İSTANBUL TEKNİK ÜNİVERSİTESİ ELEKTRİK ELEKTRONİK FAKÜLTESİ UZAKTAN ALGILAMADA OPTİK UYDU GÖRÜNTÜLERİNİN BİRLEŞTİRİLMESİ BİTİRME ÖDEVİ BURAK KURT

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "İSTANBUL TEKNİK ÜNİVERSİTESİ ELEKTRİK ELEKTRONİK FAKÜLTESİ UZAKTAN ALGILAMADA OPTİK UYDU GÖRÜNTÜLERİNİN BİRLEŞTİRİLMESİ BİTİRME ÖDEVİ BURAK KURT"

Transkript

1 İSTANBUL TEKNİK ÜNİVERSİTESİ ELEKTRİK ELEKTRONİK FAKÜLTESİ UZAKTAN ALGILAMADA OPTİK UYDU GÖRÜNTÜLERİNİN BİRLEŞTİRİLMESİ BİTİRME ÖDEVİ BURAK KURT Bölümü: Elektronik ve Haberleşme Mühendisliği Programı: Telekomünikasyon Mühendisliği OCAK 2014

2 İSTANBUL TEKNİK ÜNİVERSİTESİ ELEKTRİK ELEKTRONİK FAKÜLTESİ UZAKTAN ALGILAMADA OPTİK UYDU GÖRÜNTÜLERİNİN BİRLEŞTİRİLMESİ BİTİRME ÖDEVİ BURAK KURT Bölümü: Elektronik ve Haberleşme Mühendisliği Programı: Telekomünikasyon Mühendisliği Danışmanı: Prof. Dr. Sedef KENT PINAR OCAK 2014

3 ÖNSÖZ Üniversite yıllarım boyunca gerek kendisinden aldığım lisans derslerinde, gerekse bitirme çalışmamda yardımlarını benden esirgemeyen değerli hocam Prof. Dr. Sedef Kent Pınar a teşekkürü bir borç bilirim. Akademik ve sosyal alanlarda birçok bilgi ve birikim edindiğim İ.T.Ü Uydu Haberleşmesi ve Uzaktan Algılama Uygulama Araştırma Merkezi (UHUZAM) bünyesinde çalışmış ve çalışmakta olan tüm arkadaşlarıma teşekkürlerimi sunarım. UHUZAM bünyesine attığım ilk adımdan beri kendisinden çok şey öğrendiğim UHUZAM Sistem Yöneticisi Alper Akoğuz a tez çalışmam süresince gösterdiği üstün ilgi ve alakası için özel olarak teşekkür ederim. Lisans hayatım boyunca çok güzel paylaşımlar yaşadığım tüm okul arkadaşlarıma, kurumsal iş hayatını öğrenmemde büyük katkıları olan Yetkin Gürbüz ve Onur Mercan a, tüm bu süreçler boyunca yardım ve desteğini hiçbir zaman eksik etmeyen Sevcan Kılınç a ayrıca teşekkür ederim. Son olarak, tüm başarılarımın en büyük mimarı ve destekçisi olan çok sevdiğim aileme teşekkür eder, şükranlarımı sunarım. Ocak 2014 Burak Kurt ii

4 İÇİNDEKİLER ÖNSÖZ ii İÇİNDEKİLER iii KISALTMALAR v ÇİZELGE LİSTESİ vi ŞEKİL LİSTESİ ix ÖZET xi SUMMARY xii 1. GİRİŞ SPOT Uyduları Problem Tanımı ve Tezin Kapsamı 3 2. GÖRÜNTÜ BİRLEŞTİRME Görüntü İşlemede Kullanılacak Temel Kavram ve İşlemler İki Boyutlu Ayrık Fourier Dönüşümü Sayısal süzgeçler İdeal alçak ve yüksek geçiren süzgeçler Butterworth alçak geçiren süzgeç Gaussian alçak geçiren süzgeç Hanning penceresi Hamming penceresi Yeniden boyutlandırma yöntemleri En yakın komşuluk yöntemi Bilineer enterpolasyon yöntemi Kübik eğrilik yöntemi Histogram Histogram eşleme Pan keskinleştirme Görüntü Birleştirme Modeli Görüntü Birleştirme Yöntemleri Modülasyon yöntemleri Brovey dönüşümü ile görüntü birleştirme 20 iii

5 2.3.2 Bileşen değişim yöntemleri IHS dönüşümü ile görüntü birleştirme CIELAB dönüşümü ile görüntü birleştirme Çoklu çözünürlük (süzgeç) yöntemleri HFM ile görüntü birleştirme Frekans uzayı yöntemleri DFT ile görüntü birleştirme Karma yöntemler IHS dönüşümü + DFT ile görüntü birleştirme CIELAB dönüşümü + DFT ile görüntü birleştirme Birleştirme Kalite Değerlendirme Yöntemleri RASE ERGAS TEST SONUÇLARI Yeniden Boyutlandırma Yöntemlerinin Karşılaştırılması Görüntü Birleştirme Yöntemlerinin Karşılaştırılması SONUÇ VE ÖNERİLER KAYNAKLAR EKLER 39 EK A 40 EK B ÖZGEÇMİŞ 83 iv

6 KISALTMALAR MS HS PAN NASA SPOT CNES GDTA SNSB IFOV DFT FIR MHz IHS CIE HFM LPF HPF RASE ERGAS : Multispectral (Multispektral) : Hiperspectral (Hiperspektral) : Panchromatic (Pankromatik) : National Aeronautics and Space Administration (Amerikan Ulusal Havacılık ve Uzay Dairesi) : Satellite/Système Probatoire/Pour l Observation de la Terre (Yeryüzü Gözlemi Yapan Uydu/Sistem) : Center National d Etudes Spatiale (Fransız Uzay Ajansı) : Groupement pour la Télédétection Aerospatiale (Fransız Ulusal Coğrafya Enstitüsü) : Swedish National Space Board (İsveç Ulusal Uzay Kurulu) : Instantaneous Field of View (Anlık Görüş Alanı) : Discrete Fourier Transform (Ayrık Fourier Dönüşümü) : Finite Impulse Response (Sonlu Dürtü Yanıtlı) : Megahertz : Intensity-Hue-Saturation (Parlaklık Renk özü - Doygunluk) : Commission internationale de l'éclairage (Uluslararası Aydınlatma Komisyonu) : High Frequency Modulation (Yüksek Frekans Modülasyonu) : Low Pass Filter (Alçak Geçiren Süzgeç) : High Pass Filter (Yüksek Geçiren Süzgeç) : Spectral Angle Mapper (Spektral Açı Eşleştiricisi) : Root Mean Square Error (Karesel Hata) : Relative Average Spectral Error (Göreceli Spektral Hata) : Erreur Relative Globale Adimensionnelle de Synthèse (Göreceli Boyutsuz Global Sentez Hatası) v

7 ÇİZELGE LİSTESİ Sayfa No Çizelge 1.1. SPOT uyduları fırlatılma ve yörüngeden çıkarılma tarihleri 2 Çizelge 1.2. SPOT-6 uydusunun teknik özellikleri 4 Çizelge 3.1. yöntemi ile kalite değerlendirme sonuçları 33 Çizelge 3.2. yöntemi ile kalite değerlendirme sonuçları 33 Çizelge 3.3. Çizelge 3.4. Çizelge 3.5. Çizelge 3.6. RASE ve ERGAS yöntemleri ile kalite değerlendirme sonuçları 33 Gebze şehir görüntüsü için görüntü birleştirme yöntemlerinin karşılaştırılması 34 İstanbul orman bölgesi görüntüsü için görüntü birleştirme yöntemlerinin karşılaştırılması 35 Urfa tarım arazisi görüntüsü için görüntü birleştirme yöntemlerinin karşılaştırılması 35 Çizelge A.1. Gebze MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme değerleri 40 Çizelge A.2. Gebze MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB görüntü birleştirme değerleri 42 Çizelge A.3. Gebze MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme değerleri 43 Çizelge A.4. Gebze MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIEALB görüntü birleştirme değerleri 43 Çizelge A.5. Gebze MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme değerleri 44 Çizelge A.6. Gebze MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB görüntü birleştirme değerleri 45 Çizelge A.7. Gebze MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme değerleri 46 Çizelge A.8. Gebze MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIELAB görüntü birleştirme değerleri 46 Çizelge A.9. Gebze MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri 47 vi

8 Çizelge A.10. Gebze MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB + DFT görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri 48 Çizelge A.11. Gebze MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri 49 Çizelge A.12. Gebze MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIELAB görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri 50 Çizelge A.13. İstanbul ormanı MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme değerleri 51 Çizelge A.14. İstanbul ormanı MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB görüntü birleştirme değerleri 52 Çizelge A.15. İstanbul ormanı MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme değerleri 53 Çizelge A.16. İstanbul ormanı MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIEALB görüntü birleştirme değerleri 53 Çizelge A.17. İstanbul ormanı MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme değerleri 54 Çizelge A.18. İstanbul ormanı MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB görüntü birleştirme değerleri 55 Çizelge A.19. İstanbul ormanı MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme değerleri 56 Çizelge A.20. İstanbul ormanı MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIELAB görüntü birleştirme değerleri 56 Çizelge A.21. İstanbul ormanı MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri 57 Çizelge A.22. İstanbul ormanı MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB + DFT görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri 58 Çizelge A.23. İstanbul ormanı MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri 59 vii

9 Çizelge A.24. İstanbul ormanı MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIELAB görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri 60 Çizelge A.25. Urfa MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme değerleri 61 Çizelge A.26. Urfa MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB görüntü birleştirme değerleri 62 Çizelge A.27. Urfa MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme değerleri 63 Çizelge A.28. Urfa MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIEALB görüntü birleştirme değerleri 63 Çizelge A.29. Urfa MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme değerleri 64 Çizelge A.30. Urfa MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB görüntü birleştirme değerleri 65 Çizelge A.31. Urfa MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme değerleri 66 Çizelge A.32. Urfa MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIELAB görüntü birleştirme değerleri 66 Çizelge A.33. Urfa MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri 67 Çizelge A.34. Urfa MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB + DFT görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri 68 Çizelge A.35. Urfa MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri 69 Çizelge A.36. Urfa MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIELAB görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri 70 viii

10 ŞEKİL LİSTESİ ix Sayfa No Şekil 2.1 : İki boyutlu dairesel simetrik FIR süzgeç gösterimi 7 Şekil 2.2 : İki boyutlu dairesel simetrik ideal süzgeçler 8 Şekil 2.3 : Butterworth alçak geçiren süzgeç 3 boyutlu ağ gösterimi 10 Şekil 2.4 : Gaussian alçak geçiren süzgeç 3 boyutlu ağ gösterimi 11 Şekil 2.5 : Hanning ve Hamming pencereleri 3 boyutlu ağ gösterimi 12 Şekil 2.6 : En yakın komşuluk yöntemi ile yeniden boyutlandırma 14 Şekil 2.7 : Bilineer enterpolasyon yöntemi ile yeniden boyutlandırma 14 Şekil 2.8 : Koyu görüntü, açık görüntü, düşük kontrastlı görüntü ve yüksek kontrastlı görüntü histogramı 17 Şekil 2.9 : Pan keskinleştirme blok diyagramı 18 Şekil 2.10 : Görüntü birleştirme modeli 19 Şekil 2.11 : IHS dönüşümü ile pan keskinleştirme 22 Şekil 2.12 : CIELAB renk uzayı gösterimi 23 Şekil 2.13 : L*a*b* dönüşümü ile pan keskinleştirme 24 Şekil 2.14 : DFT ile pan keskinleştirme 26 Şekil 2.15 : IHS dönüşümü ve DFT yöntemi pan keskinleştirme 27 Şekil 2.16 : CIELAB Dönüşümü ve DFT ile pan keskinleştirme yöntemi 28 Şekil B.1 : Orijinal Gebze SPOT 6 MS görüntü 71 Şekil B.2 : Orijinal Gebze SPOT 6 PAN görüntü 72 Şekil B.3 : Orijinal İstanbul orman bölgesi SPOT 6 MS görüntü 73 Şekil B.4 : Orijinal İstanbul orman bölgesi SPOT 6 PAN görüntü 74 Şekil B.5 : Orijinal Urfa tarım arazisi SPOT 6 MS görüntü 75 Şekil B.6 : Orijinal Urfa tarım arazisi SPOT 6 PAN görüntü 76 Şekil B.7 Şekil B.8 Şekil B.9 Şekil B.10 : Histogram eşlemeli, Gaussian süzgeçli IHS dönüşümü + DFT yöntemiyle birleştirilmiş görüntü 77 : Histogram eşlemeli, Gaussian süzgeçli DFT yöntemiyle birleştirilmiş görüntü 78 : Histogram eşlemeli, İdeal süzgeçli DFT yöntemiyle birleştirilmiş görüntü 79 : Histogram eşlemeli, Gaussian süzgeçli DFT yöntemiyle birleştirilmiş görüntü 80

11 Şekil B.11 Şekil B.12 Şekil B.13 : Görüntü birleştirmede kullanılan Gebze şehir bölgesine ait PAN ve MS görüntü 81 : Görüntü birleştirmede kullanılan İstanbul orman bölgesine ait PAN ve MS görüntü 82 : Görüntü birleştirmede kullanılan Urfa tarım arazisi bölgesine ait PAN ve MS görüntü 83 x

12 UZAKTAN ALGILAMADA OPTİK UYDU GÖRÜNTÜLERİNİN BİRLEŞTİRİLMESİ ÖZET Uydu görüntülerinden yararlanılarak yeryüzü kaynaklarının incelenmesi, ilk yeryüzü gözlem uydusu olan LANDSAT-1 ile başlamıştır. LANDSAT-1 den bu yana teknolojinin gelişmesiyle birçok uzaktan algılama uydusu yörüngeye gönderilmiştir. Zaman içinde her ne kadar uydularda bulunan algılayıcılar geliştirilmiş olsa da bu algılayıcılar fiziksel veya teknolojik limitler nedeniyle yüksek mekânsal ya da yüksek spektral bilgi toplayacak şekilde gelişmiştir. Bu sebeple, optik uzaktan algılama uydularından elde ettiğimiz görüntüler yüksek mekânsal ve düşük spektral bilgiye sahip pankromatik (monokromatik) görüntüler ile düşük mekânsal ve yüksek spektral bilgiye sahip multispektral (elektromanyetik görünür bölge) görüntülerdir. Görüntü birleştirme yöntemleri sayesinde, pankromatik ve multispektral görüntüler birleştirilerek hem yüksek mekânsal hem de yüksel spektral bilgiye sahip görüntü elde etmek mümkündür. Birleştirme sonucunda elde edilen görüntü, pankromatik ve multispektral görüntülerinin tüm bilgisine tam anlamıyla sahip olamadığı için görüntü birleştirme yöntemlerinde bilgi aktarımı sorunu vardır. Bu çalışma kapsamında incelenen görüntü birleştirme yöntemleri; modülasyon bazlı, bileşen değişim, çoklu çözünürlük analizi, frekans uzayı analizi ve karma yöntemler olmak üzere beş ana kategoride incelenmiştir. Modülasyon bazlı yöntemlerde Brovey dönüşümü, bileşen değişim yöntemlerinde IHS dönüşümü ile CIELAB dönüşümü, çoklu çözünürlük analizinde HFM, frekans uzayı analizinde DFT ve karma yöntemlerde ise IHS dönüşümü + DFT ile CIELAB dönüşümü + DFT yöntemleri ile görüntü birleştirme algoritmaları incelenmiştir. İncelenen her bir yöntem, farklı süzgeç tipleri ve histogram eşleme ile zenginleştirilip çeşitlendirilmiştir. Çalışma kapsamında kullanılan veriler, İstanbul Teknik Üniversitesi bünyesinde yer alan Türkiye nin ilk uydu yer istasyonu olan Uydu Haberleşmesi ve Uzaktan Algılama Uygulama Araştırma Merkezi (UHUZAM) tarafından sağlanan üç farklı bölgeye ait SPOT 6 optik uydu görüntüleridir. Bu bölgeler; Gebze şehir bölgesi, İstanbul orman bölgesi ve Urfa tarım arazisi bölgesidir. Görüntü işleme yöntemleri uygulanarak elde edilen üç farklı bölgeye ait görüntüler, topluluğun kabul ettiği birleştirme kalite değerlendirme yöntemleri esas alınarak analiz edilmiştir. Bu tez çalışması ile farklı bölge özelliklerine sahip optik uydu görüntüleri için kullanılabilecek farklı görüntü birleştirme yöntem modellerinin oluşturulması amaçlanmıştır. xi

13 FUSION OF OPTICAL SATELLITE IMAGERY IN REMOTE SENSING SUMMARY Researches on Earth resources using satellite images start with launch LANDSAT-1 which is the first Earth observation satellite. Many remote sensing satellites has been launched with technological developments after LANDSAT-1 satellite launched. In spite of the fact that, sensors that lie inside the satellite have been improved in time, they are developed in two types due to physical and technological limits. One type gives high spatial resolution images, while other gives high spectral resolution images. Because of that, two types of images which are panchromatic image having high spatial and low spectral resolutions and multispectral image having low spatial and high spectral resolution can be supplied from optical remote sensing satellites. It is possible to have an image that has both high spatial and high spectral resolutions by means of using image fusion methods which aim to combine panchromatic and multispectral images. But it is not possible to keep all information getting from panchromatic and multispectral images. Hence, it can be stated as an information transfer a problem in image fusion. Image fusion methods examined in this thesis can be summarized in five main topics which are modulation based methods including Brovey transform, component substitution methods including IHS transform and CIELAB transform, multi resolution analysis methods including HFM, frequency analysis methods including DFT and finally hybrid methods including IHS transform + DFT and CIELAB transform + DFT. Image fusion methods examined in this thesis are enhanced with using different types of filters and histogram matching. So that number image fusion methods increased. The Optical satellite SPOT 6 data used in this thesis are three different SPOT 6 optical satellite image couples which are supplied from İstanbul Technical University Center for Satellite Communications and Remote Sensing (CSCRS), the first satellite ground station in Turkey. Panchromatic multispectral images of three different regions are Gebze city region, İstanbul forest region and Urfa agricultural region. Fused images of three different regions have been analyzed using fusion quality assessments having common acceptance in community. In this thesis, it is aimed to create different image fusion models for fusing optical satellite images having different region characteristics. xii

14 1. GİRİŞ Uzaktan algılama, bir yüzeyin veya katmanın belirli bir mesafeden, elektromanyetik spektrumun bir ya da birden fazla bölgesindeki elektromanyetik yayınımından bilgi elde etme amacı güden bir disiplindir. Uzaktan algılamanın modern tarihi roket ve uzay teknolojisi ile başlar lı yılların başına gelen bu gelişim döneminde uzaktan algılama, ilk olarak askeri amaçlarla kullanılmıştır. Soğuk savaş döneminde ABD, Sovyetler Birliği nin Küba ya gönderdiği füzeleri ve orduların hareketlerini izlemek için 1962 de yörüngeye askeri casus uydular göndermiştir. Dünya kaynaklarını incelemek için gönderilen ilk uydu olan ERTS-1 (Earth Resources Technology Satellite) ise 1972 de Amerikan Ulusal Havacılık ve Uzay Dairesi (NASA) tarafından yörüngeye fırlatılmıştır. Bu uydunun adı daha sonra LANDSAT-1 olarak değiştirilmiştir [1]. Uzaktan algılama, aktif ve pasif algılama olmak üzere iki ana başlığa ayrılır. Pasif algılamada enerji kaynağı güneş gibi sistem dışındaki bir kaynaktır. Cisimler bu kaynaklardan yayılan ışınımın bir kısmını soğurur, bir kısmını ise yansıtır. Pasif uzaktan algılama, cisimlerin yansıttığı veya soğurup daha sonra açığa çıkardığı ışınımın algılanmasıyla yapılır. Aktif uzaktan algılamada ise ışınım kaynağı sistem üzerindedir. Algılama, kendi kaynağından yapılan ışınımların cisimlerden yansıyan ışınımları algılanmasıyla yapılır. Pasif uzaktan algılama gece, gündüz, hava koşulları gibi etmenlerden doğrudan etkilenirken, aktif uzaktan algılama bu tip etmenlerden etkilenmemektedir. Teknolojinin ilerlemesi ile paralel olarak, uzaktan algılama uydularında kullanılan algılayıcılar da gelişmiştir. Uydulardan elde edilen görüntülere, görüntü işleme yöntemlerinin de uygulanmasıyla daha yüksek spektral ve mekânsal çözünürlüğe sahip görüntülerin elde edilmesi mümkün olmuştur. Elde edilen bu görüntüler sayesinde dünya kaynakları daha ayrıntılı incelenebilmektedir. 1

15 1.1 SPOT Uyduları 1970 li yıllarda, Fransız Ulusal Uzay Araştırmaları Merkezi CNES (Center National d Etudes Spatiale) ve Fransız Ulusal Coğrafya Enstitüsü tarafından oluşturulan GDTA (Groupement pour la Teledetection Aerospatiale) topluluğu, hava taşıtları kullanılarak elde edilmiş kamera, multispektral algılayıcı, termal radyometre verileri üzerinde çalışmışlar ve yeni uygulamalar geliştirmişlerdir. Bu bilgi birikimi ile 1976 da Fransa da SPOT (Satellite/Système Probatoire/Pour l Observation de la Terre) 1 programına başlanmıştır. Başta Fransız girişimi olan SPOT programı, 1978 de İsveç Ulusal Uzay Kurulu (SNSB) ve 1979 da Belçika Bilim, Teknik ve Kültür Merkezinin (SSTC) de katılımıyla ortak bir programa dönüşmüştür [2]. SPOT programı kapsamında, altısı yörüngeye fırlatılmış toplam yedi adet uydu bulunmaktadır. Yedinci uydu olan SPOT-7 uydusunun 2014 yılında yörüngeye fırlatılması planlanmaktadır. Çizelge 1.1 de SPOT uydularının fırlatılma tarihleri ile yörüngeden çıkarılma tarihleri verilmiştir [3]. Çizelge 1.1: SPOT uyduları fırlatılma ve yörüngeden çıkarılma tarihleri Uydu Fırlatılma Tarihi Yörüngeden Çıkarılma Tarihi SPOT-1 22 Şubat Kasım 2003 SPOT-2 22 Ocak Temmuz 2009 SPOT-3 26 Eylül 1993 Kasım 1996 SPOT-4 24 Mart 1998 Ocak 2013 SPOT-5 4 Mayıs (beklenen) SPOT-6 9 Eylül (tasarım ömrü) SPOT (Planlanan) 2024 (tasarım ömrü) Bu çalışma kapsamında, İTÜ UHUZAM (Uydu Haberleşmesi ve Uzaktan Algılama Uygulama Araştırma Merkezi) tarafından sağlanan SPOT-6 pankromatik ve yılında Satellite Probatoire l Observation de la Terre olarak başlatılan program 1981 yılında Système Pour l Observation de la Terre olarak değiştirilmiştir. 2

16 multispektral uydu görüntüleri kullanılmıştır. SPOT-6 uydusuna ilişkin teknik bilgilere Çizelge 1.2 de yer verilmiştir. 1.2 Problem Tanımı ve Tezin Kapsamı Her cisim, farklı dalgaboylarında farklı yansıtma ve soğurma özelliklerine sahiptir. Uzaktan algılamada cisimleri ayırt etmek için bu farklılıklardan yararlanılır. Spektral çözünürlük, bir algılayıcının algılayabildiği dalgaboyu aralığını ifade eder. Algılanan dalgaboyu aralığı ne kadar küçük bölümlere ayrılabiliyorsa (algılayıcı ne kadar küçük dalgaboyu aralığı bölümleyebiliyorsa), spektral çözünürlük o kadar fazla olur. Çeşitli alt dalgaboyu aralıklarında algılama yapan algılayıcılar tarafından sağlanan verilerden üretilen görüntülere multispektral (MS) görüntü, çok daha fazla alt dalgaboylarında algılama yapabilen daha gelişmiş algılayıcılar tarafından sağlanan verilerden üretilen görüntülere de hiperspektral (HS) görüntü denir. Mekânsal çözünürlük ise bir görüntüdeki en küçük ayrıntıyı ayırt edebilme yeteneğidir. Görüntünün mekânsal çözünürlüğü, algılayıcının Anlık Görüş Alanı na (IFOV [Instantaneous Field of View]) ve yüksekliğine bağlıdır. Yüksek mekânsal çözünürlüğe sahip tek bant (monospectral) görüntülere ise pankromatik (PAN) görüntü adı verilir [4]. Uzaktan algılamadaki temel amaçlardan biri daha yüksek mekânsal ve spektral çözünürlüğe sahip görüntü elde edebilmektedir. Yüksek çözünürlüklü görüntü ile daha doğru ve ayrıntılı inceleme/ayrıştırma yapılabilir. Bu ihtiyacın karşılanabilmesi adına yüksek mekânsal çözünürlüğe; düşük spektral bilgiye sahip PAN görüntü ile yüksek spektral çözünürlüğe; düşük mekânsal çözünürlüğe sahip MS görüntünün birleştirilerek yüksek spektral ve yüksek mekânsal çözünürlüğü olan görüntü elde edilmesi işlemine uzaktan algılamada görüntü birleştirme (image fusion) veya pan keskinleştirme (pan sharpening) denilmektedir. Bu amaç doğrultusunda ilgili bitirme çalışmasında, literatürde yer alan Ayrık Fourier Dönüşümü (AFD) bazlı görüntü birleştirme yöntemleri incelenecek ve sonrasında SPOT-6 uydusu tarafından algılanmış şehir, orman ve tarım bölgeleri içeren PAN ve MS görüntüler üzerinde uygulamalar gerçekleştirilecektir. Sonra olarak da elde edilen pan keskinleştirilmiş görüntüleri, literatürdeki birleştirme kalite değerlendirme yöntemleri kullanılarak analiz edilecek ve bölge tipine göre yöntemlerin verdiği sonuçlar karşılaştırılarak değerlendirilecektir. 3

17 Çizelge 1.2: SPOT-6 uydusunun teknik özellikleri Boyutlar Gövde: 1,55 x 1,75 x 2,7 m Güneş Panelleri: 5,4 m 2 Ağırlık 712 kg Ekvatorda Yükseklik 694 km Depolama Alanı 1 TB (Katı Hal Diski) Yörünge Güneş Senkron Yerel ETC Öğleden Önce 10:00 Yörünge Periyodu 98,79 dakika Yörünge Döngüsü 26 Gün Sensör Algılama Açısı Standart ±30, Genişletilmiş ±45 Görüntüleme Alanı 60 km x 60 km Görüntüleme Enstrümanı 2 adet bağımsız Korsch teleskop Spektral Bant ve Çözünürlükler Pankromatik: 1,5 m Multispektral (B, G, R, NIR): 6 m Pankromatik: 0,450-0,745 µm Mavi (B0): 0,450-0,520 µm Spektral Aralık Yeşil (B1): 0,530-0,590 µm Kırmızı (B2): 0,625-0,695 µm Yakın Kızılötesi (B3): 0,760-0,890 µm Görüntü Kodlama 12 bit Telemetri Link X Bandı kanalı 300 Mbit/s 4

18 2. GÖRÜNTÜ BİRLEŞTİRME Görüntü birleştirme, aynı bölgeye ait farklı özelliklere sahip görüntülerin birleştirilerek, o bölgeye ait tek bir görüntünün elde edilmesi işlemidir [5]. Bir başka deyişle, farklı özelliklere sahip aynı bölgeye ait görüntüler içinden en az iki tanesi kullanılmak şartıyla, her bir görüntünün sahip olduğu karakteristik özelliklerinin birleştirilmesi ile daha fazla bilgiye sahip iyileştirilmiş/geliştirilmiş görüntü elde etme işlemidir. 2.1 Görüntü İşlemede Kullanılacak Temel Kavram ve İşlemler Çeşitli görüntü birleştirme algoritmaları kullanılarak yapılacak olan bu çalışmada, görüntü işlemede kullanılan temel kavram ve işlemleri açıklamak yararlı olacaktır. Bu kavram ve işlemlerin başında iki boyutlu Ayrık Fourier Dönüşümü (DFT [Discrete Fourier Transform]), süzgeçler, resim ölçeklendirme ve histogram eşleme gibi konular gelmektedir. Bu çalışmada kullanılan temel görüntü işleme kavram ve işlemlerine alt başlıklarla yer verilmiştir İki Boyutlu Ayrık Fourier Dönüşümü Ayrık Fourier Dönüşümü, ayrık zamandaki sonlu bir veri kümesini, farklı frekanslardaki sinüs ve kosinüs fonksiyonlarının toplamı cinsinden ifade etmeye yarayan matematiksel bir dönüşümdür [6]. Görüntü işlemede İki Boyutlu Ayrık Fourier Dönüşümü nün temel kullanım amaçları, görüntünün iki boyutlu frekans karakteristiklerinin gözlemlenmesi ve bu gözleme bağlı olarak görüntü üzerine gerçekleştirilecek olan işlemlerin zaman bölgesi yerine frekans bölgesinde uygulanmasının kolaylığı şeklinde ifade edilebilir. İki boyutlu Ayrık Fourier Dönüşüm çifti, Denklem (2.1a) ve (2.1b) ile tanımlanmıştır [7]. 5

19 F(u, v) = f(x, y) = { M 1 N 1 f(x, y)e j2π(ux x=0 y=0 { 1 MN M 1 N 1 M +vy N ), 0 u M 1 0 u N 1 0, diğer F(u, v)ej2π( u=0 v=0 ux M +vy N ) 0 x M 1, 0 y N 1 0, diğer, (2.1a), (2.1b) Bu ifadelerdeki f(x, y) fonksiyonu, M 1 satırlı N 1 sütunlu iki boyutlu görüntüyü, F(u, v) fonksiyonu ise görüntünün frekans boyutundaki gösterimini ifade etmektedir. (2.1a) ve (2.1b) denklem çiftindeki merkez ifade, (2.2a) ve (2.2b) denklem çifti şeklinde de ifade edilebilir. Denklem (2.2a) da görüldüğü üzere bir görüntünün iki boyutlu Ayrık Fourier Dönüşümü, önce her bir sütununun ayrı ayrı Tek Boyutlu Ayrık Fourier Dönüşümü nün alınması, ardından elde edilen ifadenin de her bir satırının ayrı ayrı Tek Boyutlu Ayrık Fourier Dönüşümünün alınmasıyla elde edilebilir. İki Boyutlu Ayrık Fourier Dönüşümü nün ayrılabilir özelliği sayesinde, iki aşamalı Tek Boyutlu Ayrık Fourier Dönüşümü nde işleme sütün ya da satır ile başlamak sonucu değiştirmez. Ters Ayrık Fourier Dönüşümü de aynı şekilde iki aşamalı olarak Denklem (2.2b) deki merkez ifadesi ile tanımlanabilir. M 1 N 1 f(x, y)e j2π(ux M +vy N ) x=0 y=0 M 1 N 1 = [ f(x, y)e j2π(vy N ) ] x=0 y=0 e j2π(ux M ), (2.2a) 1 MN M 1 N 1 F(u, v)ej2π( u=0 v=0 ux M +vy N ) = 1 MN M 1 [ F(u, y)ej2π( u=0 6 N 1 v=0 vy N ) ] e j2π(ux M ), (2.2b) Ayrık Fourier Dönüşümünün bilgisayar ortamında daha hızlı hesaplanmasını sağlamak için Hızlı Fourier Dönüşümü (FFT [Fast Fourier Transform]) yöntemleri geliştirilmiştir. FFT algoritmalarının temelinde, dönüşüme tabi tutulacak sonlu diziyi alt dizilere bölerek işlem yapmak vardır. Yani, N = 2 v olmak üzere, N elemanlı bir dizinin Hızlı Fourier Dönüşümü nü uygulamak için dizi her seferinde yarıya bölünerek hesaplama işlemi uygulanır. FFT sonucunu elde etmek için v = log 2 N adım gereklidir. Her adımda N adet işlem yapılır ve toplam işlem sayısı (2.3) bağıntısıyla elde edilir [6].

20 C = N v = N log 2 N, (2.3) Bu çalışma kapsamında kullanılan Fourier Döşümü uygulamalarında FFT algoritması kullanılmış olup 2 nin kuvveti boyutuna sahip olmayan görüntüler için sıfır doldurma (Zero padding) işlemi gerçekleştirilmiş, görüntü satır ve sütunda 2 nin kuvveti boyutlarına ulaştırılmış ve FFT işlemi gerçekleştirilmiştir. Görüntünün frekans boyutundaki işlemlerinin tamamlanması ve ters FFT işleminin ardından sıfır doldurulan bölümler çıkartılarak, görüntü esas boyutlarına döndürülmüştür Sayısal süzgeçler Sayısal süzgeçler, Sonlu Dürtü Yanıtlı (FIR [Finite Impulse Response]) ve Sonsuz Dürtü Yanıtlı (IIR [Infinite Impulse Response]) süzgeçler olmak üzere iki ana bölüme ayrılmaktadır. Görüntü işlemede süzgeçler, görüntünün keskinleştirilmesi, yumuşatılması, kenar tespit etme, kaynaştırma, gürültü giderme gibi birçok amaç doğrultusunda kullanılmaktadır. Bu süzgeçler frekans boyutunda tasarlanabileceği gibi mekânsal boyutta da tasarlanabilir. Bu çalışma kapsamında kullanılacak süzgeçler, frekans boyutunda tasarlanmış iki boyutlu FIR süzgeçler olacaktır. Frekans uzayında tanımlı iki boyutlu süzgeçler genellikle Denklem (2.4) de ifade edilen şekilde gösterilir ve 2π ile periyodik olarak tekrar eder [7]. H(ω 1, ω 2 ) = H(ω 1 + 2π, ω 2 ) = H(ω 1, ω 2 + 2π) = H(ω 1 + 2π, ω 2 + 2π) (2.4) π ω 1 π π ω 2 π (2.4) ω 2 H(ω 1, ω 2 ) π Durdurma Bandı π R 1 R 2 π ω 1 Geçirme Bandı Söndürme Bandı π Şekil 2.1: İki boyutlu dairesel simetrik FIR süzgeç gösterimi 7

21 İki boyutlu süzgeçler de bir boyutlu süzgeçler gibi geçirme bandı, söndürme bandı ve durdurma bandı olarak üç ana bölümden oluşur. Fakat bir boyutlu süzgeçlerden farklı olarak Şekil 2.1 de gösterildiği üzere, iki boyutlu süzgeçler dairesel simetrik ω 2 H(ω 1, ω 2 ) π ω 2 H(ω 1, ω 2 ) π π R π ω 1 π R π ω 1 π (a) π (b) ω 2 H(ω 1, ω 2 ) π ω 2 H(ω 1, ω 2 ) π π R 1 R 2 π ω 1 π R 1 R 2 π ω 1 π (c) π (d) Şekil 2.2: İki boyutlu dairesel simetrik ideal süzgeçler; (a) alçal geçiren süzgeç, (b) yüksek geçiren süzgeç, (c) bant geçiren süzgeç, (d) bant durduran süzgeç yapıdadır. Söndürme bandına sahip olmayan süzgeçlere ideal süzgeçler denir. Şekil 2.2 deki ideal süzgeçleri incelersek, gri bölgeler 1 genlik değerini beyaz bölgeler ise 0 genlik değerini göstermektedir. Frekans bölgesinde görüntü ile çarpım sonucu, 1 genlikli bölgeler geçirilirken 0 genlikli bölgeler söndürülür. Geçirilen bölgeye göre süzgeçler alçak geçiren, yüksek geçiren, bant geçiren ya da bant durduran olarak adlandırılır. 8

22 Frekans boyutunda süzgeçleme işlemi, Fourier Dönüşümü alınan iki boyutlu görüntünün, tasarlanan süzgeç ile çarpıma uğratılmasıyla yapılır. Görüntünün keskinleştirilmesi için yüksek frekans bilgisinin korunması, yumuşatılması için ise alçak frekans bilgisinin korunması gerekir. Tasarlanan süzgeç ile çarpıma uğratılacak Ayrık Fourier Dönüşümü alınmış görüntünün boyutları eşit olmalıdır. Bu çalışma kapsamında kullanılan süzgeçlerde 0,5π sabit kesme frekansı kullanılmıştır [8]. Kullanılan yüksek geçiren süzgeçler ise herhangi bir frekans bilgisi kaybı olmaması için kullanılan alçak geçiren süzgeçlerin maksimum süzgeç genliği olan 1 değerinden çıkarılması ile elde oluşturulmuştur [8] İdeal alçak ve yüksek geçiren süzgeçler İdeal süzgeçler, Şekil 2.1a (İdeal Alçak Geçiren Süzgeç) ve Şekil 2.1b (İdeal Yüksek Geçiren Süzgeç) de de görülebileceği gibi söndürme bandı olmayan, belirlenen kesim frekansının altını ya da üstünü geçiren ya da durduran süzgeçlerdir. İdeal Alçak Geçiren Süzgecin matematiksel ifadesi Denklem (2.6a), İdeal Yüksek Geçiren Süzgecin matematiksel ifadesi ise Denklem (2.6b) ile gösterilmiştir. H(ω 1, ω 2 ) = { 1, D(ω 1, ω 2 ) D 0 0, D(ω 1, ω 2 ) > D 0 (2.6a) H(ω 1, ω 2 ) = { 0, D(ω 1, ω 2 ) D 0 1, D(ω 1, ω 2 ) > D 0 (2.6b) Burada D(ω 1, ω 2 ) ifadesi orijinden olan uzaklığı, D 0 ifadesi ise kesim frekansını ifade etmektedir Butterworth alçak geçiren süzgeç Geçirme ve durdurma bantlarında oldukça düzgün bir yapıya sahip olan Butterworth Süzgeci, söndürme bandının eğiminin süzgeç derecesi ile ayarlanabilir özelliği sayesinde oldukça esnek bir yapıda ve geniş bir alanda kullanılır. Süzgecin derecesi arttırıldıkça, süzgeç ideal süzgece doğru yakınsamaktadır. İki boyutlu Butterworth Alçak Geçiren Süzgecinin matematiksel ifadesi Denklem (2.7) ile gösterilmiştir [9]. H(ω 1, ω 2 ) = ( D(ω 2n 1, ω 2 ) (2.7) D ) 0 9

23 Şekil 2.3: Butterworth Alçak Geçiren Süzgeç 3 boyutlu ağ gösterimi (n=1) Bu denklemde D(ω 1, ω 2 ) ifadesi orijinden olan uzaklığı, D 0 ifadesi kesim frekansını, n ise Butterworth süzgecinin derecesini ifade etmekte olup, bu çalışma kapsamında n=1 olarak seçilmiştir. Düşük süzgeç derecesi seçimi ile alçak frekanslarda daha fazla bilgiye sahip olan MS görüntü bilgisinin mümkün olduğunca daha fazla korunması ve PAN görüntüden alınan yüksek frekans bilgisinin daha yumuşak biçimde alınması hedeflenmiştir. Çalışmada kullanılan Butterworth Alçak Geçiren Süzgeci nin spektrumu Şekil 2.3 ile gösterilmiştir Gaussian alçak geçiren süzgeç Gaussian süzgeci, görüntü işlemede tek başına kullanıldığında görüntüyü yumuşatmak ve tuz biber gürültüsünü süzgeçlemek için kullanılmaktadır. Gaussian dağılımına sahip olan iki boyutlu Gaussian Alçak Geçiren Süzgecin matematiksel ifadesi Denklem (2.8) ile verilmiştir [10]. H(ω 1, ω 2 ) = e D(ω 1,ω 2 ) 2 2σ 2 (2.8) Bu denklemde D(ω 1, ω 2 ) ifadesi orijinden olan uzaklığı, σ ifadesi standart sapmayı ifade etmektedir. Kesim frekansı σ ile belirlenir. Çalışmada kullanılan Gaussian Alçak Geçiren Süzgeci nin spektrumu Şekil 2.4 ile gösterilmiştir. 10

24 Şekil 2.4: Gaussian Alçak Geçiren Süzgeç 3 boyutlu ağ gösterimi Hanning penceresi Matematiksel ifadesi Julius von Hann tarafından geliştirilen Hanning Penceresi ayrık zamanlı bir fonksiyon olup Denklem (2.9) ile ifade edilmiştir [6]. W(ω 1, ω 2 ) = { 0,5 0,5 cos (2πD(ω 1, ω 2 ) D 0 ), D(ω 1, ω 2 ) D 0 0, diğer (2.9) Hanning Penceresi ifadesinde D(ω 1, ω 2 ) ifadesi orijinden olan uzaklığı, D 0 ifadesi kesim frekansını belirtmektedir. Çalışmada kullanılan süzgecin genlik spektrumu Şekil 2.5a ile gösterilmiştir Hamming penceresi Hanning Penceresi ifadesinde, kosinüs ve sabit terimin katsayı olan 0,5 genlik değeri, Richard W. Hamming tarafından 0,46 ve 0,54 olarak değiştirerek Hamming Pencere fonksiyonunu oluşturmuştur. Bu değişimdeki amaç, pencerenin frekans uzayındaki birincil yan lobu bastırmaktır. Elde edilen yeni ifadenin matematiksel gösterimi Denklem (2.10) ile gösterilmiştir [6] [7]. 11

25 (a) Şekil 2.5: (a) Hanning Penceresi ve (b) Hamming Penceresi 3 boyutlu ağ gösterimi (b) 12

26 W(ω 1, ω 2 ) = { 0,54 0,46 cos (2πD(ω 1, ω 2 ) D 0 ), D(ω 1, ω 2 ) D 0 0, diğer (2.10) Bu denklemde D(ω 1, ω 2 ) ifadesi orijinden olan uzaklığı, D 0 ifadesi kesim frekansını belirtmektedir. Çalışmada kullanılan süzgecin genlik spektrumu Şekil 2.5b ile gösterilmiştir Yeniden boyutlandırma yöntemleri Yeniden boyutlandırma, bir görüntünün sahip olduğu çözünürlüğünün ve piksel değerlerinin, değişen boyutlarına bağlı olarak belirli bir matematiksel yöntem uygulanarak yeniden hesaplanması işlemidir. Bu çalışmada kullanılan SPOT 6 MS ve PAN görüntüleri arasında, Çizelge 1.2 de de gösterildiği üzere 1/4 çözünürlük oranı vardır. Bir başka deyişle, PAN görüntünün çözünürlüğü, aynı bölgeyi kapsayan MS görüntünün çözünürlüğünün dört katına eşittir. Çalışma kapsamında ele alınan görüntü birleştirme yöntemlerinin kullanılabilmesi için MS ve PAN görüntüler aynı çözünürlüğe sahip olmalıdır. Bu gereklilik sebebiyle MS görüntü, yeniden boyutlandırma yöntemleri kullanılarak PAN görüntünün çözünürlüğünde olacak hale getirilir. Bu çalışma kapsamında, yeniden boyutlandırma yöntemi olarak En Yakın Komşuluk Yöntemi belirlenmiş olup diğer yöntemler ile karşılaştırmalı başarım değerlendirme çizelgeleri ve değerlendirmeler test sonuçları bölümünde ele alınacaktır En yakın komşuluk yöntemi Yeniden boyutlandırma yöntemleri içindeki en basit ve temel yöntem olan En Yakın Komşuluk Yöntemi (Nearest Neighbor Interpolation) en az hesaplama maliyeti olan bir yöntemdir. Fakat bu basit yapısı, yeniden boyutlandırılan görüntüde gözü rahatsız eden çok keskin geçişlerinin olmasına, bir başka deyişle görüntünün kalitesinin düşük olmasına neden olur. Yeniden örneklenen görüntünün her bir piksel değeri, orijinal görüntüdeki en yakın komşuluk piksel değerinin kopyalanmasıyla elde edilir [11]. Şekil 2.6 ile 4x4 çözünürlüklü 4 bit bir görüntünün 8x8 çözünürlüklü 4 bit bir görüntüye en yakın komşuluk yöntemi kullanılarak yeniden boyutlandırılması gösterilmiştir. Her bir kutucuk bir pikseli ifade etmekte olup, o pikselin sayısal değeri kutucuk içinde gösterilmiştir. 13

27 Yeniden Boyutlandırma Şekil 2.6: En Yakın Komşuluk Yöntemi ile yeniden boyutlandırma Bilineer enterpolasyon yöntemi Bilineer Enterpolasyon (Bilinear Interpolation) ise yeniden hesaplanacak olan piksel değeri için 2x2 lik komşuluğundaki piksel değerlerinin ağırlıklı ortalamasını x A, y A x C, y C Yeniden Boyutlandırma x B, y B x D, y D alır [11]. En yakın komşuluk yöntemine göre daha fazla hesaplama maliyetine sahip olan bu yöntem ile daha yumuşak bir görüntü elde edilir. Şekil 2.7 ile 2x2 lik görüntü parçacığının 8x8 lik görüntü parçacığına boyutlandırılması temsil edilmiştir. Bu şekilde x satır numarasını, y sütun numarasını, kutucuk içindeki büyük harfler bilinen piksel yoğunluk değerlerini, kutucuk içindeki küçük harfler ise bilinmeyen piksel yoğunluk değerlerini temsil etmektedir. Değeri bilineer enterpolasyon ile hesaplanacak olan k bilinmeyeni için öncelikle i ve j bilinmeyenleri, Denklem (2.11) ile verilen Bilineer Enterpolasyon Formülü ile hesaplanır [11]. Şekil 2.7: Bilineer Enterpolasyon Yöntemi ile yeniden boyutlandırma I = x 2 x x 2 x 1 Q 1 + x x 1 x 2 x 1 Q 2 (2.11) 14

28 x 1 x x 2 (2.12) Bu formülde I hesaplanacak olan piksel yoğunluk değerini, x pikselin satır ya da sütun numarasını, x 1 kendisinden önceki referans pikselin satır ya da sütun numarasını, x 2 kendisinden sonraki pikselin satır ya da sütun numarasını göstermektedir. Q 1 ve Q 2 ise sırasıyla, yoğunluk değeri hesaplanacak olan pikselden önceli ve sonraki referans piksellerinin yoğunluk değerlerini temsil etmektedir Kübik eğrilik yöntemi Kübik Eğrilik Yöntemi (Bicubic Interpolation, Cubic Convolution Interpolation), önceki iki yönteme göre daha karmaşık bir algoritmaya ve daha yüksek hesaplama maliyetine sahiptir. Bu yöntem ile yoğunluk değeri yeniden hesaplanacak olan piksel, Denklem (2.13) ifadesi kullanılarak belirlenir. Bu ifadede f ve g fonksiyonları görüntüyü, u fonksiyonu ise Denklem (2.14) ile verilen kübik eğrilik çekirdeği (Cubic Convolution Interpolation Kernel) ni ifade etmektedir. [12]. u(s) = g(x 0, y 0 ) = f(x, y)u(x 0 i)u(y 0 j) { i j 3 2 s s 2 + 1, 0 < s < s s 2 4 s + 2, 1 < s < 2 0, 2 < s (2.13) (2.14) Histogram 2 l = L seviyeli (k = [0, L 1] yoğunluk düzeyli) tek renkli bir görüntünün histogramı, Denklem (2.15) ile gösterilen ayrık bir fonksiyon olup, görüntüdeki yoğunluk seviyelerinin dağılımı göstermektedir [9]. h(r k ) = n k (2.15) Bu denklemde r k, k ıncı yoğunluk düzeyini, n k ise o yoğunluk düzeyine sahip piksel sayısını göstermektedir. Bu denklemi, görüntünün toplam piksel sayısı olan n ye bölerek (normalizasyon) Denklem (2.16) ile ifade edilen, her bir yoğunluk seviyesinin gerçekleşme olasılığını gösteren olasılık fonksiyonu elde edilir. Dikkat edileceği üzere Denklem (2.16), olasılık fonksiyonunun temel kuralı olan tüm 15

29 olasılıkların toplamının 1 e eşit olması kuralını, Denklem (2.17) ile gösterildiği üzere sağlamaktadır. p(r k ) = n k n, k = 0, 1,, L 1 (2.16) L 1 L 1 p(r k ) = n k n k=0 k=0 = 1, k = 0, 1,, L 1 (2.17) Düzgün bir görüntüde, histogram grafiğinin düz dağılımlı olması (her bir yoğunluk seviyesinin eşit olasılığa sahip olması) beklenir. Histogram grafiğindeki yoğunlukların, grafiğin belirli bir bölgesinde yoğunlaşması o görüntüde koyuluk, açıklık ya da belirginsizliğe neden olur. Bu durumlar Şekil 2.8 ile gösterilmiştir Histogram eşleme Bir görüntünün histogramının belirli bir matematiksel yöntem uygulanarak değiştirilmesi veya geliştirilmesi işlemine Histogram Eşleme (Histogram Matching) adı verilir. Şekil 2.8 de görüldüğü üzere, histogram dağılımı ile görüntünün kalitesi doğrudan ilişkilidir. Histogram grafiğinde yoğunluk dağılımı belirli bir bölgede toplanmış olan görüntülerin kalitesini arttırmak için belirli bir matematiksel yöntem doğrultusunda, görüntünün histogram dağılımının değiştirilmesi gerekir. Uzaktan algılamada bazı pan keskinleştirme yöntemlerinde, birleştirme kalitesini arttırmak amacıyla, PAN görüntüye histogram eşleme işlemi uygulanır. Bu işlem PAN görüntünün, MS görüntünün her bir bandıyla histogram eşlemeye tabi tutulmasıyla yapılır. MS görüntünün, görüntü birleştirme yöntemi kapsamında doğrudan kullanılmaması durumunda, PAN görüntü, çeşitli dönüştürme yöntemleri kullanılarak MS görüntüden elde edilen görüntü ile histogram eşlemeye tabi tutulur [13]. Histogram eşleme işlemi esasen görüntünün spektral bilgisinde bozulmaya neden olan bir işlemdir. Fakat bu çalışma kapsamındaki uygulamasında, PAN görüntüye, MS görüntünün bantlarına göre histogram eşleme uygulandığı için görüntü birleştirme işleminde görüntülerin parlaklık uyumu daha iyi olmaktadır [13]. Bu çalışma kapsamında kullanılan histogram işleme yöntemi Denklem (2.18) ile ifade edilmiştir [13]. Î PAN = (I PAN μ PAN ) σ MS i σ PAN + μ i (2.18) 16

30 (a) (b) (c) (d) (e) (f) (g) (h) Şekil 2.8: (a) Koyu Görüntü ve (b) histogramı, (c) Açık Görüntü ve (d) histogramı, (e) Düşük Kontrastlı Görüntü ve (f) histogramı, (g)yüksek Kontrastlı Görüntü ve (h) histogramı 17

31 Bu ifadede Î PAN MS görüntünün i inci bandına göre histogramı eşlenmiş PAN görüntüyü, I PAN işleme sokulan PAN görüntüyü, μ PAN PAN görüntünün ortalamasını, μ i, MS görüntünün i inci bandının ortalamasını σ PAN ve σ MSi ise sırasıyla PAN görüntünün ve MS görüntünün i inci bandının standart sapmasını ifade etmektedir. Histogram eşleme ile zenginleştirilen görüntü işleme yöntemleriyle elde edilen görüntüler ve histogram eşlemeye tabi tutulmadan elde edilen görüntüler, birleştirme kalite değerlendirme yöntemleri kullanılarak analiz edilmiştir. Analiz sonuçları çizelgeleri ve analiz yorumları sonuçlar bölümünde ele alınacaktır Pan keskinleştirme Giriş kısmında da bahsedildiği üzere pan keskinleştirme (pan sharpening), uzaktan algılamada yüksek mekânsal çözünürlüğe ve düşük spektral çözünürlüğe sahip PAN görüntü ile düşük mekânsal çözünürlüğe ve yüksek spektral çözünürlüğe sahip MS görüntünün çeşitli matematiksel yöntemler kullanılarak birleştirilmesi işlemi olarak ifade edilmektedir. Düşük çözünürlüklü MS görüntünün, PAN görüntüsü ile keskinleştirilmesi sonucu yüksek mekânsal ve spektral çözünürlüğe sahip görüntü elde edilir. Temel bağlamda, pan keskinleştirme işlemi PAN görüntüden ilgili keskinlik detay bilgisinin çıkartılarak MS görüntüye eklenmesi olarak modellenebilir. Bu modelin blok diyagramı Şekil 2.1 de gösterilmiştir. Düşük Çözünürlüklü MS Görüntü Yüksek Çözünürlüklü PAN Görüntü Pan keskinleştirilmiş MS Görüntü Detay Çıkarma Şekil 2.9: Pan keskinleştirme blok diyagramı 18

32 2.2 Görüntü Birleştirme Modeli Görüntü birleştirme modeli, aynı bölgeye ait farklı özelliklere sahip görüntülerin belirli matematiksel yöntemler izlenerek daha kaliteli bir görüntü elde etme gayesi içinde birleşim şeklini ortaya koyan anlatım veya çizimdir [14]. Bu çalışma kapsamında kullanılacak olan görüntü birleştirme modeli Şekil 2.10 ile gösterilmiştir. Yeniden Boyutlandırma MS Her Bir Bant İçin PAN Detay Çıkarma PAN' + I Şekil 2.10: Görüntü Birleştirme Modeli Görüntü birleştirme modelini özetlemek gerekirse, Şekil 2.10 da gösterildiği üzere öncelikle MS görüntünün çözünürlüğü yeniden boyutlandırma yöntemleri kullanılarak PAN görüntü çözünürlüğüne yükseltilir. Daha önce Bölüm Yeniden Boyutlandırma Yöntemleri nde bahsedildiği üzere, SPOT 6 MS ve PAN görüntüleri arasında 1/4 çözünürlük oranı vardır. Bu yüzden MS görüntünün çözünürlüğü dört katına çıkarılır. Yeniden boyutlandırma işleminden sonra MS görüntünün her bir bandı, PAN görüntüden elde edilen detay bilgisi ile birleştirilerek yüksek spektral ve mekânsal çözünürlüğe sahip olan I görüntüsü elde edilir. 2.3 Görüntü Birleştirme Yöntemleri Uzaktan algılamada görüntü birleştirme için birçok farklı görüntü birleştirme algoritması vardır. Bu çalışma kapsamında, SPOT 6 MS ve PAN görüntüleri yedi farklı görüntü birleştirme yöntemi kullanılarak birleştirilecektir. Her bir yöntem ile elde edilen görüntü, birleştirme kalite değerlendirme yöntemlerine göre analiz edilerek test sonuçları ile sonuç ve öneriler kısmında karşılaştırmalı olarak gösterilip yorumlanacaktır. 19

33 2.3.1 Modülasyon yöntemleri Brovey dönüşümü ile görüntü birleştirme Brovey Dönüşümü, basit ve çok yaygın olarak kullanılan renklilik dönüşümünü esas alan bir yöntemdir. Bu dönüşüm, MS görüntünün parlaklık bilgisinin PAN görüntü ile modüle edilerek MS görüntüye uygulanmasına dayanan bir işlemdir [15]. Brovey dönüşümünü gerçekleştirmek için öncelikle MS görüntünün çözünürlüğünün yeniden boyutlandırma yöntemleri kullanılarak PAN görüntü çözünürlüğüne yükseltilir. Sonraki aşamada yeniden boyutlandırılan MS görüntüden Denklem 2.19 ile verilen ifade doğrultusunda parlaklık görüntüsü elde edilir. n I = 1 n MS i i=1 (2.19) Bu ifadede I parlaklık görüntüsünü, n band sayısını, MS i ise MS görüntünün i inci bandını ifade etmektedir. Parlaklık görüntüsü elde edildikten sonra sıra PAN görüntünün mekânsal çözünürlüğünün de kullanarak pan keskinleştirilmiş görüntüyü elde etmeye geliyor. Pan keskinleştirilmiş görüntü Denklem (2.20) ile ifade edilen işlem elde edilir. M i = MS i P I (2.20) Bu ifadede M i pan keskinleştirilmiş görüntüyü ifade etmektedir. Brovey Dönüşümü ne ek olarak histogram eşleme ile birleştirme yöntemi geliştirilmek istenirse PAN görüntü, parlaklık görüntüsü olan I ile histogram eşlemeye tabi tutularak Brovey Dönüşümü nde kullanulır Bileşen değişim yöntemleri IHS dönüşümü ile görüntü birleştirme Uzaktan algılamada oldukça yaygın olarak kullanılan IHS (Intensity Hue - Saturation [Parlaklık - Renk Özü - Doygunluk]) dönüşümü esasen renk uzayı dönüşümüdür. Görüntü birleştirmedeki uygulaması ise şu şekilde gerçekleştirilir. Öncelikle MS görüntünün çözünürlüğü yeniden boyutlandırma yöntemleri kullanılarak PAN görüntü çözünürlüğüne yükseltilir. Çözünürlüğü yükseltilmiş MS görüntü, Denklem (2.22) bağıntısı kullanılarak IHS uzayına çevrilir. Aslında bu 20

34 dönüşüm uygulandığında görüntü, I - v 1 - v 2 vektörlerine dönüştürülmüş olur. PAN görüntünü, parlaklık görüntüsü olan I görüntüsüne göre histogram eşlemeye tabi tutulur. Elde edilen yeni PAN görüntüsü, I parlaklık görüntüsü yerine koyularak, v 1 ve v 2 vektörleriyle beraber Denklem (2.23) ile ifade edilen ters IHS dönüşümüne sokularak pan keskinleştirilmiş görüntü elde edilir [16]. v 1 = S cos(h) v 2 = S sin(h) (2.21) I [ v 1 ] = v 2 [ ] MS 1 [ MS 2 ] (2.22) MS MS I [ MS 2 ] = 1 1 MS [ v 1 ] (2.23) 2 v 2 [ ] Bu ifadelerde MS i MS görüntünün i inci bandını, H renk özünü, S doygunluk değerini, v 1 ve v 2 ise I parlaklık eksenine ve birbirlerine dik eksenleri ifade etmektedir. Bu ifadelerde I yerine, histogram eşleme işlemine tabi tutulmuş PAN görüntüyü ifade eden PAN hm koyarak düzenlersek; M 1 [ M 2 ] = M [ ] PAN hm [ v 1 ] (2.24) v 2 Denklem (2.24) elde edilir. Bu denklemde PAN hm terime I eklenip çıkartılması sonucu değiştirmez. M 1 [ M 2 ] = M [ ] [ PAN hm + I I v 1 v 2 ] (2.25) 21

35 1 1 1 M [ M 2 ] = M [ ] I PAN hm I [[ v 1 ] + [ 0 ]] (2.26) v 2 0 Denklem (2.26) ifadesindeki katsayı matrisi ile (I, v 1, v 2 ) matrisinin çarpımı, Denklem (2.23) ile ifade edildiği gibi MS görüntüyü vermektedir. Bu eşitlik gözetilerek denklem tekrar düzenlenirse Denklem (2.27) ifadesi elde edilir. M 1 MS 1 PAN hm I [ M 2 ] = [ MS 2 ] + [ PAN hm I] (2.27) M 3 MS 3 PAN hm I I = 1 3 (MS 1 + MS 2 + MS 3 ) (2.28) Bu ifadelerde M i pan keskinleştirilmiş görüntünün i inci bandını temsil etmektedir. IHS dönüşüm ve ters dönüşüm katsayı matrislerini kullanmaya gerek kalmadan sadece Denklem (2.27) ve Denklem (2.28) ifadelerinden yararlanarak, IHS dönüşümü bazlı pan keskinleştirme gerçekleştirmek mümkündür. Bu çalışma kapsamında, Denklem (2.27) ve Denklem (2.28) kullanılarak yöntem gerçekleştirilerek hesaplama süresi düşürülmüştür. IHS dönüşümü ile görüntü birleştirme yönteminin genel süreci Şekil 2.11 ile gösterilmiştir. Çözünürlüğü Yükseltilmiş MS Görüntü Pan Keskinleştirilmiş Görüntü MS IHS Dönüşümü I v 1 v 2 M PAN Histogram Eşleme I Ters IHS Dönüşümü PAN hm PAN hm v 1 v 2 Şekil 2.11: IHS dönüşümü ile pan keskinleştirme 22

36 CIELAB dönüşümü ile görüntü birleştirme Litaratürde, CIE L*a*b* (CIELAB) ve Hunter Lab olmak üzere iki tür Lab dönüşümü vardır. Bu iki dönüşümü karıştırmamak için CIELAB kısaca L*a*b* olarak gösterilir. Bu çalışmada kapsamında CIE L*a*b* (CIELAB) dönüşümünün üzerinde durulacaktır. CIELAB esasen, CIE XYZ renk uzayından türetilen renk uzayını temsil eder li yılların başında geliştirilen bu renk uzayında L* aydınlık seviyesini gösterirken a* kırmızı ile yeşil arasındaki ve b* ise sarı ile mavi arasındaki renksel ilişkiyi gösterir [17]. L* 0 ile 100 arası değer alırken a* ve b* negatif ve pozitif değerler alabilir. CIELAB renk uzayında L*, a* ve b* eksenleri birbirlerine dik olup Şekil 2.12 ile gösterilmiştir. aydınlık L* sarı b* yeşil a* kırmızı mavi karanlık Şekil 2.12: CIELAB renk uzayı gösterimi SPOT 6 uydusunun R (Red [Kırmızı]), G (Green [Yeşil]) ve B (Blue [Mavi]) batlarını kullanarak oluşturulan MS görüntünün CIELAB renk uzayına doğrudan dönüşümü mümkün değildir. RGB renk uzayından CIELAB renk uzayına dönüşüm yapılabilmesi için öncelikle CIE XYZ renk uzayına dönüşüm yapılmalı, ardından CIE XYZ renk uzayından da CIELAB renk uzayına dönüşüm yapılmalıdır. CIELAB renk uzayından RGB renk uzayına dönüşüm ise aynı şekilde CIE XYZ renk uzayı kullanılarak ters yönde dönüşüm gerçekleştirilerek yapılır. RGB renk uzayından XYZ renk uzayına dönüşüm ve ters dönüşüm için Denklem (2.29) ile Denklem (2.30), XYZ renk uzayından CIELAB renk uzayına dönüşüm ve ters dönüşüm için ise Denklem (2.31) ile Denklem (2.32) ifadelerinden yararlanılır [17]. 23

37 X 0, , , R [ Y] = [ 0, , ,072169] [ G] (2.29) Z 0, , , B R 3, , , X [ G] = [ 0, , , ] [ Y] (2.30) B 0, , , Z L = 116f(Y/Y n ) 16 a = 500(f(X/X n ) f(y/y n )) b = 200(f(Y/Y n ) f(z/z n )) (2.31) f(ω) = { 3 ω, ω < 0, ,787ω , ω 0, (2.32) Bu denklemlerde X n, Y n ve Z n standart referans değerleri olup bu çalışma kapsamında Standart CIE D65 değerleri kullanılmıştır. Çözünürlüğü Yükseltilmiş MS Görüntü Pan Keskinleştirilmiş Görüntü MS CIE XYZ Dönüşümü L*a*b* Dönüşümü L* a* b* M PAN Histogram Eşleme L* Ters CIE XYZ Dönüşümü PAN hm PAN hm a* b* Ters L*a*b* Dönüşümü Şekil 2.13: L*a*b* dönüşümü ile pan keskinleştirme L*a*b* dönüşümü ile pan keskinleştirme IHS dönüşümü ile pan keskinleştirme modeli ile benzerlik gösterir. Yeniden boyutlandırma yöntemleri ile çözünürlüğü PAN çözünürlük seviyesine çıkartılmış MS görüntü önce CIE XYZ ardından da CIELAB renk uzayına dönüştürülür. PAN görüntü, dönüşümden elde edilen ve aydınlık bilgisini içeren L* görüntüsü ile histogram eşlemeye tabi tutulur. Elde edilen yeni PAN görüntüsü L* görüntüsü yerine koyularak önce ters CIELAB dönüşümüne ardından da ters CIE XYZ dönüşümü uygulanarak RGB uzayına dönüştürülür. Böylece PAN görüntünün yüksek mekânsal çözünürlüğü MS 24

38 görüntüye aktarılarak pan keskinleştirilmiş görüntü elde edilir. L*a*b* dönüşümü ile pan keskinleştirme yöntemine ilişkin akış Şekil 2.13 ile gösterilmiştir Çoklu çözünürlük (süzgeç) yöntemleri HFM ile görüntü birleştirme Yüksek Frekans Modülasyonu (High Frequency Modulation [HFM]) görüntü birleştirme, PAN görüntüden çıkartılan detay bilgisinin, yeniden boyutlandırma yöntemleri kullanılarak çözünürlüğü PAN görüntü çözünürlüğüne çıkarılmış MS görüntünün her bandının çarpılmasıyla uygulanır [18]. Böylece PAN görüntünün yüksek mekânsal bilgisi MS görüntüye aktarılarak pan keskinleştirilmiş görüntü elde edilmiş olur. M i = MS i PAN PAN LPF (2.33) PAN LPF = PAN H LPF (2.34) Denklem (2.33) ve Denklem (2.34) ifadelerinde, M i pan keskinleştirilmiş görüntünün i inci bandını, MS i çözünürlüğü yükseltilmiş MS görüntünün i inci bandını, PAN PAN görüntüsünü, PAN LPF alçak geçiren filtreden geçirilmiş PAN görüntüsünü ve H LPF ise alçak geçiren filtreyi temsil etmektedir. PAN görüntü MS görüntünün her bir bandı için ayrı ayrı histogram eşlemeye tabi tutularak da birleştirme işlemi gerçekleştirilebilir. Böylece yöntem zenginleştirilmiş olur. Bu çalışma kapsamında HFM görüntü birleştirme yöntemi hem sade modeli hem de histogram eşleme ile zenginleştirilmiş modeli farklı alçak geçiren filtreler kullanılarak ele alınmıştır. Elde edilen sonuçlar diğer yöntemler ile karşılaştırmalı olarak, test sonuçları ile sonuç ve öneriler bölümlerinde ele alınacaktır Frekans uzayı yöntemleri DFT ile görüntü birleştirme İki boyutlu Ayrık Fourier Dönüşümü (Discrete Fourier Transform [DFT]) ile görüntü birleştirme, PAN ve MS görüntüleri Fourier uzayında inceleyerek birleşimi gerçekleştirme temeline dayanır. Fourier uzayındaki bu birleşimi ifade eden genel formül Denklem (2.35) ile verilmiştir [19]. 25

39 M i = DFT 1 {LPF{DFT(MS i )} + HPF{DFT(PAN)}} (2.35) Bu ifadede PAN PAN görüntüyü, DFT iki boyutlu Ayrık Fourier Dönüşümü nü, DFT 1 iki boyutlu Ters Ayrık Fourier Dönüşümünü, HPF yüksek geçiren süzgeci, LPF alçak geçiren süzgeci, MS i çözünürlüğü yeniden boyutlandırma yöntemleri ile PAN çözünürlüğü seviyesine çıkarılmış MS görüntünün i inci bandını ve M i ise pan keskinleştirilmiş görüntünün i inci bandını temsil etmektedir. Bir görüntü Fourier uzayında incelendiğinde bilgi yoğunluğunun düşük frekanslarda toplanmasına karşın detay bilgisinin yüksek frekanslarda olduğu görülür. Bir başka deyişle, görüntünün genel ve yüzeysel bilgisi düşük frekans bileşenlerini oluştururken, görüntü keskinliği ve örüntü detayları yüksek frekans bilgilerini oluşturur. Bu yüzden düşük mekânsal ve yüksek spektral bilgiye sahip MS görüntüden alçak frekans bileşenleri, yüksek mekânsal ve düşük spektral bilgiye sahip PAN görüntüden yüksek frekans bileşenleri süzgeçlenip birleştirilerek yüksek mekânsal ve yüksek spektral bilgiye sahip pan keskinleştirilmiş görüntü elde edilir. Ayrık Fourier Dönüşümü ile pan keskinleştirme yöntemine ilişkin akış Şekil 2.14 ile gösterilmiştir. Çözünürlüğü Yükseltilmiş MS Görüntü Pan Keskinleştirilmiş Görüntü MS PAN DFT DFT LPF HPF + DFT 1 M Şekil 2.14: DFT ile pan keskinleştirme Bu yöntem histogram eşleme kullanılarak zenginleştirilebilir. Bunun için PAN görüntü, MS görüntünün her bandı için ayrı ayrı histogram eşlemeye tabi tutulur. MS görüntünün her bandı için elde edilen histogramı eşlenmiş PAN görüntüler yüksek geçiren süzgeçten, MS görüntünün her bandı ise alçak geçiren süzgeçten geçirilerek birleştirme gerçekleştirilir. 26

40 Bu birleştirme yönteminde bilgiyi süzmek için süzgeçlerden yararlanacağı için süzgeç seçimi ve seçilen süzgecin kesim frekansı önem arz etmektedir. Bu çalışma kapsamında yüksek düzeyde spektral bilgi korunumunu sağlamak için kesim frekansı 0,5 π radyan olarak belirlenmiştir [8]. Önemli olan bir diğer husus ise belirlenen kesim frekansı alçak ve yüksek süzgeçler için tamamlayıcı özellikte olmalıdır. Bu çalışmada süzgeçlerinin birbirlerini tamamlayıcı özellikle olması için yüksek geçiren süzgeç Denklem (2.36) ile ifade edilen şekilde hesaplanmıştır. HPF = 1 LPF (2.36) Bu ifadede alçak geçiren süzgecin maksimum genlik değeri 1 dir. Bu çalışma kapsamında, Ayrık Fourier Dönüşümü ile pan keskinleştirme yöntemi farklı süzgeçler kullanılarak, histogram eşlemeli ve histogram eşlemesiz olarak gerçekleştirilmiş. Elde edilen veriler, test sonuçları ile sonuç ve öneriler bölümlerinde ele alınacaktır Karma yöntemler IHS dönüşümü + DFT ile görüntü birleştirme Bu yöntem, IHS dönüşümünün görüntüyü bileşenlerine ayırması ve Ayrık Fourier Dönüşümü ile bileşenlerine ayrılan görüntünün frekans analizinin yapılmasına dayanan karma bir yöntemdir [8]. Çözünürlüğü Yükseltilmiş MS Görüntü Pan Keskinleştirilmiş Görüntü MS IHS Dönüşümü I v 1 v 2 M PAN Histogram Eşleme I Ters IHS Dönüşümü LPF DFT PAN hm DFT HPF + DFT 1 I PAN v 1 v 2 Şekil 2.15: IHS dönüşümü ve DFT yöntemi pan keskinleştirme 27

41 Bu karma yöntemin işleyişi öncelikle MS görüntünün IHS renk uzayına dönüştürülmesiyle başlar. IHS dönüşümünden elde edilen I parlaklık görüntüsü ile PAN görüntü, Ayrık Fourier Dönüşümü ile görüntü birleştirme yöntemine göre birleştirilir. Elde edilen pan keskinleştirilmiş parlaklık görüntüsü, diğer IHS dönüşümü elemanları olan v 1 ve v 2 ile ters IHS dönüşümüne sokularak pan keskinleştirilmiş görüntü elde edilir. PAN görüntü, I parlaklık görüntüsüyle işleme girmeden önce PAN görüntü histogramı I görüntü histogramına eşlenerek yöntem zenginleştirilebilir. Bu yönteme ilişkin akış Şekil 2.15 ile gösterilmiştir. Bu çalışma kapsamında, DFT ile karılmış IHS dönüşümü yöntemiyle pan keskinleştirme, farklı süzgeçler kullanılarak, histogram eşlemeli ve histogram eşlemesiz olarak gerçekleştirilmiş. Elde edilen veriler, test sonuçları ile sonuç ve öneriler bölümlerinde ele alınacaktır CIELAB dönüşümü + DFT ile görüntü birleştirme Bu yöntem de bir önceki yöntem ile benzer şekilde L*a*b* dönüşümünün görüntüyü bileşenlerine ayırması ve ardından Ayrık Fourier Dönüşümü ile bileşenlerin analizi temeline dayanır [20]. Çözünürlüğü Yükseltilmiş MS Görüntü Pan Keskinleştirilmiş Görüntü MS CIE XYZ Dönüşüm L*a*b* Dönüşüm L* a* b* M PAN L* Ters CIE XYZ Dönüşümü Histogram Eşleme DFT PAN hm HPF LPF + DFT DFT 1 PAN L* a* b* Ters L*a*b* Dönüşümü Şekil 2.16: CIELAB Dönüşümü ve DFT ile pan keskinleştirme yöntemi Yöntemin işleyişi MS görüntünün CIELAB renk uzayına dönüştürülmesi ile başlar. PAN görüntünün histogramı, L*a*b* dönüşümünden elde edilen L* parlaklık 28

42 görüntüsünün histogramı ile eşlenir. Elde edilen histogramı eşlenmiş PAN görüntü ile L* parlaklık görüntüsü Ayrık Fourier Dönüşümü ile görüntü birleştirme yöntemine göre birleştirilir. Bu birleşim sonucu elde edilen pan keskinleştirilmiş parlaklık görüntüsü, a* ve b* görüntüleri ile ters L*a*b* dönüşümüne sokularak pan keskinleştirilmiş görüntü elde edilir. Bu yönteme ilişkin akış Şekil 2.16 ile gösterilmiştir. Bu çalışma kapsamında, DFT ile karılmış L*a*b* dönüşümü yöntemiyle pan keskinleştirme farklı süzgeçler kullanılarak, histogram eşlemeli ve histogram eşlemesiz olarak gerçekleştirilmiş. Elde edilen veriler, test sonuçları ile sonuç ve öneriler bölümlerinde ele alınacaktır. 2.4 Birleştirme Kalite Değerlendirme Yöntemleri Görüntü birleştirme yöntemleri uygulanarak elde edilen görüntülerin başarısını ölçmek, yöntemleri karşılaştırabilmek ve çeşitli parametrik değerlerin etkisini görmek için birleştirme kalite değerlendirme yöntemlerine ihtiyaç duyulmaktadır. Bu ihtiyacı karşılamak amacıyla bu çalışmada, literatürde kabul gören ve sıkça kullanılan dört kalite değerlendirme yöntemi uygulanmıştır. Kullanılan birleştirme kalite değerlendirme yöntemlerinde referans görüntü olarak SPOT 6 MS görüntü, kalitesi hesaplanacak olan görüntü olarak ise çözünürlüğü dört kat düşürülmüş SPOT 6 PAN ve MS görüntülerinin görüntü birleştirme yöntemleri uygulanarak elde edilen pan keskinleştirilmiş görüntü kullanılmıştır Spektral Açı Eşleştiricisi (Spectral Angle Mapper []), vektörler arası spektral benzerliği temel alan bir yöntemdir [14]. Bu yöntem kullanılarak elde edilen değerler ne kadar küçük olursa, birleştirme kalitesi o kadar başarılı olur. yönteminin matematiksel ifadesi Denklem 2.33 ile ifade edilmiştir. (i) = cos 1 ( MS i, M i MS i M i ) (2.37) Bu ifadede M i pan keskinleştirilmiş görüntünün i inci bandını ve MS i ise SPOT 6 MS görüntünün i inci bandını ifade etmektedir. 29

43 2.4.2 Karesel Hata (Root Mean Square Error []), referans görüntü ile pan keskinleştirilmiş görüntü arasındaki farkın karesel ortalamasını temel alan yöntemdir [14]. Bu yöntem kullanılarak elde edilen değerler ne kadar küçük olursa, birleştirme kalitesi o kadar başarılı olur. Yöntemin matematiksel ifadesi Denklem (2.38) ile ifade edilmiştir. tp (i) = 1 tp (MS i(k) M i (k)) 2 k=1 (2.38) Bu ifadede tp bir görüntündeki toplam piksel sayısını, M i pan keskinleştirilmiş görüntünün i inci bandını ve MS i ise SPOT 6 MS görüntünün i inci bandını ifade etmektedir RASE Göreceli Spektral Hata (Relative Average Spectral Error [RASE]), Karesel Hata yönteminden türetilmiş olup Denklem (2.39) ile ifade edilmektedir [14]. RASE = n (i) (2 G(MS i ) ) n i=1 (2.39) Bu ifadede G(MS i ) ifadesi SPOT 6 MS görüntünün i inci bandı için algılayıcı kazanç değerini ifade etmektedir. Bu yöntem kullanılarak elde edilen değerler ne kadar küçük olursa, birleştirme kalitesi o kadar başarılı olur ERGAS Göreceli Boyutsuz Global Sentez Hatası (Erreur Relative Globale Adimensionnelle de Synthèse [ERGAS]), Karesel Hata yöntemine, PAN ve MS görüntü çözünürlükleri oranının da hesaba katılmasıyla türetilmiş olup Denklem (2.40) ile ifade edilmiştir [14]. RASE = 100 h l 1 n (i) (2 G 2 (MS i ) ) n i=1 (2.40) 30

44 Bu ifadede G(MS i ) ifadesi SPOT 6 MS görüntünün i inci bandı için algılayıcı kazanç değerini, ifade etmektedir. Bu yöntem kullanılarak elde edilen değerler ne kadar küçük olursa, birleştirme kalitesi o kadar başarılı olur. 31

45 3. TEST SONUÇLARI Bu çalışma kapsamında, İTÜ UHUZAM (Uydu Haberleşmesi ve Uzaktan Algılama Uygulama Araştırma Merkezi) tarafından sağlanan üç farklı bölgeye ait SPOT 6 PAN ve MS görüntüleri kullanılmıştır. SPOT 6 verileri, büyüklüğü nedeniyle görüntü işleme maliyeti yüksek ürünlerdir. Zaman ve işlem gücü maliyetleri göz önünde bulundurularak çalışma kapsamında kullanılan veriler, esas verilerden kırpılarak elde edilmiştir. UHUZAM tarafından sağlanan kırpılmış görüntüler, birbirlerine eş çakıştırılmış 4096 piksel satır 4096 piksel sütun çözünürlüklü, 12 bit kodlamalı PAN görüntü ve 1024 piksel satır 1024 piksel sütun çözünürlüklü, kırmızıyeşil-mavi bantlarından oluşan 12 bit kodlamalı MS görüntüden oluşmaktadır. Görüntüler; 24 Temmuz 2013 tarihli Kocaeli Gebze bölgesine ait şehir görüntüsü, 24 Temmuz 2013 tarihli İstanbul Anadolu Yakası bölgesine ait orman görüntüsü ve 27 Haziran 2013 tarihli Urfa bölgesine ait tarım arazisi görüntüleridir. Bu çalışma kapsamında, görüntü birleştirme yöntemleri kullanılarak elde edilen pan keskinleştirilmiş görüntüler, birleştirme kalite değerlendirme yöntemleri kullanılarak analiz edilmiştir. 3.1 Yeniden Boyutlandırma Yöntemlerinin Karşılaştırılması MS görüntünün çözünürlüğünü, PAN görüntü çözünürlüğüne çıkarmak için üç farklı yeniden boyutlandırma yöntemi test edilmiştir. Yapılan testlerde, yeniden boyutlandırma yöntemleri haricindeki her işlem ve parametre sabit tutulmuştur. Test verisinde, görüntü birleştirme yöntemi olarak IHS + FFT karma yöntemi, süzgeç olarak ise birinci derece Butterworth süzgeci seçilmiştir. Değerlendirme sonuçları birleştirme kalite değerlendirme yöntemleri kullanılarak elde edilmiş olup Çizelge 3.1, Çizelge 3.2 ve Çizelge 3.3 ile verilmiştir. 32

46 Çizelge 3.1: yöntemi ile kalite değerlendirme sonuçları. Yöntem B1 B2 B3 En Yakın Komşuluk 11, , , , Bilineer Enterpolasyon 10, , , , Kübik Eğrilik 11, , , , Çizelge 3.2: yöntemi ile kalite değerlendirme sonuçları. Yöntem B1 B2 B3 En Yakın Komşuluk 0, , , , Bilineer Enterpolasyon 0, , , , Kübik Eğrilik 0, , , , Çizelge 3.3: RASE ve ERGAS yöntemleri ile kalite değerlendirme sonuçları. Yöntem RASE ERGAS En Yakın Komşuluk 5, , Bilineer Enterpolasyon 5, , Kübik Eğrilik 5, , Çizelgelerden görüldüğü üzere en iyi sonucu, Bilineer Enterpolasyon yöntemi kullanılarak elde edilen görüntü vermektedir. Beklentinin aksine, Bilineer Enterpolasyon yönteminin, hesaplama algoritması daha gelişmiş olan ve görüntüyü yumuşatarak göze daha hoş gelen bir görüntü sunan Kübik Eğrilik yöntemine göre daha iyi sonuç vermesi kafa karışıklığına neden olabilir. Kübik eğrilik yöntemi diğer iki yönteme göre göze daha hoş gelen yumuşak bir görüntü sunmasına karşın, yeniden boyutlandırılan görüntünün piksel yoğunluk değerlerinde, referans görüntü değerlerine göre daha fazla değişikliğe neden olduğu olur. Bu durum birleştirme kalite değerlendirme yöntemlerinde daha yüksek değere sahip olmasına (yani daha yüksek hataya sahip olmasına) neden olmaktadır. Bu çalışmada, referans alınan birleştirme kalite değerlendirme yöntemlerince en iyi değerleri sağlayan Bilineer Enterpolasyon Yöntemi kullanılmıştır 33

47 3.2 Görüntü Birleştirme Yöntemlerinin Karşılaştırılması Yüksek mekânsal düşük spektral çözünürlüğe sahip SPOT 6 PAN görüntü ile düşük mekânsal yüksek spektral çözünürlüğe sahip SPOT 6 MS görüntüyü birleştirerek yüksek mekânsal ve yüksek spektral çözünürlüğe sahip pan keskinleştirilmiş görüntü eldesini amaçlayan bu çalışmada, dördü frekans uzayı analizi içeren yedi farklı yöntem test edilmiştir. Frekans uzayı analizi içeren yöntemler, beş farklı süzgeç tipi kullanılarak test edilmiştir. Ayrıca yöntemler, hem histogram eşlemeli hem de histogram eşlemesiz olarak da test edilmiştir. Üç farklı bölge için (Gebze şehir görüntüsü, İstanbul orman görüntüsü ve Urfa tarım arazisi görüntüsü) görüntü birleştirme yöntemleri kullanılarak elde edilen pan keskinleştirilmiş görüntülerin, birleştirme kalite değerlendirme yöntemleri kullanılarak başarımları ölçülmüştür. Kalite değerlendirme sonuçlarına ve pan keskinleştirilmiş görüntülere altıncı bölüm olan ekler bölümünde ayrıntılı olarak yer verilmiştir. Kalite değerlendirme yöntemlerine göre şehir, orman ve tarım arazisi için en iyi görüntü birleştirme sonuçlarını veren yöntemler altta yer alan çizelgeler ile özetlenmiştir. Çizelge 3.4: Gebze şehir görüntüsü için görüntü birleştirme yöntemlerinin karşılaştırılması Kalite Değ. Yön. Görüntü Birleş. Yön. Histogram Eşleme Süzgeç Türü -B1 IHS + DFT Evet Gaussian -B2 IHS + DFT Evet Gaussian -B3 DFT Evet Gaussian Ort. IHS + DFT Evet Gaussian -B1 IHS + DFT Evet Gaussian -B2 IHS + DFT Evet Gaussian -B3 DFT Evet Gaussian Ort. IHS + DFT Evet Gaussian RASE DFT Evet Gaussian ERGAS DFT Evet Gaussian 34

48 Çizelge 3.5: İstanbul orman bölgesi görüntüsü için görüntü birleştirme yöntemlerinin karşılaştırılması Kalite Değ. Yön. Görüntü Birleş. Yön. Histogram Eşleme Süzgeç Türü -B1 Brovey Hayır - -B2 DFT Evet Gaussian -B3 DFT Evet İdeal Ort. IHS + DFT Evet Gaussian -B1 IHS + DFT Evet Gaussian -B2 DFT Evet Gaussian -B3 DFT Evet İdeal Ort. DFT Evet İdeal RASE DFT Evet İdeal ERGAS DFT Evet İdeal Çizelge 3.6: Urfa tarım arazisi görüntüsü için görüntü birleştirme yöntemlerinin karşılaştırılması Kalite Değ. Yön. Görüntü Birleş. Yön. Histogram Eşleme Süzgeç Türü -B1 IHS Evet - -B2 DFT Evet Gaussian -B3 DFT Evet Gaussian Ort. DFT Evet Gaussian -B1 IHS Evet - -B2 DFT Evet Gaussian -B3 DFT Evet Gaussian Ort. DFT Evet Gaussian RASE DFT Evet Gaussian ERGAS DFT Evet Gaussian Her bant için ayrı kalite değeri elde edilen ve yöntemlerinde, bant kalite değerlerinin eşit ağırlıklı ortalaması alınarak o yöntem için ortalama kalite değeri hesaplanmıştır. 35

49 4. SONUÇ VE ÖNERİLER Bu çalışma kapsamında şehir, orman ve tarım arazisi olmak üzere üç farklı bölge için görüntü birleştirme yöntemleri uygulanmış, elde dilen sonuçlar,, RASE ve ERGAS kalite değerlendirme yöntemlerine göre analiz edilmiştir. Kullanılan kalite değerlendirme yöntemlerine göre en iyi sonuç, en düşük değerle ifade edilmektedir. Bu doğrultuda sonuçlar incelendiğinde Gebze şehir görüntüsü için en iyi değerleri sağlayan iki yöntem öne çıkmaktadır. Bu yöntemlerin ikisi de histogram eşleme ile geliştirilmiş ve Gaussian süzgeç kullanılmış olan DFT ile görüntü birleştirme ve IHS dönüşümü + DFT ile görüntü birleştirme yöntemleridir. İstanbul orman bölgesi görüntüsü için en iyi sonuçları sağlayan yöntem, histogram eşleme ile geliştirilmiş ve ideal süzgeç kullanılmış olan DFT ile görüntü birleştirme yöntemidir. Son olarak, Urfa tarım arazisi görüntüsü için en iyi değerleri sağlayan yöntem ise histogram eşleme ile geliştirilmiş ve Gaussian süzgeç kullanılmış olan DFT ile görüntü birleştirme yöntemidir. Bu çalışma kapsamında ele alınan görüntülerde en iyi kalite değerlerine sahip görüntü birleştirme yöntemlerindeki ortak nokta Fourier uzayı analizidir. Görüntü birleştirme yöntemleri farklı özelliklere sahip bölgelerde farklı başarı sonuçları elde etmesine karşın frekans uzayı analizi içeren yöntemler ile daha iyi kalite değerleri elde edilmektedir. Görüntü bölgesi özelliğine de bağlı olmak şartıyla, frekans uzayı süzgeçleme işleminde en iyi kalite değerlerini sağlayan süzgeç tipi ise Gaussian süzgeçtir. Ayrıca, histogram eşleme ile zenginleştirmiş yöntemlerin daha iyi kalite değerlerine sahip olduğu da elde edilen veriler ile gösterilmiştir. Çalışma kapsamında karşılaşılan en büyük sorun, uydu görüntüleri kullanılarak yapılan görüntü işlemede işlem maliyetinin çok yüksek olmasıdır. Uydu görüntüleri çok yüksek çözünürlüklere sahip olduğu için sıradan bilgisayarlar kullanılarak yapılan işlemlerde, işlem süreleri çok uzun olmaktadır. İşlem sürelerini kısaltmak için Yüksek Başarımlı Hesaplama (High Performance Computing [HPC]) sistemlerinden yararlanılabilir. 36

50 5. KAYNAKLAR [1] Gibson, P. J., 2000, Introductory Remote Sensing: Principles and Concepts, Routledge, London. [2] Jasami B. ve Stein G., 2002, Commercial Satellite Imagery: A Tactic in Nuclear Weapon Deterrence, Springer Praxis Publ., Berlin. [3] Astrium, Spot Satellite Technical Data. [4] Canada Centre for Remote Sensing, Fundamentals of Remote Sensing. [5] El-Samie F. E. A., Hadhoud, M. M. ve El-Khamy S. E., 2012, Image Super- Resolution and Applications, CRC Press, Boca Raton. [6] Oppenheim, A. V., Schafer R. W., ve Buck, J. R., 1998, Discrete-Time Signal Processing, Prentice Hall, New Jersey. [7] Lim, J. S., Two-Dimensional Signal and Imae Processing, 1990, Prentice Hall, New Jersey. [8] Denipote, J. G., ve Paiva, M. S. V., 2008, A Fourier Transform-based Approach to Fusion High Spatial Resolution Remote Sensing Images, IEEE Conference Publications, ss [9] Gonzalez, R. C. ve Woods, R. E., 2002, Digital Image Processing, Prentice Hall., New Jersey. [10] Najim, M., 2004, Digital Filters Design for Signal and Image Processing, ISTE Ltd., London. [11] Vijayaraghavan, K., Parpyani, K., Thakwani, S. A., Iyengar, D. N. C. S. N. 2009, Methods of Increasing Spatial Resolution of Digital Images with Minimum Detail, 2009 Fifth International Conference on Image and Graphics, ss [12] Keys, R., "Cubic convolution interpolation for digital image processing," Acoustics, Speech and Signal Processing, IEEE Transactions on, vol.29, no.6, pp.1153,1160, Dec 1981 doi: /TASSP

51 [13] Amro, I., Mateos, J., Vega, M., Molina, R. ve Katsaggelos, A. K., 2011, A survey of classical methods and new trends in pansharpening of multispectral images, Advances in Signal Processing. [14] Akoğuz, A., 2013, Uzaktan Algılamada Görüntü Birleştirme Algoritmalarının Karşlaştırılması, Yüksek Lisans Tezi, İ.T.Ü. Fen Bilimleri Enstitüsü, İstanbul. [15] Gillespie, A. R., Walker, K. A. B. ve Walker, R. E., 1987, Color Enhancement of Highly Correlated Images-II. Channel Ratio and Chromaticity Transform Techniques, Remote Sensing of Environment, 22, [16] Mitchell, H., 2010, Image Fusion - Theories, Techniques and Applications, Springer, Berlin. [17] Fairchild, M. D., 2005, Color Appearance Models 2nd Ed., John Wiley & Sons Ltd., Chichester. [18] Al-Wassai, F. A., Kalyankar, N. ve Al-Zuky, A. A., 2011, Arithmetic and Frequency Filtering Methods of Pixel-Based Image Fusion Techniques, International Journal of Advanced Research in Computer Science, 2/5. [19] Lillo-Saavedra, M., Gonzalo, C. ve Arquero, A., 2005, Fusion of multispectral and panchromatic satellite sensor imagery based on tailored filtering in the Fourier domain, International Journal of Remote Sensing. [20] Hu, L., Xiangli, B., Su, L. ve Yuan, Y., 2012, Fusion Of Multispectral and Panchromatic Images Using Lab Transform Based on Fourier Filtering, Geoscience and Remote Sensing Symposium, ss [21] P alsson, F., 2013, Pansharpening and Classification of Pansharpened Images, PhD Thesis, University of Iceland, Reykjavik. 38

52 6. EKLER EK A: Birleştirme Kalite Değerlendirme Çizelgeleri EK B: Referans Görüntüler ve Birleştirilen Görüntüler 39

53 EK A Çizelge A.1: Gebze MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme değerleri Süzgeç Tipi DFT DFT (Histogram Eşlenmiş) B1 10, , İdeal B2 11, , B3 12, , B1 11, , Butterworth B2 11, , B3 12, , B1 10, , Gaussian B2 11, , B3 12, , B1 11, , Hanning B2 11, , B3 12, , B1 12, , Hamming B2 12, , B3 13, ,

54 Çizelge A.2: Gebze MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB görüntü birleştirme değerleri Süzgeç Tipi IHS + DFT IHS + DFT (Histogram Eşlenmiş) CIELAB + DFT (Histogram Eşlenmiş) B1 10, , , İdeal B2 10, , , B3 10, , , B1 11, , , Butterworth B2 11, , , B3 11, , , B1 10, , , Gaussian B2 10, , , B3 10, , , B1 11, , , Hanning B2 11, , , B3 11, , , B1 12, , , Hamming B2 12, , , B3 12, , ,

55 Çizelge A.3: Gebze MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme değerleri Süzgeç Tipi HFM HFM (Histogram Eşlenmiş) B1 14, , İdeal B2 14, , B3 14, , B1 12, , Butterworth B2 12, , B3 12, , B1 15, , Gaussian B2 15, , B3 15, , B1 12, , Hanning B2 12, , B3 12, , B1 13, , Hamming B2 13, , B3 13, , Çizelge A.4: Gebze MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIEALB görüntü birleştirme değerleri Brovey Brovey (Histogram Eşlenmiş) IHS IHS (Histogram Eşlenmiş) CIELAB (Histogram Eşlenmiş) B1 10, , , , , B2 10, , , , , B3 10, , , , ,

56 Çizelge A.5: Gebze MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme değerleri Süzgeç Tipi DFT DFT (Histogram Eşlenmiş) B1 0, , İdeal B2 0, , B3 0, , B1 0, , Butterworth B2 0, , B3 0, , B1 0, , Gaussian B2 0, , B3 0, , B1 0, , Hanning B2 0, , B3 0, , B1 0, , Hamming B2 0, , B3 0, ,

57 Çizelge A.6: Gebze MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB görüntü birleştirme değerleri Süzgeç Tipi IHS + DFT IHS + DFT (Histogram Eşlenmiş) CIELAB + DFT (Histogram Eşlenmiş) B1 0, , , İdeal B2 0, , , B3 0, , , B1 0, , , Butterworth B2 0, , , B3 0, , , B1 0, , , Gaussian B2 0, , , B3 0, , , B1 0, , , Hanning B2 0, , , B3 0, , , B1 0, , , Hamming B2 0, , , B3 0, , ,

58 Çizelge A.7: Gebze MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme değerleri Süzgeç Tipi HFM HFM (Histogram Eşlenmiş) B1 0, , İdeal B2 0, , B3 0, , B1 0, , Butterworth B2 0, , B3 0, , B1 0, , Gaussian B2 0, , B3 0, , B1 0, , Hanning B2 0, , B3 0, , B1 0, , Hamming B2 0, , B3 0, , Çizelge A.8: Gebze MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIELAB görüntü birleştirme değerleri Brovey Brovey (Histogram Eşlenmiş) IHS IHS (Histogram Eşlenmiş) CIELAB (Histogram Eşlenmiş) B1 0, , , , , B2 0, , , , , B3 0, , , , ,

59 Çizelge A.9: Gebze MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri Süzgeç Tipi DFT DFT (Histogram Eşlenmiş) İdeal 11, , , , RASE 5, , ERGAS 0, , Butterworth Gaussian Hanning Hamming 12, , , , RASE 5, , ERGAS 0, , , , , , RASE 5, , ERGAS 0, , , , , , RASE 5, , ERGAS 0, , , , , , , , ERGAS 0, ,

60 Çizelge A.10: Gebze MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB + DFT görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri Süzgeç Tipi İdeal IHS + DFT IHS + DFT (Histogram Eşlenmiş) CIELAB + DFT (Histogram Eşlenmiş) 11, , , , , , RASE 5, , , Butterworth Gaussian Hanning Hamming ERGAS 0, , , , , , , , , RASE 5, , , ERGAS 0, , , , , , , , , RASE 5, , , ERGAS 0, , , , , , , , , RASE 5, , , ERGAS 0, , , , , , RASE 0, , , , , , ERGAS 0, , ,

61 Çizelge A.11: Gebze MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri Süzgeç Tipi İdeal HFM HFM (Histogram Eşlenmiş) 15, , , , RASE 7, , Butterworth Gaussian Hanning Hamming ERGAS 0, , , , , , RASE 5, , ERGAS 0, , , , , , RASE 8, , ERGAS 0, , , , , , RASE 5, , ERGAS 0, , , , , , RASE 6, , ERGAS 0, ,

62 Çizelge A.12: Gebze MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIELAB görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri Brovey Brovey (Histogram Eşlenmiş) IHS IHS (Histogram Eşlenmiş) CIELAB (Histogram Eşlenmiş) 10, , , , , , , , , , RASE 5, , , , , ERGAS 0, , , , ,

63 Çizelge A.13: İstanbul ormanı MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme değerleri Süzgeç Tipi DFT DFT (Histogram Eşlenmiş) B1 13, , İdeal B2 13, , B3 13, , B1 13, , Butterworth B2 13, , B3 13, , B1 13, , Gaussian B2 13, , B3 13, , B1 13, , Hanning B2 13, , B3 13, , B1 14, , Hamming B2 14, , B3 14, ,

64 Çizelge A.14: İstanbul ormanı MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB görüntü birleştirme değerleri Süzgeç Tipi IHS + DFT IHS + DFT (Histogram Eşlenmiş) CIELAB + DFT (Histogram Eşlenmiş) B1 13, , , İdeal B2 13, , , B3 13, , , B1 13, , , Butterworth B2 13, , , B3 13, , , B1 13, , , Gaussian B2 13, , , B3 13, , , B1 13, , , Hanning B2 13, , , B3 13, , , B1 13, , , Hamming B2 13, , , B3 13, , ,

65 Çizelge A.15: İstanbul ormanı MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme değerleri Süzgeç Tipi HFM HFM (Histogram Eşlenmiş) B1 12, , İdeal B2 12, , B3 12, , B1 11, , Butterworth B2 11, , B3 11, , B1 12, , Gaussian B2 12, , B3 12, , B1 11, , Hanning B2 11, , B3 11, , B1 11, , Hamming B2 11, , B3 11, , Çizelge A.16: İstanbul ormanı MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIEALB görüntü birleştirme değerleri Brovey Brovey (Histogram Eşlenmiş) IHS IHS (Histogram Eşlenmiş) CIELAB (Histogram Eşlenmiş) B1 9, , , , , B2 9, , , , , B3 9, , , , ,

66 Çizelge A.17: İstanbul ormanı MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme değerleri Süzgeç Tipi DFT DFT (Histogram Eşlenmiş) B1 0, , İdeal B2 0, , B3 0, , B1 0, , Butterworth B2 0, , B3 0, , B1 0, , Gaussian B2 0, , B3 0, , B1 0, , Hanning B2 0, , B3 0, , B1 0, , Hamming B2 0, , B3 0, ,

67 Çizelge A.18: İstanbul ormanı MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB görüntü birleştirme değerleri Süzgeç Tipi IHS + DFT IHS + DFT (Histogram Eşlenmiş) CIELAB + DFT (Histogram Eşlenmiş) B1 0, , , İdeal B2 0, , , B3 0, , , B1 0, , , Butterworth B2 0, , , B3 0, , , B1 0, , , Gaussian B2 0, , , B3 0, , , B1 0, , , Hanning B2 0, , , B3 0, , , B1 0, , , Hamming B2 0, , , B3 0, , ,

68 Çizelge A.19: İstanbul ormanı MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme değerleri Süzgeç Tipi HFM HFM (Histogram Eşlenmiş) B1 0, , İdeal B2 0, , B3 0, , B1 0, , Butterworth B2 0, , B3 0, , B1 0, , Gaussian B2 0, , B3 0, , B1 0, , Hanning B2 0, , B3 0, , B1 0, , Hamming B2 0, , B3 0, , Çizelge A.20: İstanbul ormanı MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIELAB görüntü birleştirme değerleri Brovey Brovey (Histogram Eşlenmiş) IHS IHS (Histogram Eşlenmiş) CIELAB (Histogram Eşlenmiş) B1 0, , , , , B2 0, , , , , B3 0, , , , ,

69 Çizelge A.21: İstanbul ormanı MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri Süzgeç Tipi DFT DFT (Histogram Eşlenmiş) İdeal 10, , , , RASE 1, , Butterworth Gaussian Hanning Hamming ERGAS 0, , , , , , RASE 1, , ERGAS 0, , , , , , RASE 1, , ERGAS 0, , , , , , RASE 1, , ERGAS 0, , , , , , , , ERGAS 0, ,

70 Çizelge A.22: İstanbul ormanı MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB + DFT görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri Süzgeç Tipi İdeal IHS + DFT IHS + DFT (Histogram Eşlenmiş) CIELAB + DFT (Histogram Eşlenmiş) 10, , , , , , RASE 1, , , Butterworth Gaussian Hanning Hamming ERGAS 0, , , , , , , , , RASE 1, , , ERGAS 0, , , , , , , , , RASE 1, , , ERGAS 0, , , , , , , , , RASE 1, , , ERGAS 0, , , , , , RASE 0, , , , , , ERGAS 0, , ,

71 Çizelge A.23: İstanbul ormanı MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri Süzgeç Tipi İdeal HFM HFM (Histogram Eşlenmiş) 10, , , , RASE 1, , Butterworth Gaussian Hanning Hamming ERGAS 0, , , , , , RASE 1, , ERGAS 0, , , , , , RASE 1, , ERGAS 0, , , , , , RASE 1, , ERGAS 0, , , , , , RASE 1, , ERGAS 0, ,

72 Çizelge A.24: İstanbul ormanı MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIELAB görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri Brovey Brovey (Histogram Eşlenmiş) IHS IHS (Histogram Eşlenmiş) CIELAB (Histogram Eşlenmiş) 8, , , , , , , , , , RASE 2, , , , , ERGAS 0, , , , ,

73 Çizelge A.25: Urfa MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme değerleri Süzgeç Tipi DFT DFT (Histogram Eşlenmiş) B1 4, , İdeal B2 4, , B3 4, , B1 4, , Butterworth B2 4, , B3 4, , B1 4, , Gaussian B2 4, , B3 4, , B1 4, , Hanning B2 4, , B3 4, , B1 5, , Hamming B2 5, , B3 5, ,

74 Çizelge A.26: Urfa MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB görüntü birleştirme değerleri Süzgeç Tipi IHS + DFT IHS + DFT (Histogram Eşlenmiş) CIELAB + DFT (Histogram Eşlenmiş) B1 4, , , İdeal B2 4, , , B3 4, , , B1 4, , , Butterworth B2 4, , , B3 4, , , B1 4, , , Gaussian B2 4, , , B3 4, , , B1 4, , , Hanning B2 4, , , B3 4, , , B1 4, , , Hamming B2 4, , , B3 4, , ,

75 Çizelge A.27: Urfa MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme değerleri Süzgeç Tipi HFM HFM (Histogram Eşlenmiş) B1 6, , İdeal B2 6, , B3 6, , B1 5, , Butterworth B2 5, , B3 5, , B1 6, , Gaussian B2 6, , B3 6, , B1 5, , Hanning B2 5, , B3 5, , B1 6, , Hamming B2 6, , B3 6, , Çizelge A.28: Urfa MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIEALB görüntü birleştirme değerleri Brovey Brovey (Histogram Eşlenmiş) IHS IHS (Histogram Eşlenmiş) CIELAB (Histogram Eşlenmiş) B1 4, , , , , B2 4, , , , , B3 4, , , , ,

76 Çizelge A.29: Urfa MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme değerleri Süzgeç Tipi DFT DFT (Histogram Eşlenmiş) B1 0, , İdeal B2 0, , B3 0, , B1 0, , Butterworth B2 0, , B3 0, , B1 0, , Gaussian B2 0, , B3 0, , B1 0, , Hanning B2 0, , B3 0, , B1 0, , Hamming B2 0, , B3 0, ,

77 Çizelge A.30: Urfa MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB görüntü birleştirme değerleri Süzgeç Tipi IHS + DFT IHS + DFT (Histogram Eşlenmiş) CIELAB + DFT (Histogram Eşlenmiş) B1 0, , , İdeal B2 0, , , B3 0, , , B1 0, , , Butterworth B2 0, , , B3 0, , , B1 0, , , Gaussian B2 0, , , B3 0, , , B1 0, , , Hanning B2 0, , , B3 0, , , B1 0, , , Hamming B2 0, , , B3 0, , ,

78 Çizelge A.31: Urfa MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme değerleri Süzgeç Tipi HFM HFM (Histogram Eşlenmiş) B1 0, , İdeal B2 0, , B3 0, , B1 0, , Butterworth B2 0, , B3 0, , B1 0, , Gaussian B2 0, , B3 0, , B1 0, , Hanning B2 0, , B3 0, , B1 0, , Hamming B2 0, , B3 0, , Çizelge A.32: Urfa MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIELAB görüntü birleştirme değerleri Brovey Brovey (Histogram Eşlenmiş) IHS IHS (Histogram Eşlenmiş) CIELAB (Histogram Eşlenmiş) B1 0, , , , , B2 0, , , , , B3 0, , , , ,

79 Çizelge A.33: Urfa MS ve PAN görüntüleri için DFT ve histogram eşlemeli DFT görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri Süzgeç Tipi DFT DFT (Histogram Eşlenmiş) İdeal 5, , , , RASE 1, , Butterworth Gaussian Hanning Hamming ERGAS 0, , , , , , RASE 1, , ERGAS 0, , , , , , RASE 1, , ERGAS 0, , , , , , RASE 1, , ERGAS 0, , , , , , , , ERGAS 0, ,

80 Çizelge A.34: Urfa MS ve PAN görüntüleri için IHS + DFT, histogram eşlemeli IHS + DFT ve histogram eşlemeli CIELAB + DFT görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri Süzgeç Tipi İdeal IHS + DFT IHS + DFT (Histogram Eşlenmiş) CIELAB + DFT (Histogram Eşlenmiş) 5, , , , , , RASE 1, , , Butterworth Gaussian Hanning Hamming ERGAS 0, , , , , , , , , RASE 1, , , ERGAS 0, , , , , , , , , RASE 1, , , ERGAS 0, , , , , , , , , RASE 1, , , ERGAS 0, , , , , , RASE 0, , , , , , ERGAS 0, , ,

81 Çizelge A.35: Urfa MS ve PAN görüntüleri için HFM ve histogram eşlemeli HFM görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri Süzgeç Tipi İdeal HFM HFM (Histogram Eşlenmiş) 6, , , , RASE 2, , Butterworth Gaussian Hanning Hamming ERGAS 0, , , , , , RASE 1, , ERGAS 0, , , , , , RASE 2, , ERGAS 0, , , , , , RASE 1, , ERGAS 0, , , , , , RASE 2, , ERGAS 0, ,

82 Çizelge A.36: Urfa MS ve PAN görüntüleri için Brovey, histogram eşlemeli Brovey, IHS, histogram eşlemeli IHS ve histogram eşlemeli CIELAB görüntü birleştirme ortalama, ortalama, RASE ve ERGAS değerleri Brovey Brovey (Histogram Eşlenmiş) IHS IHS (Histogram Eşlenmiş) CIELAB (Histogram Eşlenmiş) 4, , , , , , , , , , RASE 2, , , , , ERGAS 0, , , , ,

83 EK B Şekil B.1: Orijinal Gebze SPOT 6 MS görüntü 70

84 Şekil B.2: Orijinal Gebze SPOT 6 PAN görüntü 71

85 Şekil B.3: Orijinal İstanbul orman bölgesi SPOT 6 MS görüntü 72

86 Şekil B.4: Orijinal İstanbul orman bölgesi SPOT 6 PAN görüntü 73

87 Şekil B.5: Orijinal Urfa tarım arazisi SPOT 6 MS görüntü 74

88 Şekil B.6: Orijinal Urfa tarım arazisi SPOT 6 PAN görüntü 75

89 Şekil B.7: Histogram eşlemeli, Gaussian süzgeçli IHS dönüşümü + DFT yöntemiyle birleştirilmiş görüntü 76

90 Şekil B.8: Histogram eşlemeli, Gaussian süzgeçli DFT yöntemiyle birleştirilmiş görüntü 77

91 Şekil B.9: Histogram eşlemeli, İdeal süzgeçli DFT yöntemiyle birleştirilmiş görüntü 78

92 Şekil B.10: Histogram eşlemeli, Gaussian süzgeçli DFT yöntemiyle birleştirilmiş görüntü 79

93 (a) (b) Şekil B.11: Görüntü birleştirmede kullanılan Gebze şehir bölgesine ait (a) PAN ve (b) MS görüntü 80

94 (a) (b) Şekil B.12: Görüntü birleştirmede kullanılan İstanbul orman bölgesine ait (a) PAN ve (b) MS görüntü 81

95 (a) (b) Şekil B.13: Görüntü birleştirmede kullanılan Urfa tarım arazisi bölgesine ait (a) PAN ve (b) MS görüntü 82

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 8 Multispektral Görüntüleme ve Uygulamaları Alp Ertürk alp.erturk@kocaeli.edu.tr Multispektral Görüntüleme Her piksel için birkaç adet spektral kanalda ölçüm değeri

Detaylı

ULUSAL COĞRAFİ BILGİ SISTEMLERİ KONGRESİ 30 Ekim 02 Kasım 2007, KTÜ, Trabzon

ULUSAL COĞRAFİ BILGİ SISTEMLERİ KONGRESİ 30 Ekim 02 Kasım 2007, KTÜ, Trabzon ULUSAL COĞRAFİ BILGİ SISTEMLERİ KONGRESİ 30 Ekim 02 Kasım 2007, KTÜ, Trabzon Uydu Verilerinin Farklı Yöntemlerle Karılması ve Sonuçların Karşılaştırılması Öğr. Gör. Bora UĞURLU Prof. Dr. Hülya YILDIRIM

Detaylı

Elektromanyetik Radyasyon (Enerji) Nedir?

Elektromanyetik Radyasyon (Enerji) Nedir? Elektromanyetik Radyasyon (Enerji) Nedir? Atomlardan çeşitli şekillerde ortaya çıkan enerji türleri ve bunların yayılma şekilleri "elektromagnetik radyasyon" olarak adlandırılır. İçinde X ve γ ışınlarının

Detaylı

UYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA

UYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA UYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında ucuz ve hızlı sonuç alınabilen uzaktan algılama tekniğinin, yenilenebilir

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 5 Görüntü Süzgeçleme ve Gürültü Giderimi Alp Ertürk alp.erturk@kocaeli.edu.tr Motivasyon: Gürültü Giderimi Bir kamera ve sabit bir sahne için gürültüyü nasıl azaltabiliriz?

Detaylı

Sayısal Filtre Tasarımı

Sayısal Filtre Tasarımı Sayısal Filtre Tasarımı Sayısal Filtreler Filtreler ayrık zamanlı sistemlerdir. Filtreler işaretin belirli frekanslarını güçlendirmek veya zayıflatmak, belirli frekanslarını tamamen bastırmak veya belirli

Detaylı

ORM 7420 ORMAN KAYNAKLARININ PLANLANMASINDA UYGU GÖRÜNTÜLERİNİN KULLANILMASI

ORM 7420 ORMAN KAYNAKLARININ PLANLANMASINDA UYGU GÖRÜNTÜLERİNİN KULLANILMASI ORM 7420 ORMAN KAYNAKLARININ PLANLANMASINDA UYGU GÖRÜNTÜLERİNİN KULLANILMASI Yrd. Doç. Dr. Uzay KARAHALİL III. Hafta (Uyduların Detay Tanıtımı Sunum Akışı Doğal Kaynak İzleyen Uygular Hangileri Uyduların

Detaylı

UYDU VERİLERİ İLE VERİ ENTEGRASYONU VE YÖNTEMLERİ

UYDU VERİLERİ İLE VERİ ENTEGRASYONU VE YÖNTEMLERİ 660 [1016] UYDU VERİLERİ İLE VERİ ENTEGRASYONU VE YÖNTEMLERİ Sakine KANDİL 1, H.Gonca COŞKUN 2 ÖZET 1 Müh., İstanbul Teknik Üniversitesi, Geomatik Mühendisliği Bölümü, 34469, Maslak, İstanbul, kandils@itu.edu.tr

Detaylı

FARKLI UYDU VERİ ÇAKIŞTIRMA TEKNİKLERİNİN ANALİZİ

FARKLI UYDU VERİ ÇAKIŞTIRMA TEKNİKLERİNİN ANALİZİ FARKLI UYDU VERİ ÇAKIŞTIRMA TEKNİKLERİNİN ANALİZİ Özge KAYMAN 1, Filiz SUNAR 2, Derya MAKTAV 3 1 İstanbul Teknik Üniversitesi, Geomatik Mühendisliği Bölümü, 34469, Maslak, İstanbul. ozgekayman@gmail.com

Detaylı

MOD419 Görüntü İşleme

MOD419 Görüntü İşleme MOD419 Görüntü İşleme Ders Kitabı: Digital Image Processing by Gonzalez and Woods Puanlama: %30 Lab. %20 Vize %10 Quizes %40 Final %60 devam mecburiyeti Görüntü İşleme ye Giriş Görüntü İşleme Nedir? Özellikle

Detaylı

UZAKTAN ALGILAMA- UYGULAMA ALANLARI

UZAKTAN ALGILAMA- UYGULAMA ALANLARI UZAKTAN ALGILAMA- UYGULAMA ALANLARI Doç. Dr. Nebiye Musaoğlu nmusaoglu@ins.itu.edu.tr İTÜ İnşaat Fakültesi Jeodezi ve Fotogrametri Mühendisliği Bölümü Uzaktan Algılama Anabilim Dalı UZAKTAN ALGILAMA-TANIM

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 4 Pasif - Aktif Alıcılar, Çözünürlük ve Spektral İmza Kavramları Alp Ertürk alp.erturk@kocaeli.edu.tr Pasif Aktif Alıcılar Pasif alıcılar fiziksel ortamdaki bilgileri

Detaylı

ORM 7420 USING SATELLITE IMAGES IN FOREST RESOURCE PLANNING

ORM 7420 USING SATELLITE IMAGES IN FOREST RESOURCE PLANNING ORM 7420 USING SATELLITE IMAGES IN FOREST RESOURCE PLANNING Asst. Prof. Dr. Uzay KARAHALİL Week IV NEDEN UYDU GÖRÜNTÜLERİ KULLANIRIZ? Sayısaldır (Dijital), - taramaya gerek yoktur Hızlıdır Uçuş planı,

Detaylı

Doğal Kaynak Gözlem Uyduları

Doğal Kaynak Gözlem Uyduları Doğal Kaynak Gözlem Uyduları Landsat Uyduları Yeryüzündeki doğal kaynakların incelenmesi amacı ile NASA tarafından 1972 yılında LANDSAT uyduları programı başlatılmıştır. İlk LANDSAT uydusu ERST-I (Earth

Detaylı

TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun.

TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Doç.Dr.Mehmet MISIR-2013 TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 4 Pasif - Aktif Alıcılar, Çözünürlük ve Spektral İmza Alp Ertürk alp.erturk@kocaeli.edu.tr Pasif Aktif Alıcılar Pasif alıcılar fiziksel ortamdaki bilgileri pasif olarak

Detaylı

DENEY 3: DTMF İŞARETLERİN ÜRETİLMESİ VE ALGILANMASI

DENEY 3: DTMF İŞARETLERİN ÜRETİLMESİ VE ALGILANMASI DENEY 3: DTMF İŞARETLERİN ÜRETİLMESİ VE ALGILANMASI AMAÇ: DTMF işaretlerin yapısının, üretim ve algılanmasının incelenmesi. MALZEMELER TP5088 ya da KS58015 M8870-01 ya da M8870-02 (diğer eşdeğer entegreler

Detaylı

Yrd. Doç. Dr. Aycan M. MARANGOZ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ FOTOGRAMETRİ ANABİLİM DALI SUNULARI JDF435 UZAKTAN ALGILAMA DERSİ NOTLARI

Yrd. Doç. Dr. Aycan M. MARANGOZ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ FOTOGRAMETRİ ANABİLİM DALI SUNULARI JDF435 UZAKTAN ALGILAMA DERSİ NOTLARI UZAKTAN ALGILAMA Sayısal Görüntü ve Özellikleri GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ FOTOGRAMETRİ ANABİLİM DALI SUNULARI JDF435 UZAKTAN ALGILAMA DERSİ NOTLARI http://jeodezi.karaelmas.edu.tr/linkler/akademik/marangoz

Detaylı

DENEY 1: Matlab de Temel Haberleşme Sistemleri Uygulamaları

DENEY 1: Matlab de Temel Haberleşme Sistemleri Uygulamaları DENEY 1: Matlab de Temel Haberleşme Sistemleri Uygulamaları AMAÇ: MATLAB programının temel özelliklerinin öğrenilmesi, analog işaretler ve sistemlerin sayısal bir ortamda benzetiminin yapılması ve incelenmesi.

Detaylı

OPTİK UYDU GÖRÜNTÜLERİNİN BİRLEŞTİRİLMESİNDE FREKANS BÖLGESİ FİLTRELERİNİN KARŞILAŞTIRILMASI YÜKSEK LİSANS TEZİ. Kübra Nur BULUT ( )

OPTİK UYDU GÖRÜNTÜLERİNİN BİRLEŞTİRİLMESİNDE FREKANS BÖLGESİ FİLTRELERİNİN KARŞILAŞTIRILMASI YÜKSEK LİSANS TEZİ. Kübra Nur BULUT ( ) İSTANBUL TEKNİK ÜNİVERSİTESİ BİLİŞİM ENSTİTÜSÜ OPTİK UYDU GÖRÜNTÜLERİNİN BİRLEŞTİRİLMESİNDE FREKANS BÖLGESİ FİLTRELERİNİN KARŞILAŞTIRILMASI YÜKSEK LİSANS TEZİ Kübra Nur BULUT (705091028) İletişim Sistemleri

Detaylı

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

Yrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2015-2016 Öğretim Yılı Bahar Dönemi 1 A- Enerji Kaynağı / Aydınlatma B- Işıma ve atmosfer C- Hedef nesneyle etkileşim D- Nesneden yansıyan /

Detaylı

UZAKTAN ALGILAMADA GÖRÜNTÜ BİRLEŞTİRME İÇİN KALİTE ANALİZLERİ

UZAKTAN ALGILAMADA GÖRÜNTÜ BİRLEŞTİRME İÇİN KALİTE ANALİZLERİ UZAKTAN ALGILAMADA GÖRÜNTÜ BİRLEŞTİRME İÇİN KALİTE ANALİZLERİ Eminnur AYHAN 1, Gülçin ATAY 2 1 Doç. Dr., Karadeniz Teknik Üniversitesi, Harita Mühendisliği Bölümü, 61080, Trabzon, Ayhan.eminnur@gmail.com

Detaylı

Görüntü İyileştirme Teknikleri. Hafta-8

Görüntü İyileştirme Teknikleri. Hafta-8 Görüntü İyileştirme Teknikleri Hafta-8 1 Spektral İyileştirme PCA (Principal Component Analysis) Dönüşümü. Türkçesi Ana Bileşenler Dönüşümü Decorrelation Germe Tasseled Cap RGB den IHS ye dönüşüm IHS den

Detaylı

İşaret ve Sistemler. Ders 1: Giriş

İşaret ve Sistemler. Ders 1: Giriş İşaret ve Sistemler Ders 1: Giriş Ders 1 Genel Bakış Haberleşme sistemlerinde temel kavramlar İşaretin tanımı ve çeşitleri Spektral Analiz Fazörlerin frekans düzleminde gösterilmesi. Periyodik işaretlerin

Detaylı

GÖRÜNTÜ BİRLEŞTİRME YÖNTEMLERİNİN SPEKTRAL DEĞERLERİ KORUMA AÇISINDAN KARŞILAŞTIRILMASI: WORLDVİEW-2 UYGULAMASI

GÖRÜNTÜ BİRLEŞTİRME YÖNTEMLERİNİN SPEKTRAL DEĞERLERİ KORUMA AÇISINDAN KARŞILAŞTIRILMASI: WORLDVİEW-2 UYGULAMASI GÖRÜNTÜ BİRLEŞTİRME YÖNTEMLERİNİN SPEKTRAL DEĞERLERİ KORUMA AÇISINDAN KARŞILAŞTIRILMASI: WORLDVİEW-2 UYGULAMASI Bekir GÜL 1, ÇağlarYILDIRMIŞ 2, Abdullah DEĞER 3, Mustafa ERDOĞAN 4, Ali ULUBAY 5 1 Harita

Detaylı

Uzaktan Algılama (3) Yrd. Doç. Dr. Özgür ZEYDAN Renk Teorileri

Uzaktan Algılama (3) Yrd. Doç. Dr. Özgür ZEYDAN   Renk Teorileri Uzaktan Algılama (3) Yrd. Doç. Dr. Özgür ZEYDAN http://cevre.beun.edu.tr/zeydan/ Renk Teorileri Eklemeli renk teorisi Çıkarmalı renk teorisi 1 RGB (Red Green - Blue) Kavramı Red Green - Blue RGB-Mixer

Detaylı

İLERİ GÖRÜNTÜ İŞLEME Ders-1

İLERİ GÖRÜNTÜ İŞLEME Ders-1 İLERİ GÖRÜNTÜ İŞLEME Ders- Elektromanyetik Spektrum Görünür Bölge 7 nm 4 nm Temel Kavramlar (Prof. Dr. Sarp ERTÜRK) 9/24/24 2 Hazırlayan: M. Kemal GÜLLÜ Sayısal İmge Gösterimi f x, y imgesi örneklendiğinde

Detaylı

FOTOYORUMLAMA UZAKTAN ALGILAMA

FOTOYORUMLAMA UZAKTAN ALGILAMA FOTOYORUMLAMA VE UZAKTAN ALGILAMA (Photointerpretation and Remote Sensing) 1 Görüntü özellikleri Uzaktan algılamada platformlar Uydu yörüngeleri Şerit genişliği, yeniden ziyaret periyodu 2 Görüntünün özellikleri:

Detaylı

GÖRÜNTÜ İŞLEME HAFTA 2 SAYISAL GÖRÜNTÜ TEMELLERİ

GÖRÜNTÜ İŞLEME HAFTA 2 SAYISAL GÖRÜNTÜ TEMELLERİ GÖRÜNTÜ İŞLEME HAFTA 2 SAYISAL GÖRÜNTÜ TEMELLERİ GÖRÜNTÜ ALGILAMA Üç temel zar ile kaplıdır. 1- Dış Zar(kornea ve Sklera) 2- Koroid 3- Retina GÖRÜNTÜ ALGILAMA ---Dış Zar İki kısımdan oluşur. Kornea ve

Detaylı

Ayrık Fourier Dönüşümü

Ayrık Fourier Dönüşümü Ayrık Fourier Dönüşümü Tanım: 0 n N 1 aralığında tanımlı N uzunluklu bir dizi x[n] nin AYRIK FOURIER DÖNÜŞÜMÜ (DFT), ayrık zaman Fourier dönüşümü (DTFT) X(e jω ) nın0 ω < 2π aralığında ω k = 2πk/N, k =

Detaylı

Bölüm 7 Renkli Görüntü İşleme

Bölüm 7 Renkli Görüntü İşleme BLM429 Görüntü İşlemeye Giriş Bölüm 7 Renkli Görüntü İşleme Dr. Öğr. Üyesi Caner ÖZCAN Genç sanatçının, rengin sadece tanımlayıcı değil aynı zamanda kişisel ifade anlamına geldiğini anlaması renge dokunmasından

Detaylı

Görüntü İşleme. K.Sinan YILDIRIM Cenk İNCE Tahir Emre KALAYCI. Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 2003

Görüntü İşleme. K.Sinan YILDIRIM Cenk İNCE Tahir Emre KALAYCI. Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 2003 Görüntü İşleme K.Sinan YILDIRIM Cenk İNCE Tahir Emre KALAYCI Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 2003 İçerik Görüntü İşleme Nedir? Görüntü Tanımlamaları Görüntü Operasyonları Görüntü İşleme

Detaylı

Yüksek Çözünürlüklü Uydu Görüntüleri için Pankromatik Keskinleştirme Yöntemi

Yüksek Çözünürlüklü Uydu Görüntüleri için Pankromatik Keskinleştirme Yöntemi Yüksek Çözünürlüklü Uydu Görüntüleri için Pankromatik Keskinleştirme Yöntemi Selçuk SÜMENGEN (a), Çağlar ŞENARAS (a), Ahmet ERDEM (a) (a) HAVELSAN AŞ., 06531, Ankara, ssumengen@havelsan.com.tr csenaras@havelsan.com.tr

Detaylı

Deney 5 : Ayrık Filtre Tasarımı. Prof. Dr. Aydın Akan Bahattin Karakaya Umut Gündoğdu Yeşim Hekim Tanç

Deney 5 : Ayrık Filtre Tasarımı. Prof. Dr. Aydın Akan Bahattin Karakaya Umut Gündoğdu Yeşim Hekim Tanç İ. Ü. Elektrik&Elektronik Müh. Böl. İŞARET İŞLEME ve UYGULAMALARI Deney 5 : Ayrık Filtre Tasarımı Prof. Dr. Aydın Akan Bahattin Karakaya Umut Gündoğdu Yeşim Hekim Tanç Deney 5 : Ayrık Filtre Tasarımı 1.

Detaylı

Uzaktan Algılama (3) Öğr. Gör. Dr. Özgür ZEYDAN http://cevre.beun.edu.tr/zeydan/ Renk Teorileri

Uzaktan Algılama (3) Öğr. Gör. Dr. Özgür ZEYDAN http://cevre.beun.edu.tr/zeydan/ Renk Teorileri Uzaktan Algılama (3) Öğr. Gör. Dr. Özgür ZEYDAN http://cevre.beun.edu.tr/zeydan/ Renk Teorileri Eklemeli renk teorisi Çıkarmalı renk teorisi 1 RGB (Red Green - Blue) Kavramı Red Green - Blue RGB-Mixer

Detaylı

Bilgisayar ne elde eder (görüntüden)? Dijital Görüntü İşleme Fevzi Karslı, KTÜ. 08 Ekim 2013 Salı 51

Bilgisayar ne elde eder (görüntüden)? Dijital Görüntü İşleme Fevzi Karslı, KTÜ. 08 Ekim 2013 Salı 51 Bilgisayar ne elde eder (görüntüden)? 08 Ekim 2013 Salı 51 Zorluk 1: bakış açısı 2012, Selim Aksoy 08 Ekim 2013 Salı 52 Zorluk 2: aydınlatma 08 Ekim 2013 Salı 53 Zorluk 3: oklüzyon (ölü bölge oluşumu)

Detaylı

SİNYALLER VE SİSTEMLERİN MATLAB YARDIMIYLA BENZETİMİ

SİNYALLER VE SİSTEMLERİN MATLAB YARDIMIYLA BENZETİMİ SİNYALLER VE SİSTEMLERİN MATLAB YARDIMIYLA BENZETİMİ 2.1. Sinyal Üretimi Bu laboratuarda analog sinyaller ve sistemlerin sayısal bir ortamda benzetimini yapacağımız için örneklenmiş sinyaller üzerinde

Detaylı

Sürekli-zaman İşaretlerin Ayrık İşlenmesi

Sürekli-zaman İşaretlerin Ayrık İşlenmesi Sürekli-zaman İşaretlerin Ayrık İşlenmesi Bir sürekli-zaman işaretin sayısal işlenmesi üç adımdan oluşmaktadır: 1. Sürekli-zaman işaretinin bir ayrık-zaman işaretine dönüştürülmesi 2. Ayrık-zaman işaretin

Detaylı

GÖRÜNTÜ İŞLEME UYGULAMALARI. Arş. Gör. Dr. Nergis TURAL POLAT

GÖRÜNTÜ İŞLEME UYGULAMALARI. Arş. Gör. Dr. Nergis TURAL POLAT GÖRÜNTÜ İŞLEME UYGULAMALARI Arş. Gör. Dr. Nergis TURAL POLAT İçerik Görüntü işleme nedir, amacı nedir, kullanım alanları nelerdir? Temel kavramlar Uzaysal frekanslar Örnekleme (Sampling) Aynalama (Aliasing)

Detaylı

Yrd. Doç. Dr. Saygın ABDİKAN (Grup B) Öğretim Yılı Güz Dönemi

Yrd. Doç. Dr. Saygın ABDİKAN (Grup B) Öğretim Yılı Güz Dönemi Uzaktan Algılama (JDF439) Hiperspektral ve termal bantlı uydular Yrd. Doç. Dr. Saygın ABDİKAN (Grup B) 2016-2017 Öğretim Yılı Güz Dönemi 1 3 4 5 SPOT 6 6 Geçen ders: Mikrodalga algılama sistemleri Gündüz

Detaylı

Sevim Yasemin ÇİÇEKLİ 1, Coşkun ÖZKAN 2

Sevim Yasemin ÇİÇEKLİ 1, Coşkun ÖZKAN 2 1078 [1025] LANDSAT 8'İN ADANA SEYHAN BARAJ GÖLÜ KIYI ÇİZGİSİNİN AYLIK DEĞİŞİMİNİN BELİRLENMESİNDE KULLANILMASI Sevim Yasemin ÇİÇEKLİ 1, Coşkun ÖZKAN 2 1 Arş. Gör., Erciyes Üniversitesi, Harita Mühendisliği

Detaylı

RASAT VE GÖKTÜRK-2 GÖRÜNTÜLERİNDEN PAN- KESKİNLEŞTİRİLMİŞ GÖRÜNTÜ ÜRETİMİ VE KALİTE DEĞERLENDİRMESİ

RASAT VE GÖKTÜRK-2 GÖRÜNTÜLERİNDEN PAN- KESKİNLEŞTİRİLMİŞ GÖRÜNTÜ ÜRETİMİ VE KALİTE DEĞERLENDİRMESİ 437 [1130] RASAT VE GÖKTÜRK-2 GÖRÜNTÜLERİNDEN PAN- KESKİNLEŞTİRİLMİŞ GÖRÜNTÜ ÜRETİMİ VE KALİTE DEĞERLENDİRMESİ Mustafa ÖZENDİ 1, Hüseyin TOPAN 1, Ali CAM 1, Çağlar BAYIK 1 ÖZET 1 Bülent Ecevit Üniversitesi,

Detaylı

1. Değişik yeryüzü kabuk tiplerinin spektral yansıtma eğrilerinin durumu oranlama ile ortaya çıkarılabilmektedir.

1. Değişik yeryüzü kabuk tiplerinin spektral yansıtma eğrilerinin durumu oranlama ile ortaya çıkarılabilmektedir. ORAN GÖRÜNTÜLERİ Oran Görüntüsü Oran görüntülerini değişik şekillerde tanımlamak mümkündür; Bir görüntünün belirli bandındaki piksel parlaklık değerleri ile bunlara karşılık gelen ikinci bir banddaki piksel

Detaylı

Frekans domain inde İşlemler. BMÜ-357 Sayısal Görüntü İşleme Yrd. Doç. Dr. İlhan AYDIN

Frekans domain inde İşlemler. BMÜ-357 Sayısal Görüntü İşleme Yrd. Doç. Dr. İlhan AYDIN Frekans domain inde İşlemler BMÜ-357 Sayısal Görüntü İşleme Yrd. Doç. Dr. İlhan AYDIN Domain Dönüşümü Dönüşüm, bir sinyalin, başka parametrelerle ifade edilmesi şeklinde düşünülebilir. Ters dönüşüm ise,

Detaylı

Görüntü İşleme. Dijital Görüntü Tanımları. Dijital görüntü ise sayısal değerlerden oluşur.

Görüntü İşleme. Dijital Görüntü Tanımları. Dijital görüntü ise sayısal değerlerden oluşur. Görüntü İşleme Görüntü işleme, dijital bir resim haline getirilmiş olan gerçek yaşamdaki görüntülerin bir girdi resim olarak işlenerek, o resmin özelliklerinin ve görüntüsünün değiştirilmesidir. Resimler

Detaylı

Kameralar, sensörler ve sistemler

Kameralar, sensörler ve sistemler Dijital Fotogrametri Kameralar, sensörler ve sistemler Prof. Dr. Fevzi Karslı Harita Mühendisliği Bölümü, KTÜ fkarsli@ktu.edu.tr Analog Hava Kameraları Ana firmalar Zeiss, Wild ve Leica. Kullanılan bütün

Detaylı

T.C. TRAKYA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

T.C. TRAKYA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ T.C. TRAKYA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ Özvektörler Kullanılarak IHS Tabanlı Yeni Bir Yaklaşım ile Uydu Görüntülerinin Zenginleştirilmesi İrfan KÖSESOY Bilgisayar Mühendisliği Ana Bilim Dalı Yüksek

Detaylı

GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ

GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ GÖRÜNTÜ İŞLEME Hafta Hafta 1 Hafta 2 Hafta 3 Hafta 4 Hafta 5 Hafta 6 Hafta 7 Hafta 8 Hafta 9 Hafta 10 Hafta 11 Hafta 12 Hafta 13 Hafta 14 Konu Giriş Digital Görüntü Temelleri-1

Detaylı

YTÜ Makine Mühendisliği Bölümü Termodinamik ve Isı Tekniği Anabilim Dalı Özel Laboratuvar Dersi Radyasyon (Işınım) Isı Transferi Deneyi Çalışma Notu

YTÜ Makine Mühendisliği Bölümü Termodinamik ve Isı Tekniği Anabilim Dalı Özel Laboratuvar Dersi Radyasyon (Işınım) Isı Transferi Deneyi Çalışma Notu YTÜ Makine Mühendisliği Bölümü Termodinamik ve Isı Tekniği Anabilim Dalı Özel Laboratuvar Dersi Radyasyon (Işınım) Isı Transferi Deneyi Çalışma Notu Laboratuar Yeri: E1 Blok Termodinamik Laboratuvarı Laboratuar

Detaylı

Uzaktan Algılama ve Teknolojik Gelişmeler

Uzaktan Algılama ve Teknolojik Gelişmeler Uzaktan Algılama ve Teknolojik Gelişmeler 1 Uzaktan Algılama Nedir? Uzaktan Algılama Prensipleri Uydu Görüntülerinin Özellikleri ERDAS IMAGINE yazılımının sağladığı imkanlar 2 Uzaktan Algılama Fiziksel

Detaylı

Görüntü İyileştirme Teknikleri. Hafta-6

Görüntü İyileştirme Teknikleri. Hafta-6 Görüntü İyileştirme Teknikleri Hafta-6 Doç. Dr. Oğuz Güngör Karadeniz Teknik Üniversitesi Harita Mühendisliği Bölümü 6080 Trabzon ogungor@ktu.edu.tr İndisler Görüntü İyileştirme Teknikleri Radyometrik

Detaylı

SÜREKLĠ OLASILIK DAĞILIMLARI

SÜREKLĠ OLASILIK DAĞILIMLARI SÜREKLĠ OLASILIK DAĞILIMLARI Sayı ekseni üzerindeki tüm noktalarda değer alabilen değişkenler, sürekli değişkenler olarak tanımlanmaktadır. Bu bölümde, sürekli değişkenlere uygun olasılık dağılımları üzerinde

Detaylı

TÜRKİYE NİN BİTKİ ÖRTÜSÜ DEĞİŞİMİNİN NOAA UYDU VERİLERİ İLE BELİRLENMESİ*

TÜRKİYE NİN BİTKİ ÖRTÜSÜ DEĞİŞİMİNİN NOAA UYDU VERİLERİ İLE BELİRLENMESİ* TÜRKİYE NİN BİTKİ ÖRTÜSÜ DEĞİŞİMİNİN NOAA UYDU VERİLERİ İLE BELİRLENMESİ* Determination the Variation of The Vegetation in Turkey by Using NOAA Satellite Data* Songül GÜNDEŞ Fizik Anabilim Dalı Vedat PEŞTEMALCI

Detaylı

Dijital (Sayısal) Fotogrametri

Dijital (Sayısal) Fotogrametri Dijital (Sayısal) Fotogrametri Dijital fotogrametri, cisimlere ait iki boyutlu görüntü ortamından üç boyutlu bilgi sağlayan, sayısal resim veya görüntü ile çalışan fotogrametri bilimidir. Girdi olarak

Detaylı

Hiperspektral ve pankromatik uydu görüntülerinin birleştirilmesi: Görsel ve İstatistiksel Analiz

Hiperspektral ve pankromatik uydu görüntülerinin birleştirilmesi: Görsel ve İstatistiksel Analiz Hiperspektral ve pankromatik uydu görüntülerinin birleştirilmesi: Görsel ve İstatistiksel Analiz Müfit ÇETİN 1*, Nebiye MUSAOĞLU 2 1 Gebze Yüksek Teknoloji Enstitüsü, Jeodezi ve Fotogrametri Mühendisliği

Detaylı

PLÉİADES-1A GÖRÜNTÜLERİNİN GERÇEK GEOMETRİK ÇÖZÜNÜRLÜĞÜNÜN VE RADYOMETRİK KALİTESİNİN BELİRLENMESİ

PLÉİADES-1A GÖRÜNTÜLERİNİN GERÇEK GEOMETRİK ÇÖZÜNÜRLÜĞÜNÜN VE RADYOMETRİK KALİTESİNİN BELİRLENMESİ PLÉİADES-1A GÖRÜNTÜLERİNİN GERÇEK GEOMETRİK ÇÖZÜNÜRLÜĞÜNÜN VE RADYOMETRİK KALİTESİNİN BELİRLENMESİ Ali CAM 1, Hüseyin TOPAN 2, Mustafa ÖZENDİ 3, Murat ORUÇ 4 1 Müh., Bülent Ecevit Üniversitesi, Geomatik

Detaylı

Görüntü İyileştirme Teknikleri. Hafta-6

Görüntü İyileştirme Teknikleri. Hafta-6 Görüntü İyileştirme Teknikleri Hafta-6 Doç. Dr. Oğuz Güngör Karadeniz Teknik Üniversitesi Harita Mühendisliği Bölümü 618 Trabzon ogungor@ktu.edu.tr 1 İndisler Görüntü İyileştirme Teknikleri Radyometrik

Detaylı

Hafta 5 Uzamsal Filtreleme

Hafta 5 Uzamsal Filtreleme BLM429 Görüntü İşlemeye Giriş Hafta 5 Uzamsal Filtreleme Yrd. Doç. Dr. Caner ÖZCAN If the facts don't fit the theory, change the facts. ~Einstein İçerik 3. Yeğinlik Dönüşümleri ve Uzamsal Filtreleme Temel

Detaylı

Görüntü İşleme Dersi Ders-8 Notları

Görüntü İşleme Dersi Ders-8 Notları Görüntü İşleme Dersi Ders-8 Notları GRİ SEVİYE DÖNÜŞÜMLERİ Herhangi bir görüntü işleme operasyonu, görüntüdeki pikselin gri seviye değerlerini dönüştürme işlemidir. Ancak, görüntü işleme operasyonları;

Detaylı

Gama ışını görüntüleme: X ışını görüntüleme:

Gama ışını görüntüleme: X ışını görüntüleme: Elektronik ve Hab. Müh. Giriş Dersi Görüntü İşleme Yrd. Doç. Dr. M. Kemal GÜLLÜ Uygulama Alanları Gama ışını görüntüleme: X ışını görüntüleme: Uygulama Alanları Mor ötesi bandı görüntüleme: Görünür ve

Detaylı

Optik Filtrelerde Performans Analizi Performance Analysis of the Optical Filters

Optik Filtrelerde Performans Analizi Performance Analysis of the Optical Filters Optik Filtrelerde Performans Analizi Performance Analysis of the Optical Filters Gizem Pekküçük, İbrahim Uzar, N. Özlem Ünverdi Elektronik ve Haberleşme Mühendisliği Bölümü Yıldız Teknik Üniversitesi gizem.pekkucuk@gmail.com,

Detaylı

ANALOG FİLTRELEME DENEYİ

ANALOG FİLTRELEME DENEYİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ ANALOG FİLTRELEME DENEYİ Ölçme ve telekomünikasyon tekniğinde sık sık belirli frekans bağımlılıkları olan devreler gereklidir. Genellikle belirli bir frekans bandının

Detaylı

TIBBİ ENSTRUMANTASYON TASARIM VE UYGULAMALARI SAYISAL FİLTRELER

TIBBİ ENSTRUMANTASYON TASARIM VE UYGULAMALARI SAYISAL FİLTRELER TIBBİ ENSTRUMANTASYON TASARIM VE UYGULAMALARI SAYISAL FİLTRELER SUNU PLANI Analog sayısal çevirici FIR Filtreler IIR Filtreler Adaptif Filtreler Pan-Tompkins Algoritması Araş. Gör. Berat Doğan 08/04/2015

Detaylı

GÖRÜNTÜ İŞLEME HAFTA 4 DÖNÜŞÜMLER UZAYSAL FİLTRELEME

GÖRÜNTÜ İŞLEME HAFTA 4 DÖNÜŞÜMLER UZAYSAL FİLTRELEME GÖRÜNTÜ İŞLEME HAFTA 4 DÖNÜŞÜMLER UZAYSAL FİLTRELEME DERS İÇERİĞİ Histogram İşleme Filtreleme Temelleri HİSTOGRAM Histogram bir resimdeki renk değerlerinin sayısını gösteren grafiktir. Histogram dengeleme

Detaylı

İletişim Ağları Communication Networks

İletişim Ağları Communication Networks İletişim Ağları Communication Networks Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Behrouz A. Forouzan, Data Communications and Networking 4/E, McGraw-Hill,

Detaylı

PLÉIDAS-1A GÖRÜNTÜLERİNİN PAN-SHARPENING PERFORMANSININ İNCELENMESİ

PLÉIDAS-1A GÖRÜNTÜLERİNİN PAN-SHARPENING PERFORMANSININ İNCELENMESİ PLÉIDAS-1A GÖRÜNTÜLERİNİN PAN-SHARPENING PERFORMANSININ İNCELENMESİ Mustafa ÖZENDİ 1, Hüseyin TOPAN 2, Murat ORUÇ 3, Ali CAM 4 1 Arş. Gör., Bülent Ecevit Üniversitesi, Geomatik Mühendisliği Bölümü, İncivez

Detaylı

Yrd. Doç. Dr. Saygın ABDİKAN 2014-2015 Öğretim Yılı Bahar Dönemi

Yrd. Doç. Dr. Saygın ABDİKAN 2014-2015 Öğretim Yılı Bahar Dönemi Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2014-2015 Öğretim Yılı Bahar Dönemi 1 Dijital görüntü işlemede temel kavramlar Sayısal Görüntü İşleme; bilgisayar yardımı ile raster verilerin

Detaylı

KOCAELİ ÜNİVERSİTESİ ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ BÖLÜMÜ 2018/2019 GYY BİTİRME ÇALIŞMASI ÖNERİ FORMU. (Doç.Dr. M.

KOCAELİ ÜNİVERSİTESİ ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ BÖLÜMÜ 2018/2019 GYY BİTİRME ÇALIŞMASI ÖNERİ FORMU. (Doç.Dr. M. KOCAELİ ÜNİVERSİTESİ ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ BÖLÜMÜ 2018/2019 GYY BİTİRME ÇALIŞMASI ÖNERİ FORMU (Doç.Dr. M. Kemal GÜLLÜ) Derinlik kamerası ile alınan modellerin birleştirilmesi Derinlik kamerası,

Detaylı

Yrd. Doç. Dr. Saygın ABDİKAN (Grup B) Öğretim Yılı Güz Dönemi

Yrd. Doç. Dr. Saygın ABDİKAN (Grup B) Öğretim Yılı Güz Dönemi Uzaktan Algılama (JDF439) Çözünürlük kavramı Yrd. Doç. Dr. Saygın ABDİKAN (Grup B) 2016-2017 Öğretim Yılı Güz Dönemi 1 YANSIMA Doğada her nesne farklı yansıma özelliklerine sahiptir 2 Sağlıklı bitki örtüsünün

Detaylı

Uzaktan Algılama Teknolojisi. Doç. Dr. Taşkın Kavzoğlu Gebze Yüksek Teknoloji Enstitüsü Gebze, Kocaeli

Uzaktan Algılama Teknolojisi. Doç. Dr. Taşkın Kavzoğlu Gebze Yüksek Teknoloji Enstitüsü Gebze, Kocaeli Uzaktan Algılama Teknolojisi Doç. Dr. Taşkın Kavzoğlu Gebze Yüksek Teknoloji Enstitüsü Gebze, Kocaeli SPOT görüntüsü (Roma) 16-Aralık-2005 Source: earth.eas.int Uzaktan Algılama Dünya yüzeyinin gözlenmesi

Detaylı

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

Yrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2015-2016 Öğretim Yılı Bahar Dönemi 1 Ön İşleme-Radyometrik Düzeltme Atmosferik Düzeltme Atmosferik etkilerin giderilmesinde kullanılan radyometrik

Detaylı

Dijital Kameralar (Airborne Digital Cameras)

Dijital Kameralar (Airborne Digital Cameras) Dijital Kameralar (Airborne Digital Cameras) Klasik fotogrametrik görüntü alımındaki değişim, dijital kameraların gelişimi ile sağlanmaktadır. Dijital görüntü, analog görüntü ile kıyaslandığında önemli

Detaylı

İşaret ve Sistemler. Ders 3: Periyodik İşaretlerin Frekans Spektrumu

İşaret ve Sistemler. Ders 3: Periyodik İşaretlerin Frekans Spektrumu İşaret ve Sistemler Ders 3: Periyodik İşaretlerin Frekans Spektrumu Fourier Serileri Periyodik işaretlerin spektral analizini yapabilmek için periyodik işaretler sinüzoidal işaretlerin toplamına dönüştürülür

Detaylı

Analog Alçak Geçiren Filtre Karakteristikleri

Analog Alçak Geçiren Filtre Karakteristikleri Analog Alçak Geçiren Filtre Karakteristikleri Analog alçak geçiren bir filtrenin genlik yanıtı H a (jω) aşağıda gösterildiği gibi verilebilir. Ω p : Geçirme bandı kenar frekansı Ω s : Söndürme bandı kenar

Detaylı

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

Yrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2014-2015 Öğretim Yılı Bahar Dönemi 1 Ön İşleme-Radyometrik Düzeltme Atmosferik Düzeltme Atmosferik etkilerin giderilmesinde kullanılan radyometrik

Detaylı

EEM 451 Dijital Sinyal İşleme LAB 3

EEM 451 Dijital Sinyal İşleme LAB 3 EEM 451 Dijital Sinyal İşleme LAB 3 1. AMAÇ Ayrık zamanlı filtrelerin implementasyonu, çeşitleri FIR filtrelerinin incelenmesi FIR filtresi dizayn edilmesi 2. TEMEL BİLGİLER 2.1 FIR(Finite impulse response)

Detaylı

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007 RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 007 1 Tekdüze Dağılım Bir X rasgele değişkenin, a ve b arasında tekdüze dağılımlı olabilmesi için olasılık yoğunluk

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve

Detaylı

Arş.Gör.Hüseyin TOPAN - http://jeodezi.karaelmas.edu.tr 1

Arş.Gör.Hüseyin TOPAN - http://jeodezi.karaelmas.edu.tr 1 Mikrodalga radyometre UZAKTAN ALGILAMADA GÖRÜNTÜLEME SİSTEMLERİ Hüseyin TOPAN Algılayıcı Pasif amaçlı olmayan amaçlı Manyetik algılayıcı Gravimetre Fourier spektrometresi Diğerleri Optik Film tabanlı Dijital

Detaylı

Digital Görüntü Temelleri Görüntü Oluşumu

Digital Görüntü Temelleri Görüntü Oluşumu Digital Görüntü Temelleri Görüntü Oluşumu Işık 3B yüzeye ulaşır. Yüzey yansıtır. Sensör elemanı ışık enerjisini alır. Yoğunluk (Intensity) önemlidir. Açılar önemlidir. Materyal (yüzey) önemlidir. 25 Ekim

Detaylı

BÖLÜM-II ERDAS IMAGINE TEMEL KISIM1: IMAGINE VIEWER 1

BÖLÜM-II ERDAS IMAGINE TEMEL KISIM1: IMAGINE VIEWER 1 BÖLÜM-II ERDAS IMAGINE TEMEL KISIM1: IMAGINE VIEWER 1 KISIM 1 ERDAS IMAGINE VIEWER KULLANIMI KISIM1: IMAGINE VIEWER 2 GİRİŞ TERMİNOLOJİ GÖRÜNTÜ NEDİR? UZAKTAN ALGILAMA GÖRÜNTÜLERİN GÖRÜNÜŞÜ GEOMETRİK DÜZELTME

Detaylı

Temel Kavramlar. (r) Sıfırdan farklı kompleks sayılar kümesi: C. (i) Rasyonel sayılar kümesi: Q = { a b

Temel Kavramlar. (r) Sıfırdan farklı kompleks sayılar kümesi: C. (i) Rasyonel sayılar kümesi: Q = { a b Bölüm 1 Temel Kavramlar Bu bölümde bağıntı ve fonksiyon gibi bazı temel kavramlar üzerinde durulacak, tamsayıların bazı özellikleri ele alınacaktır. Bu çalışma boyunca kullanılacak bazı kümelerin gösterimleri

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 5 Önemli Alıcıların Karakteristikleri ve Uydu Misyonları Alp Ertürk alp.erturk@kocaeli.edu.tr Alıcı Karakteristikleri IKONOS Fırlatma tarihi: Eylül 1999 Yörünge: 681

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 6 Kenar, Köşe, Yuvarlak Tespiti Alp Ertürk alp.erturk@kocaeli.edu.tr KENAR TESPİTİ Kenar Tespiti Amaç: Görüntüdeki ani değişimleri / kesintileri algılamak Şekil bilgisi elde

Detaylı

Data Communications. Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü. 3. Veri ve Sinyaller

Data Communications. Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü. 3. Veri ve Sinyaller Veri İletişimi Data Communications Suat ÖZDEMİR Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü 3. Veri ve Sinyaller Analog ve sayısal sinyal Fiziksel katmanın önemli işlevlerinden ş birisi iletim ortamında

Detaylı

İMGE İŞLEME Ders-9. İmge Sıkıştırma. Dersin web sayfası: (Yrd. Doç. Dr. M.

İMGE İŞLEME Ders-9. İmge Sıkıştırma. Dersin web sayfası:  (Yrd. Doç. Dr. M. İMGE İŞLEME Ders-9 İmge Sıkıştırma (Yrd. Doç. Dr. M. Kemal GÜLLÜ) Dersin web sayfası: http://mf.kou.edu.tr/elohab/kemalg/imge_web/odev.htm Hazırlayan: M. Kemal GÜLLÜ İmge Sıkıştırma Veri sıkıştırmanın

Detaylı

Şeklinde ifade edilir. Çift yan bant modülasyonlu işaret ise aşağıdaki biçimdedir. ile çarpılırsa frekans alanında bu sinyal w o kadar kayar.

Şeklinde ifade edilir. Çift yan bant modülasyonlu işaret ise aşağıdaki biçimdedir. ile çarpılırsa frekans alanında bu sinyal w o kadar kayar. GENLİK MODÜLASYONU Mesaj sinyali m(t) nin taşıyıcı sinyal olan c(t) nin genliğini modüle etmesine genlik modülasyonu (GM) denir. Çeşitli genlik modülasyonu türleri vardır, bunlar: Çift yan bant modülasyonu,

Detaylı

NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ

NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ History in Pictures - On January 5th, 1940, Edwin H. Armstrong transmitted thefirstfmradiosignalfromyonkers, NY to Alpine, NJ to Meriden, CT to Paxton, MA to Mount Washington. 5 January is National FM

Detaylı

MAK1010 MAKİNE MÜHENDİSLİĞİ BİLGİSAYAR UYGULAMALARI

MAK1010 MAKİNE MÜHENDİSLİĞİ BİLGİSAYAR UYGULAMALARI .. MAK MAKİNE MÜHENDİSLİĞİ BİLGİSAYAR UYGULAMALARI Polinom MATLAB p=[8 ] d=[ - ] h=[ -] c=[ - ] POLİNOMUN DEĞERİ >> polyval(p, >> fx=[ -..9 -. -.9.88]; >> polyval(fx,9) ans =. >> x=-.:.:.; >> y=polyval(fx,;

Detaylı

DİJİTAL GÖRÜNTÜ İŞLEME

DİJİTAL GÖRÜNTÜ İŞLEME DİJİTAL GÖRÜNTÜ İŞLEME Prof. Dr. Oğuz Güngör Karadeniz Teknik Üniversitesi Jeodezi ve Fotogrametri Mühendisliği Bölümü 61080 Trabzon ogungor@ktu.edu.tr 1 Renk Nedir? 2 En basit anlamıyla renk maddelerden

Detaylı

7.2 Fonksiyon ve Fonksiyon Tanımları (I) Fonksiyon ve Fonksiyon Tanımları (II)

7.2 Fonksiyon ve Fonksiyon Tanımları (I) Fonksiyon ve Fonksiyon Tanımları (II) 7.2 Fonksiyon ve Fonksiyon Tanımları (I) Tanım kümesindeki her elemanın değer kümesinde bir ve yalnız bir görüntüsü varsa, tanım kümesinden değer kümesine olan bağıntıya fonksiyon denir. Fonksiyonu f ile

Detaylı

VEKTÖR UZAYLARI 1.GİRİŞ

VEKTÖR UZAYLARI 1.GİRİŞ 1.GİRİŞ Bu bölüm lineer cebirin temelindeki cebirsel yapıya, sonlu boyutlu vektör uzayına giriş yapmaktadır. Bir vektör uzayının tanımı, elemanları skalar olarak adlandırılan herhangi bir cisim içerir.

Detaylı

Uzaktan Algılama Uygulamaları

Uzaktan Algılama Uygulamaları Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ

Detaylı

İŞARET ve SİSTEMLER (SIGNALS and SYSTEMS) Dr. Akif AKGÜL oda no: 303 (T4 / EEM)

İŞARET ve SİSTEMLER (SIGNALS and SYSTEMS) Dr. Akif AKGÜL oda no: 303 (T4 / EEM) İşaret ve Sistemler İŞARET ve SİSTEMLER (SIGNALS and SYSTEMS) Dr. Akif AKGÜL aakgul@sakarya.edu.tr oda no: 303 (T4 / EEM) Kaynaklar: 1. Signals and Systems, Oppenheim. (Türkçe versiyonu: Akademi Yayıncılık)

Detaylı

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5 Ders Kodu: 0010070021 Kredi: 3 / ECTS: 5 Yrd. Doç. Dr. Serkan DOĞANALP Necmettin Erbakan Üniversitesi Harita Mühendisliği Bölümü Konya 07.01.2015 1 Giriş 2 Giriş Matematiksel istatistiğin konusu yığın

Detaylı

EEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ

EEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ Dersin Öğretim Elemanı: Yrd. Doç. Dr. Yasin KABALCI Ders Görüşme

Detaylı

HAFTA 11: ÖRNEKLEME TEOREMİ SAMPLING THEOREM. İçindekiler

HAFTA 11: ÖRNEKLEME TEOREMİ SAMPLING THEOREM. İçindekiler HAFA 11: ÖRNEKLEME EOREMİ SAMPLING HEOREM İçindekiler 6.1 Bant sınırlı sürekli zaman sinyallerinin örneklenmesi... 2 6.2 Düzgün (uniform), periyodik örnekleme... 3 6.3 Bant sınırlı sürekli bir zaman sinyaline

Detaylı

1. HAFTA. Statik, uzayda kuvvetler etkisi altındaki cisimlerin denge koşullarını inceler.

1. HAFTA. Statik, uzayda kuvvetler etkisi altındaki cisimlerin denge koşullarını inceler. 1. HAFTA Statik, uzayda kuvvetler etkisi altındaki cisimlerin denge koşullarını inceler. Statikte üç temel büyüklük vardır. Uzay: Fiziksel olayların meydana geldiği geometrik bir bölgedir. İncelenen problemin

Detaylı

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Final

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Final Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Final Harris ve Moravec Köşe Belirleme Metotları Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim

Detaylı

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 8- SAYISAL İNTEGRASYON 1 GİRİŞ Mühendislikte sık karşılaşılan matematiksel işlemlerden biri integral işlemidir. Bilindiği gibi integral bir büyüklüğün toplam değerinin bulunması

Detaylı