Görüntü İyileştirme Teknikleri. Hafta-6

Transkript

1 Görüntü İyileştirme Teknikleri Hafta-6 Doç. Dr. Oğuz Güngör Karadeniz Teknik Üniversitesi Harita Mühendisliği Bölümü 618 Trabzon 1

2 İndisler Görüntü İyileştirme Teknikleri Radyometrik İyileştirme Teknikleri (5. Hafta) Kontrast Germe Histogram Eşitleme Histogram Eşleme Gri değerlerin tersini alma Görüntü Bölme Mekansal / Konumsal İyileştirme Teknikleri (5. Hafta) Evrişim Süzgeci Crisp Görüntü kaynaştırma teknikleri (6. Hafta) Spektral İyileştirme Teknikleri (6. Hafta) PCA Decorrelation stretch Tassled Cap RGB den IHS uzayına Dönüşüm IHS den RGB uzayına Dönüşüm 2

3 Spektral İyileştirme PCA (Principal Component Analysis) Dönüşümü. Türkçesi Ana Bileşenler Dönüşümü Decorrelation Germe Tasseled Cap RGB den IHS ye dönüşüm IHS den RGB ye dönüşüm Indisler Görüntü kaynaştırma yöntemleri 3

4 Ana Bileşenler Dönüşümü Bir çok bantlı görüntüde komşu bantlar arasında yüksek oranda korelasyon olabilir ve bu yüzden nesneler hakkında aynı veya benzer spaktral bilgi içerebilir. Ana bileşenler dönüşümü orijinal veri kümesini n boyutlu (n toplam bant sayısı) lineer bir dönüşüm kullanarak öz vektörler uzayına dönüştürür, Böylece orijinal verinin varyansı maksimize edilerek bantlar arasındaki korelasyon ortadan kaldırılmış olur 4

5 Ana Bileşenler Dönüşümü Pixels on band-1 vs. band-2 plane Pixel values in 3-D Space band -2 band-3 PC-1 PC-2 PC-3 band-1 PC-1 Pixels on band-1vs. band-3 plane ban d-3 PC-1 band-2 band-1 band-1 5

6 Ana Bileşenler Dönüşümü Kullanılarak Spektral İyileştirme Öncelikle çok bantlı görüntüye ana bileşenler dönüşümü uygulanır Sadece elde edilen birinci ana bileşene kontrast iyileştirme uygulanır Daha sonra kontrast iyileştirme uygulanmış birinci ana bileşen ve diğer ana bileşenler kullanılarak ters ana bileşenler dönüşümü uygulanır Sonuç görüntü spektral olarak iyileştirilmiş olur Yöntemin esprisi: Birinci ana bileşen tüm bantların içerdiği bilgiyi tek basına içerir, bu yüzden ona yapılan işlem tüm bantlara yapılmış gibi olur 6

7 Ana Bileşenler Dönüşümü Nasıl Yapılır? Çok bantlı bir görüntüde her bir piksel aslında bir vektördür 7

8 Çok bantlı bir görüntüde her bir piksel aslında bir vektördür x i = ( x, x,..., x ) T 1 2 k x 3, 13, 5 1 T m satır ve n sütün sayısını gösterirse tüm görüntüde M = mxn tane vektör oluşur Burada k toplam bant sayısıdır!!! 8

9 Ana Bileşenler dönüşümü orijinal görüntüyü öz vektör (eigen vector) uzayına dönüştürür. Amaç bantlar arasındaki korelasyonu ortadan kaldırmaktır Bu yüzden kovaryans matrisi gereklidir. Bütün vektörlerin ortalama vektörü m= M 1 x M ve m kullanılarak kovaryans matrisi i 1 i hesaplanır. M 1 C ( x m)( x m) x M i 1 i i T 9

10 C x simetriktir, boyutu da kxk dır. Ana bileşenler dönüşümü yeni bir kovaryans matrisi yi bulmayı hedefler. C y öyle bir matristir ki; C y C y ( i, j) i j olduğunda C y ( i, j) i j olduğunda Bunu bantlar arasındaki korelasyonu kaldırmak için yapar 1

11 Bu amaçla aşağıdaki dönüşüm uygulanır; i T A xi matrisi ortogonaldir ve C kovaryans matrisine ait öz vektörlerden x oluşturulur. C x kovaryans matrisine ait öz değer ve öz vektörler hesaplanır. A T y En büyük öz değere sahip öz vektör en üstte olacak şekilde öz vektörler sıralanır. Sıralanan bu öz vektörler T matrisi oluşturur A A Yani T nin ilk satırı en yüksek öz değere sahip öz vektördür. İkinci satırı ise ikinci en yüksek öz değere sahip öz vektördür 11

12 Böylece dönüşüm sonrası matrisi elde edilmiş olur. y i matrisinin ilk satırı birinci ana bileşendir. İkinci satırı ikinci ana bileşen, vs. Birinci ana bileşene kontrast iyileştirme uygulanır Daha sonra kontrast iyileştirme uygulanmış birinci ana bileşen ve diğer ana bileşenler kullanılarak ters ana bileşenler dönüşümü uygulanır x Ters dönüşüm şeklinde yapılır i Ay i y i 12

13 Blue band Green band Red band Infra-red band First principal component Second principal component Third principal component Fourth principal component Birinci ana bileşen tüm bantların içerdiği bilgiyi tek baçına içerir, diğer ana bileşenler gittikçe daha az bilgi içermeye başlar 13

14 De-correlation Germe Herhangi bir kontrast germe işleminin amacı görüntüdeki gri değerlerin lineer olarak -255 aralığına gerilmesidir. De-correlation germe orijinal bantlara değil de Ana bileşenlere uygulanır. Ana bileşen dönüşümü sonrasında her ana bileşen bandı -255 aralığında olmayabilir. Bu yüzden her ana bileşen bandındaki gri değerler -255 aralığına gerilir. Böylece ana bileşen bantlarına kontrast germe uygulanmış olur. 14

15 Daha sonra ters ana bileşen dönüşümü uygulanarak orijinal RGB uzayına dönülür. Böylece kontrast germe işlemi bantların arasında korelasyonun olduğu RGB uzayında değil de bantların arasındaki korelasyonun ortadan kaldırıldığı ana bileşenler uzayında yapılmış olur. Daha önce anlatılan ana bileşen dönüşümü kullanılarak spektral iyileştirme yönteminden farkı burada sadece birinci ana bileşene değil de tüm ana bileşenlere kontrast germe işlemi yapılıyor olmasıdır. 15

16 Tasseled Cap Çok bantlı bir görüntüde her piksel N-boyutlu bir vektör olarak temsil edilebilir. Tasseled Cap dönüşümü orijinal Landsat MSS uzayını 4 boyutlu bir uzaya dönüştürür. Bu dönüşüme Tasseled Cap ya da Kauth-Thomas dönüşümü denir 16

17 Dönüşüm sonucu 4 yeni eksen oluşur Toprak gri değer indeksi (B) Yeşil bitki örtüsü endeksi (G) Sarı nesneler indeksi (Y) Diğer nesneler (N) 17

18 Landsat MMS görüntüsünde her bir eksen için katsayılar şu şekilde hesaplanır B =.332 MSS MSS MSS MSS 4 G =-.283 MSS MSS MSS MSS 4 Y = MSS MSS MSS MSS 4 N = -.16 MSS MSS MSS MSS 4 18

19 Landsat TM için de görülür, yakın kızıl ötesi, orta kızıl ötesi bantlar parlaklık, yeşillik ve nemlilik katsayılarına aşağıdaki şekilde dönüştürülür B =.299 TM TM TM TM TM TM 7 G = TM TM TM TM TM TM 7 W =.1446 TM TM TM TM TM TM 7 19

20 Renk Uzayı Renk uzayı renklerin bir nokta olarak temsil edildikleri bir koordinat sistemidir. İnsan renkleri üç ana renk olan mavi, yeşil ve kırmızının değişik oranlarda kombinasyonu şeklinde görür. Bu yüzden renk uzayında renkleri temsil etmek için üç sayısal bileşen gereklidir. Literatürde herkes tarafından onaylanmış tek bir renk uzayı yoktur. (2 den fazla tanımlı renk uzayı olduğu bilinir) Farklı amaçlar için farklı renk uzayları tanımlanmıştır. 2

21 RGB Renk Uzayı Görüntü işlemede en yaygın kullanılan renk uzaylarından biridir. RGB renk uzayı üç boyutlu kartezyen bir koordinat sistemi olarak tanımlanabilir Her bir eksen mavi, yeşil ve kırmızı renklerden oluşur. Koordinat sisteminin orijininde siyah vardır ve maksimim mavi, yeşil ve kırmızı beyaz ı oluşturur. Eşit miktarda mavi, yeşil ve kırmızı farklı gri tonları oluşturur, ve bu renkler siyak ve bayaz noktaları birleştiren doğru üzerinde yer alır. Bütün diğer renkler, mavi, yeşil ve kırmızı eksenler üzerinde aldıkları değerlere göre oluşan küpün içerisinde veya küpün üzerinde yer alır. 21

22 RGB Renk Küpü Kaynak: 22

23 Avantaj Dezavantaj RGB renk uzayı renk oluşturmak için idealdir Monitörler renkli görüntüleri RGB renk uzayını kullanarak gösterirler Çoğu görüntü işleme algoritmaları uygulamalar için RGB renk uzayını kullanır Fakat, RGB renk uzayının bazı dezavantajları da vardır RGB renk uzayı insanın renkleri görme mantığına uygun değildir Bu yüzden bir rengi diğer bir renkten sadece RGB renk koordinatları ile ayırmak mümkün olmaz Ayrıca RGB renk uzayı donanım bağımlıdır, farklı monitörler farklı renk sonuçları verir 23

24 IHS Renk Uzayı IHS renk uzayı renkleri Intensity (yoğunluk??), Hue (ton??) ve Saturation (renksel doymuşluk??) olarak üç bileşenle temsil eder. Bu bileşenler görseldir ve ressamların bir rengi diğerinden ayırmada kullandığı mantıkla aynıdır. Bu yüzden bir renkten diğerine geçiş veya istenilen rengi elde etmek RGB renk uzayına göre daha kolaydır 24

25 Intensity, Hue ve Saturation Bileşenleri Hue: Gördüğümüz renklerdeki baskın dalga boyudur. Başka bir deyişle bir limona sarı dediğimizde onun hue bileşenini söylemiş oluruz Saturation: Rengin saflık derecesi saturation ile ifade edilir. Rengin beyaz ışık ile ne kadar seyreltildiğinin göstergesidir. Bu yüzden saf renkler %1 saturated denilebilir. Intensity: Rengin parlaklığıdır. Intensity az ise görüntü karanlık çok ise daha aydınlık olur. Dolayısıyla intensity bir renge ait tüm dalga boylarındaki enerji miktarına bağlıdır. Intensity fiziksel bir niceliktir ve ölçülebilir. Uzaktan algılama sensörleri nesnelerden yansıyan enerjinin miktarına göre enerji yoğunluğunu algılar ve siyah beyaz görüntüleri oluşturan sayısal değerlere çevirir. Bu yüzden intensity siyah-beyaz görüntüler için en önemli tanımlayıcıdır. 25

26 Intensity, Hue ve Saturation Bileşenleri Intensity Kaynak: 26

27 Saf ve Saturated Renkler 1% saturated R, G, and B primaries Less saturated primaries 27

28 White (I = 1) Green Yellow Cyan White (I = 1) Red Blue Magenta Intensity Cyan Green I =.5 Yellow Red Saturation Hue Red = o Black (I = ) Blue Inte nsit y Black (I = ) Magenta Saturation Hue Red = o a) Six Sided Hexcone b) Double Six Sided Hexcone White (I = 1) Intensity Blue Black (I = ) Hue Red Saturation Green Red White (I = 1) Intensity Blue Black (I = ) Hue Green Saturation Farklı IHS Renk Uzayları c) Sphere d) Cylinder 28

29 RGB ve IHS Renk Uzayı Arasında Dönüşüm Tanımlı tek bir IHS renk uzayı olmadığı için RGB ve IHS uzayları arasında tanımlı tek bir dönüşüm yoktur Burada örnek olarak RGB ve IHS uzayları arasında sadece üç farklı dönüşüm verilmektedir 29

30 Dönüşüm - I R,G,B koordinatları öncelikle lineer bir dönüşümle I,V 1, V 2 uzayına dönüştürülür Daha sonra I,V 1, V 2 kullanılarak H ve S hesaplanır I, H ve S varsa ters dönüşüm ile R,G ve B yandaki şekilde elde edilebilir 3

31 Dönüşüm - 2 RGB den IHS ye Ters Dönüşüm IHS den RGB ye 31

32 Dönüşüm

33 IHS Renk Uzayının Avantajı IHS renk uzayında her bir bileşen kendi başına modifiye edilebildiğinden sadece Intensity bileşeni modifiye edilerek görüntü iyileştirme ve görüntü kaynaştırma uygulamaları için oldukça uygun bir renk uzayı 33

34 RGB den IHS ye dönüşüm ile Görüntü İyileştirme Orijinal görüntüye RGB den IHS ye dönüşümü yapılır Elde edilen Intensity ve saturation bileşenine kontrast iyileştirme yapılır Daha sonra ters IHS den RGB ye dönüşüm gerçekleştirilir Bu sayede renk yapısı bozulmadan çok bantlı görüntüye kontrast iyileştirme yapılmış olur. 34

35 Bant oranlama ve İndeksler NDVI (Normalized Difference Vegitation Index) NDVI = (KÖ - K) / (KÖ + K) Görsel olarak KÖ ve K bantlarının direkt oranı ile NDVI çok yakın sonuçlar üretiyor. Fakat NDVI da bantların farkının ve toplamının kullanılması bir alanın belli bir zaman aralığında değerlendirilmesinin gerektiği durumlarda NDVI ı daha avantajlı yapar, Çünkü bu sayede atmosferik değişkenlerin oran görüntüyü etkileme olasılığı düşürülmüş olur. 35

36 a) SPOT HRV Bant-3 (Yakın kızıl ötesi) b) Aynı görüntü Bant-2 (kırmızı bant) c) Yakın kızıl ötesi / Kırmızı oran görüntü d) NDVI görüntüsü Kaynak: Mather, P. Computer Processing of Remotely-Sensed Images. An Introduction 36

37 Kullanılan Diğer Bitki İndeksleri KÖ/K SQRT (KÖ/K) Bitki İndeksi = KÖ - K TNDVI = SQRT[ (KÖ-K / KÖ+K) +.5] Demir Oksit: TM3/TM1 Kil Mineralleri: TM5/TM7 Demir Mineralleri: TM5/TM4 Mineral Bileşikleri: TM5/TM7, TM5/TM4, TM3/TM1 Hidrotermal Bileşikleri: TM5/TM7, TM3/TM1, TM4/TM3 37

38 Bazı Uydulara Ait Kızılötesi ve Kırmızı Bantlar UYDU KÖ K Landsat MSS 7 5 SPOT XS 3 2 Landsat TM 4 3 NOAA AVHRR 2 1 IKONOS 4 3 QuickBird

39 Görüntü kaynaştırma teknikleri Görüntü Füzyonu Konsepti ve Problemin tanımı Mevcut yöntemler Renk tabanlı Yöntemler IHS Brovey SVR Dalgacık Dönüşümü (Wavelet Transform) Tabanlı Yöntemler Mallat A-trous M-band İstatistiksel Yöntemler PCA Lineer Regresyon Kriter Tabanlı Görüntü Füzyonu Yöntemi Sonuçlar 39

40 Niçin Pankromatik görüntüler genellikle multispektral görüntülere göre daha yüksek konumsal çözünürlüğe sahiptirler? Pankromatik Multispektral Tek bir dedektör optik IFOV (Instantaneous Field of View) Yeryüzünde bir pikselin alanı Küçük IFOV = Yüksek Çözünürlük (Daha geniş bant aralığındaki enerjiyi algılar) Geniş IFOV = Düşük Çözünürlük (Sadece küçük bir bant aralığındaki enerjiyi algılar) 4

41 Spectral response of panchromatic sensor Spektral ve Mekansal Genelleştirme Spektral Genelleştirme (ideal multispektral bantların ağırlıklı ortalaması) Mekansal Genelleştirme (yüksek çözünürlükle bantların ağırlıklı ortalaması) Pankromatik görüntü kullanarak gürüntü füzyonu desired high resolution multispectral image a band of desired multispectral image + = Yüksek çözünürlüklü pankromatik görüntü Düşük çözünürlüklü multispektral görüntünün bir bandı Pankromatik Multispektral Görüntü Füzyon yapılmış Görüntü Yüksek çözünürlüklü pankromatik ve düşük çözünürlüklü multispektral görüntüler spektral ve mekansal genelleştirme sürecinde spektral ve mekansal bilgilerinin bir kısmınıkaybederler. Multispektral görüntüdeki eksik detayları pankromatik görüntüyü kullanarak bul, multispektral görüntüye yapısını bozmadan ekle O yüzden problemin çözümü için bazı varsayım ve koşullar kullanılmalıdır. 41

42 Renk Tabanlı Yöntemler IHS Yöntemi Brovey Yöntemi SVR Yöntemi Görüntü Füzyonu Yöntemleri Dalgacık Dönüşümü Tabanlı Yöntemler Mallat ın Algoritması A-trous Yöntemi M-Band dalgacık dönüşümü İstatistiksel Görüntü Füzyonu Yöntemleri PCA yöntemi Lineer regresyon yöntemi Kriter tabanlı görüntü kaynaştırma yöntemi Multispektral banttaki eksik detayları nasıl bulduklarına göre sınıflandırılır. 42

43 43 RGB ve IHS Uzaylari arası Dönüşüm B G R V V I tan V V S V V a H ) sin( ) cos( 2 1 H S V H S V Geri Dönüşüm İleri Dönüşüm V V Pan B G R Varsayım: Multispektral bantlardan hesaplanan intensity pankromatik görüntüye çözünürlüğü hariç eşit varsayılabilir F 1 = R + (Pan Intensity); F 2 = G + (Pan Intensity); F 3 = B + (Pan Intensity);

44 IHS Görüntü Kaynaştırma Yönteminin Özellikleri Anlaşılması ve uygulanması basit Konumsal detayı arttırmada oldukça başarılı Sadece üç multispektral bant kullanılabılır Bu yüzden, multispektral bantlardan hesaplanan intensity pankromatik görüntüye eşit sayılabilir varsayımı tam doğru değil Çünkü intensity hesaplanırken diğer bantların katkısı ihmal edilir Bu yüzden multispektral görüntüde renk bozulmaları olur Problem farklı sensörler kullanılırsa daha da artar 44

45 Brovey Yöntemi Varsayım: Pankromatik görüntüdeki detaylar, her bir multispektral bandı pankromatik bant ve intensity nin oranıyla çarparak da transfer edilebilir. I n i1 XS i C Pan I F i C XS i Yukarıdaki varsayım aslında detayları multispektral görüntüdeki piksellerin oluşturduğu spektral vectörü C kadar uzatarak ya da kısaltarak aktarır C intensity ile doğrudan ilişkili Dolayısıyla intensity hesaplamadaki varsayımın doğruluğuna bağlı olarak radyometrik bozulma oluşabilir 45

46 SVR Yöntemi Pan n i1 w i XS i I n w i XS i C Pan i1 I F i C XS i Her bir multispektral bant için farklı bir ağırlık hesaplar Ağırlıklar yüksek çözünürlüklü pankromatik ve boyutları pankromatik görüntününkine çıkarılmış (resampled) multispektral görüntü arasında doğrudan lineer regresyon yapılarak bulunur. SVR yöntemi aslında Brovey yöntemini genelleştirir ve radyometrik bozulma problemini azaltır. Fakat intensity için hesaplanan ağırlıklar bantın tümü için kullanıldığından yine spektral bozulmalar olur 46

47 Mallat Algoritması İleri Dönüşüm Ortonormal dalgacık filtreleri (haar, db2, etc) kullanılarak görüntüler alçak ve yüksek frekans bileşenlerine (approximation and detail coefficients) ayrılırlar Katsayıların kombinasyonu Her iki resimden gelen katsayılar kaynaştırılmış katsayıları elde etmek için seçilen bir kurala göre birleştirilir. Geri Dönüşüm Katsayılar birleştikten sonra geri dönüşüm uygulanarak kaynaltırılmış görüntü elde edilir. 47

48 À Trous Algoritması H bir 5x5 convolution maskesidir ve alçak geçiren l( i) 1/16[ ] filtreden üretilir H Her ayrıştırma adımı (j) de filtre katsayıları arasına 2 j-1-1 kadar sıfır doldurulur H I = Orjinal Pan Wavelet Düzlemleri I 1 = convolve(i,h ); w 1 = I I 1 ; I 2 = convolve(i 1,H 1 ); w 2 = I 1 I 2 ; I 3 = convolve(i 2,H 2 ); w 3 = I 2 I 3 ; I n = convolve(i n-1,h n-1 ); w n = I n-1 I n ; I ı yeniden oluşturmak için w i ler toplanır I I J w j J j1 FUSION F k I M k W where W J w j j1 48

49 M-Band Wavelet Transform Mallat ın algoritmasının aksine frekans uzayını iki değil de M kanala böler Düşük frekans görüntüyü elde etmek için orjinal görüntünün çözünürlüğünü direk M (pozitif integer) düşürür. Oysa Mallat ın algoritması çözünürlük düşürmede 2 n (n=1, 2, 3, ) ile sınırlıdır M-band dalgacık dönüşümünde sadece bir tane ölçek fonksiyonu ve M-1 tane dalgacık fonksiyonu vardır.. Böylece bir tane alçak frekans görüntüsü (LL) ve M 2-1 tane detay görüntüsü (LH m, H m L, and H m H n ) üretilir. Üretilen görüntülerin boyutu orjinal görüntünün 1/M i olur a) original image b) 3-Band wavelet Decomposition 49

50 Bu yöntemlerdeki varsayım: pankromatik görüntünün yüksek frekans bileşeni frekans uzayında ayrıştırılarak düşük çözünürlüklü multispektral görüntüye detay olarak eklenebilir Dalgacık Dünüşümü tabanlı yöntemler orjinal görüntünün rengini korumada oldukça başarılılar Fakat bu yöntemler görüntüleri sadece yatay düşey ve çapraz yönlerde filtreledikleri için bu yönlerde kenarları doğrusal olmayan nesnelerin geometrilerinde bozulmalar oluşur 5

51 PCA Yöntemi Ana bileşenleri elde etmek için görüntünün kovaryans matrisine dayalı lineer bir dönüşüm uygulanır Birinci anabileşen pankromatik görüntü ile yer değiştirilir Geri dünüşüm uygulanarak kaynaşmış görüntü elde edilir Pixels on band-1 vs. band-2 plane a) Pixel values in 3-D Space b) PC-1 PC-1 band-3 PC-2 PC-3 band-2 c) band-3 band-1 Pixels on band-1vs. band-3 plane band-2 band-1 band-1 PC-1 Varsayım: Birinci anabileşen görüntüdeki konumsal detayın büyük bir oranını içerir. Diğer anabileşenler ise görüntünün spektral özelliklerini içerir. Eğer birinci anabileşen ile pankromatik görüntü arasındaki korelasyon düşükse hem renk hem detay performansı düşer Görüntünün boyutu da önemli 51

52 Linear Regression Method h x kl l x ij h y kl l y ij ideal multispektral görüntü düşük çözünürlüklü multispektral görüntü yüksek çözünürlüklü pankromatik görüntü pankromatik görüntünün ortalaması l k m 1 kk 1l 1 m1 y ij y 1 ll 1 h kl Varsayım x h kl x l ij a ij y h kl y l ij m pixel _ size _ of _ XS pixel _ size _ of _ pan a nasıl bulunur a ij i1 j1 pi1 q j1 i1 l l l l y y x x pq j1 pi1 q j1 l l y y 2 pq ij pq ij ij Kaynaşmış görüntü x h kl a ij h l l y y x kl ij ij Tüm pencere için aynı a kullanıldığından detay düzgün gelemez 52

53 Kriter Tabanlı Görüntü Kaynaştırma Kaynaşmış görüntüyü pankromatik ve multispektral görüntülerin lineer kombinasyonu olarak hesaplar F k a I b ( m, n) ( m, n) ( m, n) ( m, n) k( m, n) I a ve b ağırlıklar m and n satır ve sütun numaraları k = 1,2,., N (N = toplam bant sayısı) F k kaynaşmış bant I pankromatik görüntü, I k multispektral görüntü 53

54 a ve b nasıl belirlenir? Üç kriter çözüm için belirlenir Kriter 1: Kaynaşmış görüntünün varyansı pankromatik görüntünün varyansına eşit olmalı Cov F, F ) a 2a b b ( k k k o k k ok k k o Criterion 2: Kaynaşmış görüntünün ortalaması multispektral görüntünün ortalamasına eşit olmalı Mean( F ) a b k k o k k k Criterion-3: Multispektral bantlar arasındaki oran kaynaşma sonrası aynı kalmalı F C k I k 54

55 55 Yöntemin Uygulanması ), ( ), ( ), ( ), ( ), ( n m n m n m n m n m k k o k k I b I a F ), ( ), ( ), ( ), ( 2 o k k ok k k o k n m m n m n n m b b a a k k k o k n m n m b a ), ( ), ( ), ( ), ( ), ( n m n m k m n k I C F Her bir bant için 4 eşitlik yazılır (k bandt için, 4k eşitlik) İlk üç eşitlikte 3k bilinmeyen vardır (F, a,b) Son eşitlik bilinmeyen olarak C yi içerir ve C tüm bantlar için aynıdır r = 4k-(3k+1)=k-1 fazla eşitlik en küçük kareler yöntemi kullanılarak çözülür. Yöntem tüm resim yerine MxM lik pencerelere uygulanır ve kaynaşmış piksel değeri sadece pencerenin merkezindeki piksel için üretilir. Sonra pencere bir yana kaydırılır ve aynı işlem bir sonraki piksel için yapılır M, multispektral görüntünün çözünürlüğünün pankromatiğinkine oranından büyük en yakın tam sayı

56 KTÜ KAMPÜS IKONOS GÖRÜNTÜLERİ IKONOS Pankromatik (1 metre) IKONOS Multispectral Bantlar: mavi, yeşil, kızılötresi (4 metre) 56

57 KTÜ KAMPÜS IKONOS GÖRÜNTÜLERİ IKONOS füzyon uygulanmış Bantlar: mavi, yeşil, kızılötresi (1 metre) IKONOS Multispectral Bantlar: mavi, yeşil, kızılötresi (4 metre) 57

58 KTÜ KAMPÜS IKONOS GÖRÜNTÜLERİ IKONOS Multispectral Bantlar: mavi, yeşil, kızılötresi (4 metre) IKONOS Kaynaşmış Bantlar: mavi, yeşil, kızılötresi (1 metre) 58

59 Fusion Results of the QuickBird Pan and the IKONOS XS Images Displayed Using Blue, Green and Red bands a) Quickbird panchromatic b) IKONOS multispectral c) Classical IHS d) Generalized IHS e) Brovey f) SVR g) Mallat h) The à trous i) M-Band k) PCA m) Linear regression n) Criteria-based 59

60 Fusion Results of the QuickBird Pan and XS Images over Purdue Campus (Displayed Using Blue, Green and Red bands) a) Quickbird panchromatic b) QuickBird multispectral c) Classical IHS d) Generalized IHS e) Brovey f) SVR g) Mallat h) The à trous i) M-Band k) PCA m) Linear regression n) Criteria-based 6

61 A-trous Method Criteria-Based Method 61

62 Sonuçlar Renk tabanlı yöntemler detayı başarılı bir şekilde arttırabilmektedir; fakat görüntünün rengini yeterince koruyamamaktadır Dalgacık dönüşümü tabanlı yöntemler ise rengi çok güzel koruyor ama detay yeterince aktarılamıyor Kriter tabanlı kaynaştırma yöntemi hem rengi koruyor hem de detayı başarılı bir şekilde aktarabiliyor Kriter tabanlı yöntemde sonuç önceden belirlenen kriterlere göre hesaplandığı için kaynaştırılmış görüntünün özellikleri ve kalitesi önceden bilinebilmektedir. Bu, kullanıcıların ihtiyaçları doğrultusunda kendi kaynaştırma araçlarını dizayn edebilmelerine imkan verecek yeni kaynaştırma algoritmaları hususunda geleceğe dönük ipuçları sunmaktadır. 62