklı Sınıflandırma Yaklaşımlarıyla Değerlendrlmes Pksel-Tabanlı Sınıflandırma Sonucu Elde Edlen Ürünler Sonuç Ürünlern Doğruluk Analzler Nesne-Tabanlı Sınıflandırma Sonucu Elde Edlen Ürünler QuckBrd Uydu Görüntüsünden Nesne-Tabanlı Detay Çıkarımları Sonuç Ürünlern Doğruluk Analzler IKONOS Uydu Görüntülernden Nesne-Tabanlı Detay Çıkarımları Sonuç Ürünlern Doğruluk Analzler Nesne-Tabanlı Sınıflandırma Sonuçlarının Vektör Ürün Halne Çevrlmes CBS Ortamında Karşılaştırmalı Analzler QuckBrd Uydu Görüntüsü çn Analz Sonuçları Referans Vektör Harta le Görüntü Üzernden Elle Vektörleştrme Sonuçlarının Karşılaştırılması Referans Vektör Harta le Nesne-Tabanlı Sonuçların Karşılaştırılması Yılına At IKONOS Uydu Görüntüsü çn Analz Sonuçları Referans Vektör Harta le Görüntü Üzernden Elle Vektörleştrme Sonuçlarının

5 Karşılaştırılması Referans Vektör Harta le Nesne-Tabanlı Sonuçların Karşılaştırılması Yılına At IKONOS Uydu Görüntüsü İçn Analz Sonuçları Referans Vektör Harta le Görüntü Üzernden Elle Vektörleştrme Sonuçlarının Karşılaştırılması Referans Vektör Harta le Nesne-Tabanlı Sonuçların Karşılaştırılması CBS Ortamındak Karşılaştırılmalı Analz Sonuçlarının İrdelenmes SONUÇ ve ÖNERİLER KAYNAKLAR ÖZGEÇMİŞ v

6 SİMGE LİSTESİ A Düzeltme denklemlernn katsayılar matrs b Ecognton da nesnenn muhtemel en kısa fl sınır uzunluğu c Kamera odak uzaklığı f Ecognton da brleştrme değer f odak uzaklığı d Odak düzlem uzaklığı dx Dengeleme blnmeyenler vektörü h Ecognton da nesnenn heterojenlk değer (h/b) Yükseklk-baz oranı h u Uçuş yükseklğ h ae Elpsodal yükseklk h renk Ecognton da spektral heterojenlk h şekl Ecognton da şekl heterojenlğ l Ecognton da nesnenn fl sınır uzunluğu m Ecognton da nesney şekllendren pksel sayısı m 0 Brm ağırlıklı ölçünün karesel ortalama hatası m h Düşey doğruluk m x, m y x ve y görüntü koordnatına at soncul karesel ortalama hata n Toplam YKN sayısı p Paralaks N Polnom dereces L d Dengel görüntü koordnatları vektörü L ö Ölçülen görüntü koordnatları vektörü u Matematksel modeln blnmeyen sayısı v Düzeltmeler vektörü v x,y x ve y yönündek görüntü koordnatlarına getrlecek düzeltmeler w Ecognton da renk çn (şekle karşılık) kullanıcı tanımlı ağırlık w c Ecognton da tabaka ağırlığı x, y Görüntü koordnatları X, Y, Z Yer koordnatları γ Nadrden sapma açısı μ Üyelk dereces Ecognton da tabakadak spektral değerlern ağırlıklı standart sapması σ c v

7 KISALTMA LİSTESİ ATRC CAD CBS CCD CCRS DLT GPS GS YÖA EKK IHS IFOV MMS MRF MS PAN PCA RGB RFM SDLT SI SOM SYM STANAG TDI UNB YKN Affne Terran Relef Corrected - Yükseklk Değern Kullanan Afn Dönüşüm Computer Aded Desgn Blgsayar Destekl Tasarım Coğraf Blg Sstem Charge Coupled Devce Yüklenme İlştrlmş Aygıt Canada Center for Remote Sensng Canada Uzaktan Algılama Merkez Drect Lnear Transformasyon - Doğrudan Lneer Dönüşüm Global Postonng System - Küresel Konumlama Sstem Gramm Schmdt Sharpenng - Gramm Schmdt Kesknleştrmes Yer Örnekleme Aralığı - Ground Samplng Dstance (GSD) En Küçük Kareler Intensty Hue Saturaton Sharpenng Yoğunluk, Renk ve Doygunluk Kesknleştrmes Instantaneous Feld of Vew - Anlık Görüş Açısı Mult Spectral Scanner Çok Bandlı Tarayıcı Markov Rassal Feld - Markov Rassal Alanı Multspectral Çok Bandlı Pancromatc Syah/beyaz Prncpal Components Analyss - Temel Bleşenler Analz Red-Green-Blue Kırmızı-Yeşl-Mav Ratonal Functons Model Rasyonel Fonksyon Model Self-Calbratng DLT Kend Kendne DLT Space Imagng Satellte Orbtal Modellng Uydu Yörünge Modellemes Sayısal Yükseklk Model Standardsaton Agreement Standardzasyon Anlaşması Tme Delay Integraton Zaman Gecktrme ve Entegrasyonu Unversty of New Brunswck New Brunswck Ünverstes Yer Kontrol Noktası v

8 ŞEKİL LİSTESİ Sayfa Şekl 2.1 Ötelenmş CCD dznler, pksel ve YÖA lşkler (Topan, 2006)... 8 Şekl 2.2 TDI teknolojs... 9 Şekl 2.3 Zonguldak şehr merkezne at farklı uydu görüntüler (Karakış vd., 2005) Şekl 2.4 KOMPSAT 1 ve SPOT 5 görüntüler Şekl 2.5 IRS-1C ve KVR-1000 görüntüler Şekl 2.6 SPOT-5 ve IRS-1C görüntüler çn vektörleştrme sonuçları Şekl 2.7 SPOT-5 ve IRS-1C görüntüler Şekl 2.8 IKONOS Pan, renkl ve pan-sharp görüntüler Şekl 2.9 Farklı güneş yükseklk açılarındak IKONOS pankromatk ve pan-sharp (1.0m YÖA) görüntüler Şekl 2.10 QuckBrd renkl ve pan görüntüler ve harta yapımı amaçlı karşılaştırma Şekl 3.1 Polnom termlernn X (sol) ve Y (sağ) eksenlerdek etks Şekl 3.2 İk boyutlu afn dönüşümünde koordnat eksenler Şekl 3.3 QuckBrd uydusuna at doğrusal dz sensörlern şeklsel yapısı Şekl 3.4 Odak düzlemnde sensörlern algılama durumu ve yeryüzünden yansıma alım anı 27 Şekl 3.5 QuckBrd uydusunun dört bantta ayrı ayrı yapmış olduğu alım Şekl 3.6 Uydu hareketnden kaynaklanan bantlar arasındak paralaks Şekl 3.7 IHS Algortmasıyla üretlmş pan-sharp QuckBrd görüntüsü Şekl 3.8 Yoğunluk bandıyla pankromatk band arasındak parlaklık farkı Şekl 3.9 Yoğunluk bandıyla brlkte görünür pankromatk bandın gösterm Şekl 3.10 Görünür pan yleştrmes uygulanmış IHS Algortması sonucu Şekl 3.11 PCA Algortmasıyla hazırlanmış pan-sharp görüntü Şekl 3.12 QuckBrd pan, renkl ve pan-sharp görüntüler (Cheng vd., 2003) Şekl 3.13 GS, PCA ve UNB Algortmalarının karşılaştırılması Şekl 3.14 Wavelet ve UNB Algortmalarının karşılaştırılması Şekl 4.1 Üyelk fonksyonlarına örnek (Baatz vd., 2005) Şekl 4.2 Brbrler çne gren fonksyonlarla bulanıklığın sağlanması (Baatz vd., 2005) Şekl 4.3 Özellğn her br sınıfa karşılık vermes, ancak br sınıfa baskın çıkması (Baatz vd., 2005) Şekl 4.4 Brbrne yakın değerler nedenyle sınıf taynnn yapılamaması (Baatz vd., 2005). 41 Şekl 4.5 Olasılık yoğunluk fonksyonları (Oruç, 2003) Şekl 4.6 Mnmum uzaklık sınıflandırma yöntem (Oruç, 2003) Şekl 4.7 İk boyutta paralelyüz sınıflandırma (Oruç, 2003) Şekl 4.8 Heterojen nesnelere örnek çatılar ve yeşl alan (Baatz vd., 2005) Şekl 4.9 Üç ayrı katmanda oluşturulan görüntü segmentasyonu sonrasındak görüntü nesnelernn hyerarşk ağ yapısı (Karakış vd., 2005) Şekl 4.10 Düşük heterojenlk sonucu geometrk anlamda bozuk şekllern oluşması Şekl 4.11 Optmze edlmş heterojenlkle daha düzgün şekll yapıların oluşması (Baatz vd., 2005) Şekl 4.12 Alt segmentlere ayrılmış nesne örneğ (Baatz vd., 2005) v

9 Şekl 4.13 Hyerarşk ağ yapısı (Baatz vd., 2005) Şekl 4.14 Ecognton altında polgonların oluşturulması (Baatz vd., 2005) Şekl 4.15 Douglas Peucker Algortmasının polgonlara uygulanması (Baatz vd., 2005) Şekl 4.16 Ecognton altında kullanılan fonksyon çeştler (Baatz vd., 2005) Şekl 5.1 Zonguldak bölgesne at IKONOS görüntüler Şekl 5.2 Test alanına at pan-sharp IKONOS görüntüler Şekl 5.3 Zonguldak bölgesne at QuckBrd görüntüsü Şekl 5.4 Test alanına at pan-sharp QuckBrd görüntüsü Şekl 5.5 1/5000 ölçekl referans vektör hartadak bna ve yol yapıları Şekl yılı IKONOS görüntüsü üzerne bndrlmş elle vektörleştrme sonuçları Şekl yılı IKONOS görüntüsünden elle vektörleştrme sonucu elde edlen ürün Şekl yılı IKONOS görüntüsü üzerne bndrlmş elle vektörleştrme sonuçları Şekl yılı IKONOS görüntüsünden elle vektörleştrme sonucu elde edlen ürün Şekl yılı QuckBrd görüntüsü üzerne bndrlmş elle vektörleştrme sonuçları (Marangoz vd., 2007) Şekl yılı QuckBrd görüntüsünden elle vektörleştrme sonucu elde edlen ürün (Marangoz vd., 2007) Şekl 6.1 Test alanı (Pan-sharp QuckBrd görüntüsü) Şekl 6.2 Test alanı üzernde YKN lern dağılımı Şekl 6.3 Test alanının pan-sharp QuckBrd görüntüsünün elde edlmes Şekl 6.4 Kullanılan görüntülern pksel-tabanlı sınıflandırma sonuçları Şekl 6.5 Ecognton altında projenn tanımlanması ve görüntünün açılması Şekl 6.6 QuckBrd görüntüsü çn beş değşk ölçek parametres kullanılarak yapılan görüntü segmentasyonu (Ölçek parametres : A = 10, B = 20, C = 30, D = 35 ve E = 60) Şekl 6.7 Sınıf atamaları çn kullanılan özellkler ve bunlara at fonksyonlar (A:Üçüncü banda at yansıma değerlern kullanan dkdörtgensel fonksyon, B:Dkdörtgensel şekl uyuşumunu kullanan dkdörtgensel fonksyon) Şekl 6.8 QuckBrd uydu görüntüsünden nesne-tabanlı sınıflandırma sonuçları Şekl yılına at IKONOS uydu görüntüsünden nesne-tabanlı sınıflandırma sonuçları Şekl yılına at IKONOS uydu görüntüsünden nesne-tabanlı sınıflandırma sonuçları Şekl 6.11 QuckBrd görüntüsünün nesne- tabanlı sınıflandırma sonuçlarından elde edlen vektör ürünler Şekl yılına at IKONOS görüntüsünün nesne-tabanlı sınıflandırma sonuçlarından elde edlen vektör ürünler Şekl yılına at IKONOS görüntüsünün nesne-tabanlı sınıflandırma sonuçlarından elde edlen vektör ürünler Şekl 6.14 Bna yapılarının QuckBrd görüntüsünden elle vektörleştrlmes sonuçları çn CBS tabanlı analzler Şekl 6.15 Yol yapılarının QuckBrd görüntüsünden elle vektörleştrlmes sonuçları çn CBS tabanlı analzler v

10 Şekl 6.16 Bna yapılarının nesne-tabanlı sınıflandırma sonuçları çn CBS tabanlı analzler. 92 Şekl 6.17 Yol yapılarının nesne-tabanlı sınıflandırma sonuçları çn CBS tabanlı analzler.. 93 Şekl 6.18 Bna yapılarının 2002 yılına at IKONOS görüntüsünden elle vektörleştrlmes sonuçları çn CBS tabanlı analzler Şekl 6.19 Yol yapılarının 2002 yılına at IKONOS görüntüsünden elle vektörleştrlmes sonuçları çn CBS tabanlı analzler Şekl 6.20 Bna yapılarının nesne-tabanlı sınıflandırma sonuçları çn CBS tabanlı analzler Şekl 6.21 Yol yapılarının nesne-tabanlı sınıflandırma sonuçları çn CBS tabanlı analzler Şekl 6.22 Bna yapılarının 2008 yılına at IKONOS görüntüsünden elle vektörleştrlmes sonuçları çn CBS tabanlı analzler Şekl 6.23 Yol yapılarının 2008 yılına at IKONOS görüntüsünden elle vektörleştrlmes sonuçları çn CBS tabanlı analzler Şekl 6.24 Bna yapılarının nesne-tabanlı sınıflandırma sonuçları çn CBS tabanlı analzler Şekl 6.25 Yol yapılarının nesne-tabanlı sınıflandırma sonuçları çn CBS tabanlı analzler Şekl Görüntülerden farklı yaklaşımlarla elde edlen sonuçların referans harta le geometrk olarak karşılaştırılması 2002 IKONOS örneğnde bna yapıları Şekl 6.27 Referans vektör harta ve QuckBrd görüntüsünden üretlen vektör hartanın karşılaştırılması Şekl 6.28 QuckBrd görüntüsünden bna yapılarının elle vektörleştrme ve nesne-tabanlı sınıflandırma sonuçları Şekl 6.29 QuckBrd görüntüsünden yol yapılarının elle vektörleştrme ve nesne-tabanlı sınıflandırma sonuçları Şekl 6.30 Farklı güneş yükseklk ve azmut açılarına sahp görüntülern aynı alandak gösterm x

11 ÇİZELGE LİSTESİ Sayfa Çzelge 2.1 Kenar Belrleme le hesaplanan etkn YÖA değerler... 9 Çzelge 2.2 Görüntü yorumlama çn yeterl görülen YÖA değerler Çzelge 2.3 Pankromatk görüntülerden nesne tanımına lşkn yeterl görülen YÖA değerler Çzelge 5.1 IKONOS görüntülernn özellkler Çzelge 5.2 Çalışma alanına at QuckBrd uydu görüntüsünün özellkler Çzelge 6.1 Pksel-tabanlı sınıflandırmalar çn genel doğruluk ve Kappa değerler Çzelge 6.2 QuckBrd görüntüsü çn segmentasyon parametreler Çzelge 6.3 QuckBrd görüntüsünden nesne-tabanlı sonuçların doğruluk değerlendrmes Çzelge yılına at IKONOS görüntüsü çn segmentasyon parametreler Çzelge yılına at IKONOS görüntüsü çn segmentasyon parametreler Çzelge yılına at IKONOS görüntüsünden nesne-tabanlı sonuçların doğruluk değerlendrmes Çzelge yılına at IKONOS görüntüsünden nesne-tabanlı sonuçların doğruluk değerlendrmes Çzelge 6.8 Referans vektör hartadak ve QuckBrd görüntüsü üzernden elle vektörleştrlen bna ve yol yapılarının analz sonuçları Çzelge 6.9 Referans vektör hartadak ve QuckBrd görüntüsünün nesne-tabanlı sınıflandırılmasından elde edlen bna ve yol yapılarının analz sonuçları Çzelge 6.10 Referans vektör hartadak ve 2002 yılına at IKONOS görüntüsü üzernden elle vektörleştrlen bna ve yol yapılarının analz sonuçları Çzelge 6.11 Referans vektör hartadak ve 2008 yılına at IKONOS görüntüsünün nesnetabanlı sınıflandırılmasından elde edlen bna ve yol yapılarının analz sonuçları Çzelge 6.12 Referans vektör hartadak ve 2008 yılına at IKONOS görüntüsü üzernden elle vektörleştrlen bna ve yol yapılarının analz sonuçları Çzelge 6.13 Referans vektör hartadak ve 2008 yılına at IKONOS görüntüsünün nesne-tabanlı sınıflandırılmasından elde edlen bna ve yol yapılarının analz sonuçları Çzelge 6.14 Test alanındak yol ve bna yapılarının, referans vektör hartadak ve görüntülerden değşk yöntemlerle elde edlen vektör ürünlerndek alan ve uzunluk blgler Çzelge 6.15 Kullanılan görüntülern sahp olduğu bazı özellkler Çzelge 6.16 Bna ve yol yapılarının, görüntülerden değşk yöntemlerle bulunma ve tanınma değerlendrmeler x

12 ÖNSÖZ Tez konusunun seçmnden, sonuçlandırma aşamasına kadar tüm görüş ve yorumlarıyla ben yönlendren, her türlü yardım, destek ve lgs le yapmış olduğum bu çalışmaya büyük katkıda bulunan, kends le çalışma mkanı bulduğum çn çok mutlu olduğum, tez danışmanım Sayın Hocam Prof. Dr. Zübeyde ALKIŞ a saygı ve teşekkürlerm belrtmek styorum. Kendler çok yapıcıydı, oldukça uzun süren bu süreçte hep moral verd, sabır gösterd. Lsans, yüksek lsans ve doktora eğtmm boyunca her yönünü örnek aldığım, Fotogrametr ve Uzaktan Algılama branşını tanımamda ve sevmemde büyük rol oynayan, çalışmama yapmış olduğu çok değerl blg ve katkılarından dolayı Sayın Hocam Prof. Dr. Ahmet YAŞAYAN a, yne aynı şeklde çalışmam süresnce daha yakından tanıma fırsatı bulduğum, cesaretlendrc ve yol gösterc, cdd ve yapıcı eleştrlerde bulunan Sayın Hocam Prof. Dr. Sıtkı KÜLÜR e teşekkür ederm. Doktora eğtmmn başlangıcından ber hçbr desteğn esrgemeyen, blg ve brkmyle yol gösteren Sayın Hocam Prof. Dr. Şenol KUŞÇU ya, brlkte çalışma fırsatı yakaladığım, çalışmamın her aşamasında yardım gördüğüm ve bu konuya yönelmemde büyük rol oynayan Sayın Hocam Doç. Dr. Gürcan BÜYÜKSALİH e, kendsnden çok şeyler öğrendğm, özellkle tüm hayatımız boyunca çok çalışmamızın ve araştırmamızın gerekl olduğunu öğrendğm, yne bu mesleğ bana sevdren Sayın Hocam Prof. Dr. Erdal KOÇAK a, ayrıca yüksek lsans ve doktora eğtmme başlamamdak lg ve destekler sebebyle Sayın Hocam Prof. Dr. Ayhan ALKIŞ ve Prof. Dr. Ömer AYDIN a da saygı ve şükranlarımı sunarım. Bu eğtmm süresnce lg, motvasyon ve desteğ le bana yardımcı olan Yıldız Teknk Ünverstes ndek tüm hocalarım ve arkadaşlarıma, özellkle sevgl arkadaşım Arş. Gör. Dr. Mehmet Al YÜCEL e, Zonguldak Karaelmas Ünverstes ndek tüm hocalarım ve arkadaşlarıma, özellkle Sayın Hocam Yrd. Doç. Dr. Hakan AKÇIN a, ayrıca tezn uygulama kısmındak katkılarından dolayı mesa arkadaşlarım Arş. Gör. K. Sedar GÖRMÜŞ, Arş. Gör. Serkan KARAKIŞ ve Uzman Murat ORUÇ a teşekkür ederm. Aynı şeklde bu süreçte manev desteklern her zaman arkamda hssettğm sevgl arkadaşlarım İnşaat Yüksek Müh. Özgür MURATOĞLU, Jeo. ve Fot. Yüksek Müh. Üst Teğmen Murat ARSLANOĞLU ve Jeo. ve Fot. Yüksek Müh. Teğmen Hakan ŞAHİN e ve adını sayamadığım tüm dostlarıma çok teşekkür ederm. Ayrıca hep yanımda olan, moral veren, sıkıntılarımı paylaşan çok sevdğm arkadaşım Çler SUİÇMEZ e de çok şey borçluyum. Son olarak, hayatım boyunca karşılaştığım y ve kötü anlarda hep yanımda olan, aldığım kararlarda ben destekleyen, madd ve manev katkılarını hssettğm, her şeym olan sevgl aleme; babama, anneme ve ablama mnnettarım. Sürekl sabırlı ve sevg dolu oldunuz. Hepnze teker teker yürekten teşekkürler. Kasım 2009 Aycan Murat MARANGOZ x

13 ÖZET Bu çalışmada, günümüzde yüksek çözünürlüklü uydu görüntüler kapsamına gren m yer örnekleme aralığına sahp görüntülern neden yoğun olarak kullanılmaya başlandığı ve bu görüntülerden konumsal blg elde etmede etken olan görüntünün blg çerğ kavramı örnekler verlerek ncelenmştr. Sonrasında, görüntülern herhang br hartacılık uygulamasına altlık olacak şeklde düzenlenmes çn; geometrk olarak düzeltlmeler ve zengnleştrlmeler konusunda mevcut yöntem, algortma ve yapılan şlemler anlatılmıştır. Görüntülerden çıkarılacak blg çerğnn elde edlmesnde yararlanılan sınıflandırma yaklaşımlarından bahsedlmş ve özellkle son yıllarda sıkça kullanılan nesne-tabanlı görüntü şleme analz ncelenmştr. Bu amaçla yapılan uygulamada, Zonguldak Bölgesn kaplayan yüksek çözünürlüklü 2004 yılına at QuckBrd, 2002 ve 2008 yıllarına at IKONOS uydu görüntüler kullanılmıştır. Görüntülerdek bna ve yollar gb kentsel ayrıntılar ecognton v4.0.6 yazılımı le nesnetabanlı sınıflandırma yaklaşımı kullanılarak bulunmuş, tanınmış ve çıkarılmıştır. Elde edlen ürünler, test alanının mevcut 1/5000 ölçekl referans vektör hartası le karşılaştırılmış, analz ve sorgu şlemler yapılarak dğer br yöntem olan görüntünün ekran üzernden elle vektörleştrlmes yöntemyle elde edlen vektör ürünlerne karşı başarısı CBS ortamında analz edlmştr. Bu değerlendrmeler doğrultusunda, yüksek çözünürlüklü uydu görüntülernn geometrk ve semantk çerğnden yararlanarak günümüz yerel yönetmler ve kamu tarafından kullanılan 1/5000 ölçekl hartaların yapımı ve güncelleştrlmes konusunda gerekl sonuçlar sunulmuş ve yorumlar yapılmıştır. Anahtar Kelmeler: Uzaktan Algılama, Yüksek Çözünürlüklü Uydu Görüntüler, Blg İçerğ, Segmentasyon, Nesne-Tabanlı Sınıflandırma. x

14 ABSTRACT In ths study, the fact that why the mages havng ground samplng dstance of m recently regarded as the hgh resoluton remote sensng mages are wdely used has been dscussed, and the concept of nformaton contents of the mage requred for obtanng spatal data has been nvestgated by varous examples. Secondly wth regard to the arrangement of remote sensng mages for any mappng applcatons, the exstng methods, algorthms and the processes for ther geometrc correctons and enhancements have been presented, respectvely. The approaches of classfcaton utlzed to obtan nformaton contents of the mages have been ponted out and the object-based mage analyss wdely used n recent years has been nvestgated. Thus n the applcaton regardng ths goal, the hgh resoluton QuckBrd mage of 2004 and IKONOS satellte mages of 2002 and 2008 coverng Zonguldak regon have been used. The urban detals lke buldngs and roads n the mages have been detected recognzed and extracted usng Cognton v4.0.6 software and the object-based classfcaton approach. The results have been compared wth the reference vector maps scale of 1/5000 of testfeld, and the success of object-based mage analyss of fnal results compared and contrasted respectvely wth other vector products, whch had been obtaned by the method of on-screen dgtzng results, has been tested by GIS software. Consequently, the results and dscussons about the producton and updatng of maps at the scales of 1/5000, whch are recently and wdely used by local authortes and publc organzatons, have been presented. Key Words: Remote Sensng, Hgh Resoluton Satellte Images, Image Contents, Segmentaton, Object-Based Classfcaton. x

15 1 1. GİRİŞ Günümüzde, araznn kullanımı ve konum blgs le lgl doğru, gerçek ve güncel blglere en kısa zamanda ulaşmak, araz uygulamalarında ana hedef halne gelmştr. Bu yen br uygulama ya da daha önce yapılmış br uygulamanın revze edlmes aşamasında zaman ve ekonomklk açısından büyük önem arz etmektedr. Bu sebeple br uygulama başlamadan, kullanılacak blglere en kısa zamanda ulaşmalı ve amaca yönelk olarak kullanılacak blgnn doğruluğu uygulamanın gdşatını aksatacak şeklde olmamalıdır. Bu durum uzaktan algılama teknolojlernn kullanımına zemn hazırlamaktadır (Çelk, 2006). Özellkle günümüzde zengn blg çerğ sunan uydu görüntülernn varlığı ve teknolojk gelşmelere bağlı olarak bu görüntülern şleneblmes, uzaktan algılama teknolojlernn sahadak kullanım yern sağlamlaştırmaktadır. Ancak yapılacak uygulamada uygun blg çerğ sunan ekonomk görüntülern kullanılması uygulamanın ekonomklğ açısından dkkate alınmalıdır. Dkkat edlmes gereken dğer br husus da, görüntü malyetnn yanında bu görüntüyü uygulamada kullanıma hazır hale getrecek ve gerekl blgy elde etmek çn kullanılacak yazılım ve donanım malyetlernn hesaba katılmasıdır. Bu aşamada, uygulanacak metot ble farklılıklar ortaya koyacaktır. Örneğn bu görüntülerdek detayları ekran üzernden elle vektörleştrmek veya bazı algortmalar kullanarak otomatk veya yarı otomatk çıkarmak ble yazılımlar arasında teknk ve mal farklar oluşturacaktır (Karakış, 2005). Uydu görüntüler, uygun ölçekte harta yapımı ve güncellenmes, planlama, rsk yönetm, analz ve benzer brçok alandak uygulamalara altlık teşkl edeblmektedr. Yukarıda bahsedlen uygulamalardak krtk kararların alınablmes çn güncel, hızlı ve düşük malyetlerle elde edleblen verlere htyaç duyulması, uydu görüntülernn bu alanlarda kullanılmasında terch sebebdr. Bu uygulamalarda, kullanılacak blg çerğnn uydu görüntülernden elde edlmes çn manuel (elle), yarı otomatk ve tam otomatk çeştl yaklaşım ve algortmalar gelştrlmştr. Tam otomatk algortmaların temel görüntü şleme teknklerne dayanırken, yarı otomatk algortmalar da bu görüntü şleme algortmalarına operatör desteğ ve yorumu da katılmaktadır. Manuel yaklaşımda se, operatörün yorumu ve şgücü ön plana çıkmaktadır (Çelkoyan ve Altan, 2005). Yukarıda bahsedlen ve blnen en esk yöntem olan manuel yaklaşım, ekran üzernden görüntüdek detayların sınırlarından vektör çzglern elle çzlmesyle yapılan vektörel

16 2 çzmdr. Oluşturulan bu vektörlern detayların nesney özntelk bakımından fade eden katmanlara dahl edlmesyle gerçekleştrlmş olur. Ancak görüntüdek her br detayın vektörel çzglerle fade edlmes göz önüne alındığında, bu oldukça uzun br şlemdr. Böylelkle uygulanan bu yaklaşımda, doğrudan blgsayar desteğnn olmaması ve dolayısıyla operatör gücüne bağlı olması, yapılan uygulamalarda zaman ve şgücü kaybına yok açmaktadır. Temel görüntü şleme teknklerne dayanan yarı ve tam otomatk yaklaşımlarla görüntü analzler çn çeştl sınıflandırma teknkler kullanılır. Halen güncel olan ve günümüze kadar kullanılmış yaklaşım, şlem brm pksel olan pksel-tabanlı sınıflandırma yaklaşımlarıdır. Bu yaklaşımlarda pkselle at renk değerler ve pksellern brbr le olan komşuluk lşkler ele alınmaktadır. Günümüz görüntü şleme ve dolayısıyla uzaktan algılama teknolojlernde, pksel-tabanlı sınıflandırma yaklaşımlarının yanında nesne-tabanlı sınıflandırma yaklaşımları da kullanılmaya başlanmıştır. Bunun en öneml neden, yüksek çözünürlüklü görüntülerde mevcut olan zengn blg çerğnn, pksel-tabanlı sınıflandırma yaklaşımları sonucunda tam olarak yansıtılamaması olarak gösterleblr (Wong vd., 2003). Örneğn IKONOS ve QuckBrd uydu görüntüler, pksel-tabanlı yaklaşımlarda tutarsız sınıflandırma sonuçları vermekte ve görüntüdek stenen detayların çıkarımında beklentler karşılayamamaktadır. Bahsedlen klask sınıflandırma yaklaşımların yapısından dolayı, bu durum, yen ve nesnetabanlı görüntü analz algortmalarının kullanımını gerektrr. Bu tür algortmalar, sınıflandırmaların düzenlenmes konusunda görüntü segmentlern daha uygun hale getrmek çn, spektral blgnn yanında yapısal veya dokusal ek blglerle daha uygun çözümler sunmaktadır (Antunes vd., 2003). Pksel-tabanlı sınıflandırma yaklaşımlarının aksne, nesne-tabanlı sınıflandırma yaklaşımı; yapıyı, dokuları, spektral blgler ve nesne büyüklüğünü brlkte dkkate alır. Bu yaklaşımda sınıflandırma aşaması, komşu pksellern gruplandırılmasının, sınıflandırmanın sonrak basamağında ele alınablr anlamlı bölgelere dönüştürülmes le başlar. Bu tür görüntü segmentasyonu ve topoloj oluşumu, çözünürlüğe ve görüntüdek çıkarılması düşünülen detaylarının ölçeğne göre ayarlanmalıdır. Bu yaklaşımla, sadece tekl pkseller sınıflandırılmakla kalmaz, ayrıca br öncek segmentasyon basamağı sırasında homojen görüntü nesneler de ortaya çıkar. Bu segmentasyon değşk çözünürlüklerde yapılablrken, nesne kategorlernn katmanlarını ayırt etmeye de zn verr. Segmentasyon aşamasından sonra görüntüden çıkarılması stenen sınıflar oluşturulmakta ve bu sınıfların çne dahl olacak

17 3 segmentler çn uygun fonksyonlar belrlenerek, bulanık mantıkla çalışan sınıflandırma şlem tamamlanmaktadır (Baatz vd., 2004). 1.1 Çalışmanın Amacı ve Kapsamı Son yıllardak uydu teknolojler alanındak gelşmeler, özellkle büyük alanların kapsamlı olarak ncelenmesne ve bu bağlamda doğru, güvenlr ve kapsamlı güncel blglern en hızlı şeklde üretlmesne olanak tanır hale gelmştr. Böylece özellkle kentsel alanlardak hızlı gelşm ve değşmler takp edleblmekte, bu gelşm ve değşmler yönlendrme stratejler oluşturulablmektedr. Yukarıda bahsedlen ve br çok uygulamaya altlık oluşturablecek uydu görüntülernn özellkler, yapılan çalışmanın çerğn doğrudan etklemektedr. Bununla brlkte uydu görüntülernn, görüntü şleme teknkleryle değerlendrlmes sonucunda uygun ölçeklerde harta yapımının gerçekleştrlmes çalışma konusudur. Örneğn Jacobsen, (2002) ve (2003) de yapmış olduğu çalışmalar le, özellkle engebesz alanlarda, yüksek çözünürlüklü IKONOS ve QuckBrd görüntülernden yaklaşık 1/6000 ve 1/10000 ölçekler arasında hartalar üretlebldğn göstermştr. Zengn blg çerğne sahp yüksek çözünürlüklü uydu görüntüler, görsel olarak çok fazla blg sunmasına rağmen uygulamalara altlık oluşturablmes çn görüntülerdek tüm detayların blglernn çıkarılması gerekmektedr. Bu gereksnm mevcut blg şlem teknolojlerne bağlı olarak gelşmş görüntü analz ve sınıflandırma yaklaşımlarını da berabernde getrmştr. Böylelkle bu çalışma le, son yıllarda sıkça kullanılan nesne-tabanlı görüntü analz ve sınıflandırma yaklaşımının; uydu görüntülern kullanarak, detay çıkarımı, araz değşmnn belrlenmes, harta yapımı ve harta blglernn revzyonunun yapılması konularındak başarısının test edlmes amaçlanmıştır. Bu amaçla, Yüksek çözünürlüklü uydu görüntülernn sağladığı blg çerğ kavramının belrlenmes, Bu görüntülere görüntü şleme analzler önces uygulanan geometrk düzeltme ve görüntü zengnleştrme şlemlernn rdelenmes, Görüntü sınıflandırması çn kullanılan klask pksel-tabanlı ve nesne-tabanlı sınıflandırma yaklaşımlarının tanımlanması, özellkle nesne-tabanlı yaklaşımların dayandığı temel esasların rdelenmes, bulanık mantıkla çalışan sınıflandırma şlemlernn ncelenmes,

18 4 Uygulama bölümüne altlık olacak şeklde, mevcut uydu görüntülernn belrlenmes, belrlenen görüntülerden elle vektörleştrme sonucu ürünlern elde edlmes ve mevcut referans vektör hartaların belrtlmes, Belrlenen görüntüler kullanılarak, tezn amacına uygun şeklde pksel-tabanlı ve nesne-tabanlı sınıflandırma uygulanması, elde edlen detayların ne ölçüde derlenebleceğ, bu amaçla yapılması gereken şlem adımlarının belrtlmes, farklı yaklaşımlarla yapılablecek çıkarımların brbrne göre ve eldek mevcut ürünlere göre başarısının ncelenmes, karşılaştırmalar yapılarak analz sonuç ve yorumlarının verlmes, Elde edlen tüm sonuçlara göre, uydu görüntülernden harta yapımı ve harta blglernn güncelleştrlmes konularında blglern verlmes ve gerekl yorumların yapılması hedeflenmştr. Tezn Grş bölümünden sonra; uydu görüntülernden elde edleblecek blg çerğ kavramı detaylı olarak anlatılmış ve günümüz yüksek çözünürlüklü uydu görüntülernn blg çerkler hakkında blg verlmştr. Bu görüntülerden, Zonguldak kentsel alanına at yüksek çözünürlüklü SPOT-5, KVR-1000, IKONOS, QuckBrd, WorldVew-I ve benzer uydu görüntülernn blg çerğnn araştırılması ve uygun görüntülerdek çıkarılması stenen kentsel ayrıntıların belrlenmes konularında blgler verlmştr. Bu bağlamda, hang görüntüden hang kentsel ayrıntıların ne ölçüde derlenebleceğ belrtlmştr. Üçüncü bölümde; ham uydu görüntülernn geometrk düzetlmes, zengnleştrlmes ve bunlara bağlı olan algortmalar anlatılmıştır. Bunun çn, mevcut görüntülere uygulanması gereken öncelkle geometrk şlemlern tasarlanması ve uygulanması, ardından stenlen blg çerğnn tam çıkarılması çn yapılablecek görüntü zengnleştrlme şlemlernn rdelemes yapılmıştır. Kullanılacak uydu görüntülernn değşk sensör yöneltme modelleryle rektfkasyonu detaylı olarak anlatılmış ve bu bağlamda verlern geometrk değerlendrlmes, Global Postonng System (GPS) gözlemleryle konumlandırılan noktaların kullanılarak ve bu noktaların PCI Geomatca OrthoEngne v9.1.4 yazılımında kullanılan, Canada Center for Remote Sensng (CCRS) den Dr. Therry TOUTIN tarafından gelştrlmş olan Satellte Orbtal Modellng (SOM) yaklaşımında Yer Kontrol Noktası (YKN) olarak kullanılarak anlatılması sağlanmıştır. Ayrıca, yüksek çözünürlüklü görüntülernn pankromatk ve renkl bantlarının kombnasyonu sonucunda özel br algortma le oluşturulan, yüksek çözünürlüklü ve renkl görüntü ürününü sağlayan pan-sharp algortmaları üzernde durulmuştır.

19 5 Dördüncü bölümde; uzaktan algılamada sınıflandırma kavramı ve sınıflandırıcılar tanımlanmış, klask pksel-tabanlı sınıflandırma yaklaşımına değnlmş ve yüksek çözünürlüklü uydu görüntülernden kentsel ayrıntıların çıkarımında yararlanılan nesne-tabanlı sınıflandırma yaklaşımı detaylı olarak ncelenmştr. Bu yaklaşım le çalışan Ecognton yazılımı anlatılmış ve bununla brlkte yazılımda lgl olan, görüntü yorumlamada temel bleşenler, özellkle ölçek kavramı, segmentasyon ve nesne-tabanlı görüntü analz altında sınıflandırma kavramları rdelenmştr. Beşnc bölümde; Zonguldak test alanına at yüksek çözünürlüklü IKONOS ve QuckBrd uydularının özellkler ve görüntü verlernn ncelenmes yapılacak, bu görüntü verlernn ekran üzernden elle vektörleştrme sonucu elde edlecek vektör hartalardan bahsedlecektr. Ayrıca lgl alana at üretlmş ve referans ver olarak kullanılacak olan 1/5000 ölçekl vektör hartalardak mevcut kentsel ayrıntıların vektörel katmanlarının düzenlenmes sağlanmıştır. Altıncı bölümde; tezn amacına uygun olarak, Zonguldak kentsel alanına at 2002 ve 2008 yıllarına at yüksek çözünürlüklü IKONOS ve 2004 yılına at yüksek çözünürlüklü QuckBrd uydu görüntülernn; değşk sensör yöneltme modelleryle geometrk düzeltlmes, zengnleştrlmes, bu görüntüler üzernden lgl alanı kapsayan bölgedek kentsel detaylar olan bna ve yolların, nesne-tabanlı görüntü analz yazılımı olan Ecognton yazılımı kullanılarak çıkarımı sağlanmıştır. Böylelkle Nobrega vd. (2006) dak gb, görüntülerden ne tür ayrıntıların ne düzeyde çıkarılabldğ ve elde edlen sınıflandırma sonuçları rdelenmştr. Ayrıca, güncel durumun Coğraf Blg Sstem (CBS) ortamına aktarımı, bu ortamda dğer verlerle bütünleştrlmes ve güncelleme çalışmalarını yapılması da uygulamanın dğer br adımı olmuştur. Nesne-tabanlı sınıflandırma sonuçlarının vektör yapıya çevrlmes sağlanmış, bu sonuç verlerle brlkte, test alanına at mevcut 1/5000 ölçekl vektör hartalar ve görüntüler üzernden elle vektörleştrme sonuç ürünlernn br CBS yazılımı altında toplanmasıyla detaylı analz ve sorgulamalar yapılmıştır. CBS tabanlı analz ve karşılaştırmalarının yapılarak, güncel durum ortaya koyulmuştur. Bu sayede, yüksek çözünürlüklü görüntülern, hem geometrk, hem de semantk çerğnden yararlanarak, günümüz yerel yönetmler ve kamu tarafından kullanılmakta olan büyük ölçekl hartaların (örneğn 1/5000 ölçekl) yapımı ve güncelleştrme olanaklarının araştırılması sağlanmıştır. Yapılan araştırmanın değerlendrlmes le elde edlen sonuç ve önerler tezn yednc bölümde sunulmuştur. Bu çalışmada kullanılan görüntü verler, TÜBİTAK Türkye ve Julch Araştırma Merkez Almanya tarafından desteklenen Geometrc and Semantc Analyss of Space Imagery for Topographc Mappng & Database Constructon of Selected Expermental Test Ares n

20 6 Turkey konulu çalışmadan ve ZKÜ Araştırma Fonu tarafından desteklenen Kentsel Gelşm Alanının Yüksek Çözünürlüklü Uydu Görüntüleryle CBS Tabanlı Analz konulu çalışmadan sağlanmıştır. Ayrıca referans vektör ver olarak kullanılan 1/5000 ölçekl vektör harta vers de Zonguldak ve Klml Beledyes Fotogrametrk Hal Hazır Yapım Projes kapsamında üretlmş ve tez çalışmasında kullanılmıştır.

21 7 2. UYDU GÖRÜNTÜLERİNİN SAĞLADIĞI BİLGİ İÇERİĞİ KAVRAMI Günümüzde, yüksek çözünürlüklü uydu görüntülernn mühendslk uygulamalarında ve konumsal blg elde etmede yoğun olarak kullanılmaya başlanmasının en öneml neden, bu görüntülern Yer Örnekleme Aralığının (YÖA) küçülmesdr. Bu durum görüntünün geometrk çözünürlüğünün artması ve nesnelern daha ayrıntılı olarak görüntülerden seçlmes anlamına gelmektedr. YÖA değernn yanı sıra görüntülern radyometrk ve spektral çözeblrlkler de blg çerğn etklemekte, değşm belrleme gb çalışmalarda zamansal çözeblrlk de ön plana çıkmaktadır. Blg çerğn etkleyen bu çözeblrlk kavramlarına ek olarak, görüntülern etkn YÖA, atmosferk durum, güneş yükseklk açısı, görüntüleme sstemnn bakış açısı ve lg alanındak nesnelern durumu ve aralarındak kontrast da blg çerğn etkleyen parametrelerdr. Uzaktan algılama görüntülernden konumsal blg elde etmede görüntülern geometrk doğruluğu ve blg çerğ düzey k öneml etkendr. Geometrk doğruluk, sstemn görüntü alım geometrs le yakından lşkldr ve büyük ölçekl topoğrafk hartaların konum doğruluğuna ulaşmada herhang büyük br sorun yaşanmamaktadır. Geometrk doğruluk kend çersnde yatay ve düşey konum doğruluğu olarak kye ayrılablr. Burada, gözün ayırma gücü dkkate alındığında göstermde uygulanmakta olan 0.20 mm kuralına göre 1/5000 ölçekl br hartanın yatay konum hassasyet ±1.0m düzeynde olmaktadır. Düşey konum doğruluğu se, h h u u m h = m px (2.1) c b bağıntısıyla hesaplanablr. Burada, m h : Düşey doğruluk, h u : Uçuş yükseklğ, c: Kamera odak uzaklığı, (h/b):yükseklk-baz oranı, m px : Yatay paralaksın doğruluğudur. Uydu görüntüler veya hava fotoğraflarından topoğrafk harta üretm, pksel boyutu le harta ölçeğ arasında uygun br lşky gerektrr. Kazanılan deneymlerden elde edlen durum, hartanın ölçeğ le YÖA arasında mm gb br lşknn olduğudur. Buna göre

22 8 1/10000 ölçekl br harta çn 50cm-1.0m olarak hesaplanacaktır. Burada, YÖA değernn br aralık olarak verlmesnn neden, görüntü detayı ve çerğndek değşklklerdr. 2.1 Normal ve Etkn YÖA Değer YÖA değer, komşu pksellern merkezler arasındak uzaklığın yeryüzündek fzksel karşılıkları olarak tanımlanablr. Bu komşu pkseller, brbrler üzerne bneblmekte veya bunların aralarında bazı boşluklar da olablmektedr. Şekl 2.1 de gösterldğ gb brbrne göre yarım pksel ötelenmş CCD dznler sayesnde yarım pksel boyutunda YÖA ya sahp görüntüler elde edleblr. Örneğn SPOT-5 pankromatk bandda 5 m yer pksel boyutuna sahpken, bu teknk sayesnde 2.5m YÖA değerne sahp Supermode görüntüsü elde edleblr. Benzer şeklde OrbVew-3 pankromatk bandında pksel boyutu 2m ken YÖA değer 1 m dr. Bu teknk sayesnde CCD dznlerdek pksellern boyutlarını fzksel olarak küçültmeye gerek kalmamakta, böylece görüntüleme sstemlernn yapım malyetler düşmektedr (Jacobsen, 2006). Ötelenmş CCD ler Bndrmel pksel ve YÖA lşks Ayrık pksel gösterm Şekl 2.1 Ötelenmş CCD dznler, pksel ve YÖA lşkler (Topan, 2006) Uydu görüntülernn geometrk çözünürlüğünden söz edlrken genellkle normal YÖA değernden bahsedlr. Oysa etkn YÖA, görüntülern asıl sahp oldukları geometrk çözünürlük değerdr. Görüntüleme sstemne ve atmosferk duruma bağlı olarak görüntülern normal ve etkn YÖA değerler arasında fark olması muhtemeldr. Bu farkın belrleneblmes çn gr değer değşm grafğnden yararlanılablr. Görüntü üzernde, örneğn br bna veya havuz kenarında gr değerlernn ortalamaları arasındak fark, kenarda en büyük değerlern alacak ve bu değşm br normal dağılım eğrs çzecektr. Bu eğrnn yükseklğnn yarısının eğry kestğ noktalarının pksel karşılıklarının yarısı, etkn YÖA değern vermektedr. Buna örnek olarak, aşağıdak çzelgede Zonguldak test alanına at bazı uydu görüntülernn normal ve etkn YÖA değerler verlmştr (Çzelge 2.1).

23 9 Çzelge 2.1 Kenar Belrleme le hesaplanan etkn YÖA değerler Uydu Görüntüsü Normal YÖA Değer (m) Etkn YÖA Değer (m) TK KVR ASTER KOMPSAT IRS-1C SPOT IKONOS 1 1 QuckBrd Çzelge 2.1 de gösterlen TK 350 ve KVR 1000 görüntüler lk olarak fotoğraf flm üzerne kayıt edlmş ve taranmak suretyle sayısal hale getrlmşlerdr. Bu sebeple, bu k görüntünün normal ve etkn YÖA değerler arasında belrl br fark oluşmuştur. Fakat IRS-1C çn bu durum farklıdır, bunun neden se bu görüntülern, 6 bt (64 gr değer) le örneklenmes sonucu düşük radyometrk çözeblrlğe sahp olmalarıdır. Ayrıca burada etkn YÖA değer atmosferk durumundan da etklenmş olablmektedr. Aynı büyüklüktek normal ve etkn YÖA değerlerne sahp IKONOS ve QuckBrd görüntülernn elde edlmesnde se Tme Delay Integraton (TDI) teknolojsn kullanmaktadır. Bu teknolojde, görüntünün oluşması çn gereken zaman, uydunun ler hareket le arttırılmakta ve böylece sensörlern üzernde toplanan enerj mktarı çoğaltılmaktadır (Şekl 2.2). Şekl 2.2 TDI teknolojs Farklı test alanlarında se EROS-A1 ve OrbVew 3 görüntüler test edlmştr. 1.8m normal YÖA değerne sahp EROS-A1 görüntüsü çn 2.4m etkn YÖA değer belrlenmştr. OrbVew 3 görüntüsü çn etkn ve normal YÖA değerler aynı değerde olmaktadır (Topan, 2005). Görüntünün blg çerğ kavramını daha anlaşılır hale getrmek çn aşağıda Zonguldak test alanına at, radyometrk ve spektral çözeblrlğe sahp uydu görüntülernn sağladıkları blg çerklernn analz örnek olarak verlmştr.

24 Uydu Görüntülernn Sağladıkları Blg İçerkler Bu ncelemede, Zonguldak şehr merkezne at değşk uydu görüntülernn YÖA değerlernn büyük önem taşıdığı gösterlmek stenmştr. Bununla brlkte, radyometrk çözeblrlğn önem taşıdığı ve renkl görüntünün de yorumlama çn öneml olduğu vurgulanmıştır. Şekl 2.3 de Zonguldak şehr merkezne at farklı uydu görüntüler, sahp oldukları YÖA değerler le brlkte verlmştr. Landsat 7 renkl, 30m YÖA Landsat-7 pan, 15m YÖA ASTER, 15m YÖA TK 350, 10m (13m) YÖA KOMPSAT 1, 6.6m YÖA IRS-1C pan, 5.7m YÖA SPOT 5 pan, 5m YÖA IKONOS renkl, 4m YÖA QuckBrd renkl, 2.4m YÖA

25 11 KVR m (2.2m) YÖA IKONOS pan, 1m YÖA QuckBrd pan, 0.6m YÖA 2002 Pan-sharp IKONOS 1m YÖA 2008 Pan-sharp IKONOS 1m YÖA 2004 Pan-sharp QuckBrd 0.6m YÖA Şekl 2.3 Zonguldak şehr merkezne at farklı uydu görüntüler (Karakış vd., 2005) 30m YÖA değerne sahp LANDSAT 7 Multspectral Scanner (MSS) görüntüsü, çerdğ nesnelern sınıflandırılmasında kullanılmasına karşın, harta yapımı çn uygun değldr. Bunun yanında LANDSAT 7 MSS görüntüsü, renk blgsnn sağladığı avantajlarla, 15m YÖA değerne sahp LANDSAT 7 pan görüntüsüyle neredeyse aynı blg çerğ sunmaktadır. 15m YÖA değerne sahp ASTER görüntüsü daha fazla detay çermektedr. Görüntünün kontrastının daha y olmasının yanında, yeşl, kırmızı ve yakın kızılötes band le özellkle ormanlık alanlarda y br ayrıma olanak vermes, LANDSAT 7 pan görüntüsüne karşı üstünlük kurmaktadır. LANDSAT 7 görüntüsünde ana yollar, yerleşm ve orman alanları ayırt edleblmekte fakat daha fazla detayı görmek mümkün olamamaktadır. Bu nedenle bu görüntüler, ancak 1/ ölçekl br harta üretmne zn vereblmektedr (Jacobsen ve Büyüksalh, 2006). ASTER görüntüsü le hemen hemen aynı YÖA değerne sahp olan bu TK-350 görüntüsü, kontrastının çok y olmaması yüzünden ASTER görüntüsüne nazaran daha az detay çerğ

26 12 sunmaktadır. Stereo-görüntü özellğnden dolayı, Sayısal Yükseklk Model (SYM) üretmek çn uygun olan TK 350 görüntüsü, bu halyle doğrudan topoğrafk harta yapımına olanak vermemektedr. Mkro-uydu KOMPSAT 1 le çeklen görüntüler, 6.6m normal YÖA değerne sahptrler ve topoğrafk harta yapımı çn öneml br görüntü vers halne gelmşlerdr. Yakın YÖA düzeyler le KOMPSAT 1 ve SPOT-5 görüntülernn genel detay çıkarım kapasteler brbrlerne yakındır. Şehr merkezndek ana yol ağları bu görüntülerden çıkarılablmekte, bna düzeynde se blok bnalar tespt edleblmektedr. hartaları yapılablmektedr. Bu durum SPOT-5 ve KOMPSAT-1 görüntüler le yaklaşık 1/ /50000 ölçekl hartaların yapımı çn yeterl olmaktadır, ancak daha büyük ölçekl hartaların üretmne olanak vermemektedr (Jacobsen ve Büyüksalh, 2006) (Şekl 2.4). Şekl 2.4a: KOMPSAT 1 Şekl 2.4b: SPOT 5 çn vektörleştrme Şekl 2.4 KOMPSAT 1 ve SPOT 5 görüntüler Şekl 2.5a: IRS-1C Şekl 2.5b: KVR-1000 çn vektörleştrme Şekl 2.5 IRS-1C ve KVR-1000 görüntüler KOMPSAT 1, SPOT 5 ve IRS-1C pan görüntüler yaklaşık aynı YÖA değerler üretmelerne rağmen farklı radyometrk düzey serglemektedrler (Şekl 2.4a, 2.4b ve 2.5a). IRS-1C görüntüsünün 64 gr değerne sahp olması yüzünden SPOT 5 görüntüsünden daha fazla

27 13 detay çıkarılması olasıdır (Şekl 2.6). Bu görüntüden blok halndek bnalar, büyük tek bnalar, ana ve ara yollar, kıyı çzgs, açık ve yeşl alanlar rahatlıkla tanınablmektedr. Fakat IRS-1C görüntüsünde büyük tek bnaların ve ara yolların belrlenmes SPOT 5 görüntüsündek kadar kolay olmamaktadır. Şehr merkeznde durum bu şekldeyken, kırsal br alanda her k görüntüde de yerleşm ve yollar görüleblmektedr (Şekl 2.7). Aynı şeklde, SPOT 5 üzernden daha rahat detay çıkarımı yapılablmektedr. Yukarıda da belrtldğ gb, her k görüntü, yaklaşık 1/ /50000 ölçekl br harta yapımı çn kullanılablr (Jacobsen ve Büyüksalh, 2006). Ancak IRS-1C görüntüsünün 6.9m etkn YÖA değerne ve 64 gr değerne sahp olduğu ve bu nedenle sorunlar yaşanableceğ unutulmamalıdır. Şekl 6a: SPOT-5 çn vektörleştrme Şekl 6b: IRS-1C çn vektörleştrme Şekl 2.6 SPOT-5 ve IRS-1C görüntüler çn vektörleştrme sonuçları Şekl 7a: SPOT-5 görüntüsü Şekl 7b: IRS-1C görüntüsü Şekl 2.7 SPOT-5 ve IRS-1C görüntüler Tekl bnaların ve yolların rahatlıkla belrlenmes se, 2.2m etkn YÖA değerne sahp olan KVR 1000 pan görüntüsü le sağlanablmektedr (Şahn vd., 2004 ve 2005) (Şekl 2.5b).

28 14 IKONOS görüntüler, 1m pan ve 4m renkl görüntüleryle oldukça y br detay zengnlğne sahptr. Pan görüntüler, yüksek geometrk çözeblrlkler sayesnde nesnelern gerçek boyutlarıyla algılanmasını sağlamakla brlkte, renkl görüntüler çerdkler renk nedenyle nesneler arasındak renk farklılıklarını ortaya koymaktadır (Şekl 2.8a ve 2.8b). Bu nedenle renk blgs, görüntüde nesnelern daha y tanınmasına yardımcı olur. Zonguldak şehrndek bnalar genelde kırmızı çatılı bnalardır, böylelkle 4m YÖA değerne sahp renkl IKONOS görüntüsü le bu tekl bnaların tanınması daha rahat olmaktadır, fakat bu bnalar tekl çzmler çn çok küçüktür. Genelde, değşk nesnelern elle sınıflandırma şlem renk tarafından desteklenmektedr ve harta yapımı pan görüntülerle daha kolay yapılmaktadır. Renkl IKONOS görüntüler ana yolların tanınmasına olanak vermektedr. Şekl 2.8a: IKONOS pan, 1.0m YÖA Şekl 2.8b: renkl IKONOS, 4.0m YÖA Şekl 2.8c: pan-sharp IKONOS 1.0m YÖA Şekl 2.8 IKONOS Pan, renkl ve pan-sharp görüntüler (Marangoz, 2004) IKONOS pan görüntüsünde bnalar, yollar ve dğer unsurlar brbrlernden geometrk çözeblrlğn yüksek düzeyde olması nedenyle ayırt edleblmektedr. Fakat görüntü renkl olmadığı çn burada renk blgsnden yararlanılamamaktadır. Renk blgsn veren renkl IKONOS görüntüsü se 4.0m YÖA değerne sahptr ve dolayısıyla nesnelern renkler yardımıyla nesne ayrımı ön plana çıkmaktadır. IKONOS pan ve renkl görüntülernn pan-sharp algortmasıyla brleştrlmesyle elde edlen pan-sharp IKONOS görüntüsü Şekl 2.8c de verlmştr. Bu şeklde her k görüntünün brleştrlerek pan-sharp görüntü oluşturulması, hem 1.0m YÖA değern, hem de renk blgs çermes bakımından oldukça sık terch edlmektedr. Bahsedlen pan-sharp metodu tez çalışmasının üçüncü bölümünde detaylı br bçmde anlatılmıştır.

29 15 Şekl 2.9 de se, görüntülerdek nesnelern tanınmasında öneml etken olan güneşn yükseklk açısının etks gösterlmştr. Güneş yükseklk açısı 41 o olan görüntüde bna gölgelernden dolayı yolların tanınması güçtür. Bna çatılarında güneşn yansıması olduğu çn, bnaların çıkarılmasında herhang br sorun bulunmamaktadır. Fakat Zonguldak tak sıralı bnalar brbrlerne çok yakın olduğu çn, bazen yol ve ev bahçeler brbrlernden ayırt edlememektedr. Güneş yükseklk açısının yanında, güneş azmutu değernn de önem büyüktür. Örneğn, Şekl 2.9c de, yolların vektörleştrlmes daha kolaydır. Şekl 2.9d de verlen pan-sharp IKONOS görüntüsü le bnaların tanınması kolaylaşmaktadır, fakat renk blgsnn avantajı 1m YÖA değer çn sınırlı kalmıştır. Şekl 2.9a: Güneş yükseklk açısı 67 güneş azmutu 138 Şekl 2.9b: Güneş yükseklk açısı 41 güneş azmutu 166 Şekl 2.9c: Güneş yükseklk açısı 46 güneş azmutu 144 Şekl 2.9d: Pan-sharp görüntü, Güneş yükseklk açısı 41, güneş azmutu 166 Şekl 2.9 Farklı güneş yükseklk açılarındak IKONOS pan ve pan-sharp (1.0m YÖA) görüntüler Kısacası, bnaların ve dğer yüksek nesnelern gölgelernde kalan nesneler görüntüde seçlememekte ve dolayısıyla bu durum, görüntülern verdğ blg çerğn azaltmaktadır. Bu bakımdan güneş yükseklk açısı ve güneş azmutu, nesne çıkarımında dkkate alınması gereken etkenlerdr.

30 16 Şekl 2.10a: QuckBrd renkl, 2.4m YÖA Şekl 2.10b: Quckbrd pan, 0.6m YÖA Şekl 2.10c: Renkl ve pan görüntülern üst üste bndrlmes Şekl 2.10 QuckBrd renkl ve pan görüntüler ve harta yapımı amaçlı karşılaştırma 2.4m YÖA değerne sahp QuckBrd renkl görüntüsü, doğru açılı bnaların ve yollara paralel olmayan bnaların doğru şeklde çıkarılmasına olanak vermemektedr (Şekl 2.10a). Buna karşın, 0.6m YÖA değerl pan görüntüsü le bna detaylarını çıkarmada br sorun bulunmamaktadır (Şekl 2.10b). Sonuç olarak denleblr k, özellkle engebesz bölgelerde IKONOS görüntüler, yaklaşık olarak 1/10000 ölçekl br hartanın blg çerğne sahpken, QuckBrd görüntüler, pan bandda 0.6m, renklde se 2.4m YÖA değerleryle, yaklaşık olarak 1/6000 ölçekl br hartanın blg çerklern vermektedr (Jacobsen ve Büyüksalh, 2008). 2.3 Değerlendrme Uydu görüntülernden topoğrafk harta yapımı, YÖA değer ve harta ölçeğ arasında yeterl br lşk gerektrr. Günümüzde hartalar, ulusal koordnatlarıyla br CBS ortamında bulunsalar ble, blg çerkler ve harta yapımlarının düzey üretm ölçeğyle lşkldr. İstenen semantk blg harta ölçeğne bağlıdır. Örneğn, tekl bnalar 1/50000 ölçekl hartada gösterlmezken, bu ölçekte sadece bölgenn genel yapısı sunulmaktadır. Tab k bu durum, bnaların mevcut olduğu 1/1000 ölçekl hartalarda farklıdır. Normal koşullar altında, uydu görüntülernden harta yapım doğruluğu le lgl br problem bulunmamakla brlkte, gerçek sınırlama görüntünün blg çerklernden kaynaklanmaktadır. Bunun anlamı, yorumlama sırasında hang nesnenn tanınabldğdr. Burada halen, nesnenn bulunması ve yorumlanması arasında fark mevcuttur. Görüntüde br çzg tanınmakla brlkte, yorumlama esnasında bu çzgnn, tarımsal br bölgeye at sınır çzgs, br patka veya br yol olup olmadığı hakkında bazı sorunlar yaşanmaktadır (Topan, 2004). Asker amaçlı harta yapımı çn svl topoğrafk hartalarda gösterlmeyen nesnelern durumları hakkında br ayrım yapılmaktadır (NATO STANAG 3769 standartları). Bunlar;

31 17 Bulma (Detecton): Görüntü yorumlamada, nesnenn tanınmadan varlığının belrlenmes, Tanıma (Recognton): Görüntüdek tank, hava aracı gb br özellğn veya nesnenn kmlğnn grup tp halnde kararlaştırılması kablyet (Recognton, detecton a htyaç duyar), Adlandırma (Identfcaton): Görüntüdek br özellğn veya nesnenn kmlğnn tam olarak kararlaştırılması kablyet (örneğn T-54 Tankı, MIG-217J hava aracı gb), Detaylandırma: Görüntüdek br özellğn, nesne veya br elemanın tam olarak tanımlanma kablyetdr. Çzelge 2.2 de NATO STANAG 3769 standartlarında verlen görüntü yorumlama çn yeterl görülen YÖA değerler verlmştr. Çzelge 2.2 Görüntü yorumlama çn yeterl görülen YÖA değerler Nesne Bulma Tanıma Adlandırma Detaylandırma Bölgesel Özellkler ~800m 90m 3m 0.75m Yerleşm Alanları 60m 15m 3m 0.75m Yollar 6m 4.5m 1.5m 0.38m Demryolları 15m 4.5m 1.5m 0.38m Köprüler 6m 4.5m 1.5m 0.3m Çzelge 2.2 de gösterlen STANAG 3769 e göre yeterl görülen YÖA değerler, kullanılan görüntünün özellğn dkkate almaz ve bu nedenle svl harta yapımı çn geçerl olamaz. Bunun yanında Jacobsen ve Büyüksalh (2008) se, Zonguldak bölgesndek ncelenen testlere dayanarak, nesne çıkarımına lşkn bulunan bazı kuralları belrtmştr (Çzelge 2.3). Çzelge 2.3 Pankromatk görüntülerden nesne tanımına lşkn yeterl görülen YÖA değerler Nesne Yapıları Yeterl Görülen veya En Küçük YÖA Değer (m) Kentsel bnalar 2 Patka 1-2 Ara yollar 5 Demr yolları 5 Su yapıları 5 Ana yollar 10 Blok halndek bnalar 10 Çzelge 2.3 dek değerlere göre, kentsel bnaların 5m YÖA değerne sahp görüntülerden çıkarılamayacağı, fakat blok halndek bnaların rahatlıkla tanınableceğ görülmektedr.