Yrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi

Transkript

1 Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi 1

2 Görüntü Zenginleştirme Mekânsal Dönüşümler Mekânsal dönüşümler, uzaktan algılama görüntülerindeki bilgiyi çıkartmak veya değiştirmek için uygulanırlar. En yaygın dönüşüm uygulaması mekânsal filtrelemedir. Mekânsal filtreleme yöntemleri görüntü içindeki bazı özellikleri bu özelliklerin mekânsal frekanslarına dayanarak vurgulamak veya yok etmek için kullanılır. Mekânsal frekans, görüntünün belirli bir alanına ait yansıtım değerlerindeki değişim oranına karşılık gelen doku bilgisiyle belirlenir. Değişim oranı fazla olan bir bölge kaba dokulu özellik göstermekte olup yüksek mekânsal frekansa sahiptir. 2

3 Görüntü Zenginleştirme Mekânsal Dönüşümler Filtreleme görüntü üzerinde bir filtre varmış gibi düşünüp her piksel değerinin yeniden hesaplanmasıdır. Filtreleme işleminin amaçları: netleştirme nokta yada çizgisel bozuklukları giderme belirli ayrıntıları ortaya çıkarma görüntüyü yumuşatma kenar keskinleştirme veya kenar bulma gibi işlemler gerçekleştirilir. 3

4 Görüntü Zenginleştirme Mekânsal Dönüşümler Her bir piksel için gezdirilen bu pencerenin ağırlık değerleriyle eşleştirildiği lokal görüntü parlaklık değerleri karşılıklı çarpılır ve bu çarpımlar toplanır. Elde edilen sonuç pencere merkezindeki piksele yeni değer olarak atanır. Daha sonra bu pencere satır veya sütün yönünde 1 piksel ötelenir. Bu öteleme ve aritmetik işlemlerin bütününe konvolüsyon denir. 4

5 Görüntü Zenginleştirme Mekânsal Dönüşümler Pencerenin ağırlık değerleri değiştirilerek görüntüdeki mekânsal özellikleri vurgulayan veya azaltan filtreler oluşturulur. Yansıtım değeri değişiminin az olduğu düşük mekânsal frekansların vurgulanıp yüksek frekanslı detayların zayıflatılmak istendiği uygulamalarda Alçak Geçirgenli filtrelerin kullanımı uygundur. Tam tersi durumda ise Yüksek Geçirgenli filtre kullanılır. 5

6 Görüntü Zenginleştirme Mekânsal Dönüşümler Alçak geçirgenli filtreler (Low Pass Filter) görüntüyü yumuşatırken (ortalamda bilgi muhafaza edilir), Yüksek geçirgenli (High Pass Filter) filtreler görüntünün ortalama bilgisini zayıflatan bir etkiye sahiptir. Yaygın kullanımda alçak geçirgenli filtrenin ağırlıklarının toplamı 1, yüksek geçirgenli filtrenin ağırlıklarının toplamı ise 0 olacak şekilde ağırlıklandırma yapılır. Ancak yüksek geçirgenli filtrelemede bu genellemenin dışında kalan farklı kernel çeşitleri de kullanılmaktadır. 6

7 Görüntü Zenginleştirme Mekânsal Dönüşümler Bu filtrelerden başka Istatistiksel Morfolojik Gradyen ölçek-mekan Filtreleri gibi daha bir çok farklı filtre çeşidi vardır. 7

8 Kenar Çıkartma Filtreleri Kenarlar, piksellerin parlaklık fonksiyonlarının aniden değiştiği yerlerdir. En yaygın kullanılan kenar belirleme algoritmaları: Roberts Prewitt Sobel Canny 8

9 Görüntü Sınıflandırma Sınıflandırma nedir Sınıflandırma türleri Kontrolsüz/Kontrollü (Denetimli, Eğitimli) Sınıflandırma doğruluğu Hata matrisi 9

10 SINIFLANDIRMA Yer yüzeyindeki cisimlerin elektromanyetik spektrumun değişik bölgelerinde yansıttıkları veya yaydıkları ışınım farklılık göstermektedir. Bu farklılıklardan yararlanarak yer yüzeyindeki cisimler sınıflandırılabilmektedir. Sınıflandırma, piksellerin yansıtma değerleri dikkate alınarak gruplandırılmaları işlemidir. Amaç uydu görüntüsündeki her bir pikseli spektral özelliklerine göre farklı gruplara ayırmak ve pikseli yansıtma değerine göre yer yüzünde karşılık geldiği kümeye atmaktır. 10

11 11

12 12

13 SINIFLANDIRMA Sınıflandırma işleminde dikkat edilecek konular Algılayıcı, algılama zamanı ve spektral bantların amaca uygun olarak seçimi, Yeryüzü özelliklerini ortaya koyabilecek kontrol alanlarının seçimi, Amaca yönelik sınıflandırma algoritmalarının seçimi, Belirlenen bu özelliklerin tüm görüntüye uygulanması ve sonuç görüntülerinde doğruluk analizlerinin yapılması. 13

14 SINIFLANDIRMA Piksellerin yansıtma değerleri bulundukları görüntünün çeşidine ve ait olduğu ögeye bağlı olarak değişmektedir. Sınıflandırma yöntemi kriterlerine bağlı olarak piksel kümeleri oluşturulur, ancak bazı piksellerin değerleri, gruplar için belirtilen sayısal aralıkların çok dışında ise tanımlanamayanlar (null ya da unknown) grubuna yerleştirilir. Sınıflandırma yöntemleri, kullanıcının sınıflandırmaya müdahale edip etmemesine bağlı olarak, kontrollü/denetimli/egitimli (supervised) ve kontrolsüz/denetimsiz/egitimsiz (unsupervised) olmak üzere iki başlık altında incelenir (Shrestha, 1998). 14

15 SINIFLANDIRMA Kontrolsüz Sınıflandırma Kullanıcının veya araştırmacının sınırlı olarak yönlendirmesi ve belirli benzerlik uzaklıkları dikkate alınarak sadece bilgisayar tarafından piksellerin gri değerlerler kullanılarak spektral gruplar oluşturulur. Bu tip sınıflandırma, ilgili alan veya çalışma alanı hakkında daha önceden herhangi bir bilgi yoksa uygulanır. Kullanıcının bilgisi sadece bu grupların isimlendirilmesinde ve sınıf adedi belirtilmesinde kullanılır (Richards, 1986). 15

16 SINIFLANDIRMA Kontrolsüz Sınıflandırma Analitik işlem, algoritmalar kullanılarak ve bunlardan oluşturulan gruplara göre yapılır. Gruplama uygulaması, yansıma verilerinin sınıflandırılması sonucunda oluşur ve sonra bu spektral sınıflardan birine ait olarak ilgili bütün pikseller etiketlenir. Her bir sınıfın bilgisi sadece semboliktir ve yeryüzünü örtme çeşitleriyle ilgili değildir. Diğer taraftan kontrolsüz sınıflandırma, arazide araştırmacıların çalışmasından önce belirlenen çalışma alanındaki ayrılabilir sınıfların spektral olarak sayılarının belirlenmesine yardımcı olabilir. 16

17 SINIFLANDIRMA Kontrolsüz Sınıflandırma Araştırmacının çalışma alanına ait herhangi bir geçmiş bilgisi olmadan piksellerin gri değerlerinin gruplara bölünmesiyle yapılır. Kullanıcının bilgisi sadece bu grupların isimlendirilmesinde ve sınıf adedi belirtilmesinde kullanılır (Richards, 1986). 17

18 En temel kontrolsüz sınıflandırma yöntemi K- ortalamalar (K-means) algoritmasıdır. Bu yöntemde gruplar, seçilen küme merkezlerine olan uzaklıkları dikkate alınarak en yakın oldukları kümeye atanır. (Uzaklık ölçütü Öklit) Küme merkezleri rastlantısal ya da sistematik olarak belirlenir. Her bir kümeleme işleminden sonra küme merkezleri güncellenir. En uygun merkez değeri iteratif olarak güncellenerek elde edilir. 18

19 19

20 SINIFLANDIRMA Kontrolsüz Sınıflandırma Kontrolsüz sınıflandırma yöntemleri içerisinde diğer en yaygın olarak kullanılan ISODATA yüntemidir. ISODATA Iterative Self Organizing Data Analyses Tecnique Tekrarlı Veri Analizi Yöntemi Bu yöntem, tekrarlı olarak tüm sınıflandırmayı gerçekleştirme ve uygulanan her iterasyon sonrasında yeniden istatistik hesaplamasını temel alır. 512

21 ISODATA İstenen sınıf miktarı Tekrarlama (Iterations) Yakınlaşma hatası limiti (Convergence threshold) iterasyonlar arası değişmeyen maksimum piksel (%) 21

22 Sınıf merkezleri rastlantısal belirlenir ve pikseller merkeze en kısa mesafede ki sınıfa atanır Standart sapma ve sınıf merkezleri arası mesafe ölçülür Standart sapma değeri kullanıcı tanımlı eşik değerden büyükse sınıf ikiye bölünür İki sınıfın orta noktaları arası mesafe tanımlı min. mesafeden küçük ise iki sınıf birleştirilir. 22

23 23

24 24

25 SINIFLANDIRMA Kontrollü Sınıflandırma Sınıflandırmayı yapan kişinin çalışma alanı arazi örtüsü ile ilgili bilgi sahibi olması gereklidir. Çalışma ve karar verme şeklinde iki aşamaya ayrılır: Çalışma aşamasında, sınıflandırmayı yapan kişi, görüntü üzerinde her bir sınıf için piksel sayısal aralıklarını poligonlar oluşturarak tanıtır. kullanıcıya poligonlar çizdirme (draw poligon), artan bölge (region growing) önceden belirlenen poligon (existing poligon) yöntemlerinden bir tanesi seçilerek yapılır. 24

26 Artan bölge (region growing) Temel/ana/kaynak piksel (seed pixel) seçilir Komşu pikselleri tarar ve özellikleri kaynak piksel ile karşılaştırır (gri değer) Farklı pikseller farklı sonuç verebilir 26

27 27

28 28

29 29

30 SINIFLANDIRMA Kontrollü Sınıflandırma Bu işlemi karar verme aşaması izler ve bilgisayar piksellerin benzer özelliklerde olup olmadıklarını saptayarak görüntüdeki bütün pikselleri sınıflara atama işlemini gerçekleştirir Kontrollü sınıflandırma yöntemleri, aşağıdaki aşamaları içerir; Yeryüzünü kaplayan sınıfların sayısı ve bunların hangi görüntüde sınıflandırılacağına karar verilmesi. Çalışma alanındaki daha önceki bilgiler kullanılarak, belirlenmiş sınıflardan örnek piksel seçilmesi. Belirlenen her bir eğitim (training) örneği en az 30 piksel içermelidir. 29

31 SINIFLANDIRMA Kontrollü Sınıflandırma Belirli sınıfların parametrelerini hesaplamada algoritma kullanılarak eğitim örneğine uygulanır. Bu parametreler olasılık modeli özelliklerinde kullanılabilir veya çoklu-spektral alanda tanımlanan bölümlerin denklemlerinde olabilir. Verilen bir sınıf için bu parametreler dizini sınıfa ait signature olarak isimlendirilir. Görüntüdeki her piksel algoritmalar sınıflamasından bir tanesi kullanılarak istenilen sınıflardan biri içerisine yerleştirilir. Sonuçta sınıflandırılmış görüntü elde edilir. Tematik haritalar veya istatistik özellikli çizelgeler üretilir. 31

32 SINIFLANDIRMA Kontrollü Sınıflandırma Parallelepiped/Kutu (BOX) Uygun tanıtılan verinin her bir spektral ögesinin histogramları denetlenerek belirli bir standarda getirilir İki boyutlu alanda, dikdörtgenler her bir sınıf için tanıtım verileri etrafında oluşturulur. Üst ve alt alanlar tanıtılır ve bu sınıfın her bir ögesinin karakterleri için alan değeri kullanılmak üzere tanımlanır. İkiden büyük boyutlu özellik uzayında hiper paralelekenarlar oluşur. Bununla birlikte, bu alanda ki bütün ögeler çok boyutlu kutu veya parallelepiped olarak tanımlanır. Hızlı bir yöntemdir ancak hiper paralelkenarlar arasında oluşan bindirmeler sınıflandırma performansı için bir dezavantajdır. 32

33 SINIFLANDIRMA Kontrollü Sınıflandırma Minimum Distance En Kısa Uzaklık (Minimum Distance) Sınıflandırma Yöntemi Her bir tanımlama dosyasının ortalama vektörü hesaplanır. Pikselin her bir sınıf ortalamasından uzaklığı Öklid e göre hesaplanır. Öklid Uzaklığı ise Pisagor Teoremi temel alınarak bir pikselin diğer piksele olan uzaklığının ölçüm yöntemidir (Image Analyst User Guide, 1997) Pikseller, en yakın ortalama vektörün sınıf bilgisine atanarak bölümlere ayrılır 33

34 SINIFLANDIRMA Kontrollü Sınıflandırma Minimum Distance Hesaplama alanı için, sadece ortalama vektörleri hesaplanmış alanlar içerisindeki pikseller ve sınıflandırma için tanımlanamayan sınıfa ait piksellerin başlangıç eşik değerleri (threshold) dikkate alınır. Eğer herhangi bir piksel, belirlenen başlangıç eşik değerlerinden uzakta yer alıyorsa sınıflandırılmamış olarak tanımlanır. 34

35 SINIFLANDIRMA Kontrollü Sınıflandırma Minimum Distance Çok basit ve en kolay sınıflandırma yöntemidir, ancak birden fazla sınıfın sınırları içerisinde yer alan pikseller genellikle en küçük sınıfın içerisinde değerlendirilmeye alınır. Ayrıca bu sınıflandırma yöntemi üst sınıfa hizmet eder. Çünkü verilen spektral bant içinde en düşük ve en yüksek sınırlar ile sınıf sınırları tanımlanır. Eğer hala bütün sınıflar dışında pikseller varsa bu pikseller tanımlanamamış sınıf içerisinde atanırlar 35

36 36

37 SINIFLANDIRMA Kontrollü Sınıflandırma Maximum Likelihood En Çok Benzerlik/ Maksimum Olabilirlik (Maximum Likelihood) Sınıflandırma Yöntemi Bu algoritma, veri tabanındaki spektral farklılıklardan yararlanarak işlem yapar. Spektral farklılıklar sadece objenin farklı yansımasından değil, ayrıca uydu görüntüsünün çözünürlüğünün düşük olması, topoğrafik etkiler, atmosferdeki su moleküllerinden kaynaklanan sis ve gürültü gibi etmenlerden de kaynaklanabilir. 37

38 İstatistiksel bir yöntemdir (varyans, kovaryans) Her pikselin herhangi bir sınıfa ait olma olasılığını değerlendirir, en yüksek olasılık değerine sahip olduğu sınıfa atanır Pikselleri sadece parlaklık değerlerine göre değil, her sınıf için ayrım oluşturacak varyanskovaryans matris değerine göre oluşturur. Bu yöntem normal dağılım gösteren veriler için daha uygun sonuçlar üretecektir 38

39 39

40 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ Uydu görüntülerinden elde edilen sınıflandırma sonuçlarının doğruluklarının belirlenmesi, uzaktan algılama verilerinden elde edilen haritaların kalitesinin ve kullanılabilirliğinin değerlendirilmesini sağlar. Sınıflandırılmış uydu görüntülerinin, çalışma alanına ait doğruluğu kesin olarak bilinen referans verilerle karşılaştırılmasıyla, sınıflandırmada elde edilen doğruluk oranı belirlenir. 40

41 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ Farklı tarihli uydu görüntülerinin sınıflandırılmasından elde edilen sonuç görüntüler üzerinde hangi sınıfın ne kadar güvenilirlikle değerlendirilebileceğini belirlemek amacıyla sınıflandırma doğruluğu analizi gerçekleştirilir. Sınıflandırılmış görüntü üzerinden seçilen rastgele piksellerle referans verilerin karşılaştırılması sonucu, sınıflandırılmış piksellerin ait olduğu sınıflara atanma doğrulukları, sınıflandırma hata matrisinden elde edilir. 41

42 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ I: Piksellerin yer alması gerekenden farklı bir sınıfa atanması (error of comission) II: Piksellerin uygun bir sınıfa atanamamasıdır (error of omission) 1-I: Üretici doğruluğu (Producer accuracy) 2-II: Kullanıcı doğruluğu (User accuracy) 42

43 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ HATA MATRİSİ (ERROR MATRIX) Hata matrislerinden çeşitli sınıflandırma doğruluk kriterleri türetilebilir. Toplam doğruluk (overall accuracy) Üretici doğruluğu (producer s accuracy) Kullanıcı doğruluğu (user s accuracy) 43

44 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ HATA MATRİSİ (ERROR MATRIX) Toplam doğruluk (overall accuracy): doğru olarak sınıflandırılmış piksellerin toplam sayısının (köşegen toplamı) referans piksellerin toplam sayısına bölünmesiyle elde edilir. Matrisin köşegeni üzerinde bulunmayan elemanları ihmal hatası nı (omission error) temsil eder. 44

45 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ HATA MATRİSİ (ERROR MATRIX) Üretici doğruluğu (producer s accuracy): Her sınıf içinde doğru olarak sınıflandırılmış piksellerin sayısını, bu sınıf için kullanılan örnekleme veri seti pikselleri sayısına bölerek bulunur ve verilen bir arazi örtü türünün örnekleme seti piksellerinin ne kadar iyi sınıflandırılabildiğini gösterir. 45

46 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ HATA MATRİSİ (ERROR MATRIX) Kullanıcı doğruluğu (user s accuracy): her sınıf içinde doğru sınıflandırılmış piksel sayısını, bu kategori içinde sınıflandırılan piksellerin toplam sayısına bölünmesiyle bulunur ve dahil etme hatasını gösteren bir ölçüdür. Bu doğruluk değeri, herhangi bir sınıfa atanan bir pikselin bu sınıfı gerçekte temsil etme olasılığını gösterir. 46

47 SINIFLANDIRMA DOĞRULUK DEĞERLENDİRMESİ HATA MATRİSİ (ERROR MATRIX) Üretici 47

48 Tek nesne türünün tanımı Jonathan Huang, Tomasz Malisiewicz Learning and Inference in Vision: from Features to Scene Understanding,

49 Nesne tanıma : geometrik çeşitlilik Jonathan Huang, Tomasz Malisiewicz Learning and Inference in Vision: from Features to Scene Understanding,

50 Bir nesne sınıfında çeşitlilik 50

51 Viewpoint/Scales/Illumination Variability 51 Images from Flickr

52 Nesne yakalama Jonathan Huang, Tomasz Malisiewicz Learning and Inference in Vision: from Features to Scene Understanding,

53 Yanlış yakalama Yakalanamayan yüz Jonathan Huang, Tomasz Malisiewicz Learning and Inference in Vision: from Features to Scene Understanding,

54 54

55 Nesne/Obje tabanlı sınıflandırma Temel işlem birimi piksel yerine görüntü segmentleri/nesneler Görüntü analiz uygulamalarından beklenen gerçek dünya nesnelerinin elde edilememesi 55

56 Düşük çözünürlüklü görüntüler sadece piksel tabanlı sınıflandırılırken Yüksek çözünürlüklü görüntüler nesne tabanlı sınıflandırma yapmak mümkündür Temel Özellikler: Objelerin fiziksel özelliklerinin belirlenmesi (algılayıcı ve aydınlatma). Bunlar nesnenin rengini ve dokusunu ifade eder. 56

57 Topolojik Özellikler: Nesneler veya bütün çerçevenin geometrik komşuluğunu ifade eden özelliktir. Örneğin solda, sağda olma veya belirli bir nesneye belirli bir mesafede olma veya görüntü içindeki belirli bir alanda olma. Çevresel Özellikler: Nesnelerin semantik komşuluk ilişkilerini tanımlayan özelliklerdir. Örneğin bir park %100 şehir alanıyla çevrili olmalıdır. 57

58 Segmentasyon Segmentasyon görüntünün birbirinden farklı alt bölümlere ayrılmasıdır Çoklu segmentasyon aşağıdan-yukarıya, bir piksellik nesnelerle başlayan, alan birleştirme tekniğidir Çok sayıda alt adımda, küçük görüntü nesneleri, büyük olan nesneler ile birleştirilir 58

59 Genelde üç yaklaşım Nokta tabanlı: gri düzeyde eşik değer uyg. Kenar tabanlı: kenar yakalama teknikleri Bölge tabanlı: böl ve birleştir (görüntü nesneleri belirli homojenlik kriterlerine göre belirlenir) 59

60 Farklı uzaysal çözünürlükteki görüntü bilgilerinin eş zamanlı sunumu sağlanırken, görüntü nesnelerinin hiyerarşik ağ yapısını kurarken farklı segmentasyon teknikleri kullanılabilir Görüntü nesneleri birbiriyle bağlanmıştır, böylece, her görüntü nesnesi kendi kontekstini (komşuluk), üst nesnesini, alt nesnesini tanır Böylece nesneler arasındaki ilişkiyi tanımlamak mümkün olabilir. Örneğin Ormana sınır komşuluğu. 60

61 Bu hiyerarşik ağ topolojik olarak sınırlıdır, örneğin bir üst nesnenin sınırı, alt nesnelerinin sınırlarıyla uyumludur. Belirli bir görüntü nesnesiyle gösterilen bir alan, alt nesnelerin alanları toplamıyla tanımlanır. Her bir görüntü nesnesi için poligonlar üretilerek vektörleştirme yapılabilir 61

62 Çoklu-çözünürlüklü segmantasyon işlemi kullanarak görüntü nesnelerinin hiyerarşik yapısı oluşturulmaktadır. Üst katman görüntü segmentleri küçük ölçekli nesneleri gösterirken, alt katman segmentleri ise büyük ölçekli nesneleri gösterir. 62

63 Ölçek parametresi (Scale Parameter): Bu parametre, ortalama nesne boyutunu dolaylı yoldan etkiler. Bu parametre nesnelerin heterojenliğine izin veren maksimum değeri belirler. Ölçek parametresi ne kadar büyürse nesnelerin boyutu da o kadar büyür. 63

64 Renk / Biçim (Color / Shape): Renk ve biçim çatışmasının nesne üretimine olan etkisi (homojenlik) Biçim kriterinin yüksek olması spektral homojenliğinin nesne üretimine etkisini azaltır 64

65 Yumuşaklık / Bütünlük (Smoothness / Compactness): 0' dan büyük olduğunda kullanıcı, nesnelerin daha bütün (yoğun) veya daha yumuşatılmış olması gerektiğine karar verebilir. 65

66 J. Appl. Remote Sens. 8(1), (Jan 29, 2014). doi: /1.jrs

67 Segmentasyonda çeşitli parametreler göz önüne alınır: Renk: her bantın ortalama, std sapma, bant oranları Boyut: alan, uzunluk/genişlik oranı, Biçim: asimetri, dikdörtgen uyumu, yuvarlaklık Doku: pürüzsüzlük, lokal homojenlik Sınıf seviyesi: komşuluk ilişksi, alt ve üst komşuluk 67

68 68

69 69