PROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI Proje Yüklenicisi: Yeditepe Üniversitesi Mühendislik ve Mimarlık Fakültesi 2009-İstanbul. Bu araştırma projesi Projem İstanbul kapsamında İstanbul Büyükşehir Belediyesi tarafından hazırlatılmıştır. İstanbul Büyükşehir Belediyesi ve araştırmacının yazılı izni olmadan çoğaltılamaz ve kopyalanamaz.
Bilgisayarlı Görü ve Sınıflandırma Teknikleriyle Arazi Kullanımının Otomatik Olarak Bulunması ÖZETÇE Kentsel gelişimi gözlemlemek uzaktan algılamanın temel problemlerinden biridir. Yüksek çözünürlüklü uydu imgeleri bu problemi çözmek için önemli bilgi taşımaktadır. Buna rağmen iki temel problemden ötürü uydu imgeleri tek başına yeterli değildir. Öncelikle, bir uzman çok büyük ebatlardaki uydu imgelerini incelemek zorundadır. Bu inceleme çok zaman alıcıdır ve hatalara açıktır. İkincisi ise kentsel yerleşimler sürekli değişim halindedir. Bu sebeple, kentsel gelişimin izlenmesinin periyodik olarak yapılması ve otomatik bir sistemden yararlanılması kaçınılmazdır. Bu çalışmada yüksek çözünürlüklü uydu imgelerinden kentsel yerleşim bölgelerinin otomatik olarak bulunması ve sınıflandırılması için yeni bir yöntem geliştirilmesi amaçlanmaktadır. Önerdiğimiz yöntem Gabor filtrelerinden yararlanılarak elde edilen yerel özniteliklere dayanmaktadır. Bu öznitelikler bir oy uzayında gösterilip; bu oylardan faydalanarak otomatik olarak yerleşim bölgelerinin bulunması amaçlanmaktadır. 1. GİRİŞ Yerleşim bölgelerini gözlemlemek bir çok kamu ve özel kuruluşlara yardımcı olur. Yeni nesil uydu imgelelerinin (Ikonos ve Quickbird) yüksek çözünürlükleri bu amaç için önemli bilgi vermektedir. Ancak bahsedilen imgeler çok büyük ebatlardadır. Aynı zamanda kentsel bölgeler sürekli değişmekte ve yenilenmektedir. Bu sebeple periyodik olarak bu bölgelerin gözlenmesi gerekmektedir. Bahsedilen zorluklardan dolayı bir kullanıcı tarafından bu gözlemleri analiz etmek hem çok zaman gerektirmektedir, hem de hataya açıktır. Bu nedenle kentsel yerleşim bölgelerinin bulunması için otomatik bir sisteme ihtiyaç duyulmaktadır. Konu ile ilgili bir çok araştırmacı uydu imgelerinden yerleşim bölgelerinin bulunmasını otomatikleştirmek üzerine uğraş vermiştir. Karathanassi [1] yerleşim bölgelerini uydu imgesi üzerinde sınıflandırmak için yoğunluk bilgisini kullandı. Benediktsson [2] uydu imgelerinden yerleşim birimlerini çıkarabilmek için morfolojik operasyonlar yardımı ile yapısal bilgileri çıkarttı. Ünsalan ve Boyer [3, 4] gri seviyeli uydu imgesinde yerleşim bölgelerini bulabilmek için yapısal öznitelikleri çıkarttılar. Takip eden diğer bir çalışmada, Ünsalan ve Boyer [5] yapısal öznitelikleri graf teorisinden yararlandırarak ilişkilendirip yerleşim bölgelerini buldular. Fonte [6] uydu imgesi üzerinde bina niteliklerini bulabilmek için köşe çıkarıcı algoritmalardan yararlandı. Yaptıkları çalışma sonucunda köşe çıkarıcı algoritmaların uydu imgesi üzerindeki nesneleri ayırt etmede faydalı olduğunu ortaya koydular. Bhagavathy ve Manjunath [7] doku analizinden yararlanarak uydu imgelerinde liman, park gibi alanları ayırt etti. Bruzzone ve Carlin [8] yüksek çözünürlüklü uydu imgelerini sınıflandırmak için piksel tabanlı bir yöntem önerdi. Geliştirdikleri yöntem ile imgeden öznitelikler çıkartıp bunları destek vektör makineleri ile sınıflandırdı. Fauvel [9] farklı öznitelikleri farklı sınıflandırıcılar ile sınıflandırdıktan sonra çıkan sonuçları birleştirdi ve gri seviyeli uydu imgelerinde yerleşim bölgelerini tespit etti. Sırmaçek ve Ünsalan [10] gri seviyeli uydu imgelerinden çıkarttıkları SIFT (Scale Invariant Feature Transform) özniteliklerini graf teorisi ile ilişkilendirerek yerleşim birimlerini ve tek tek binaları tespit etti. Bu amaç için bir model bina veritabanından yararlandılar.
Bu projede, gri seviyeli uydu imgelerinde yerleşim bölgelerini tespit edebilmek ve sınıflandırmak için yeni bir yöntem önermekteyiz. Öncelikle Gabor filtrelerinden yararlanarak farklı yönlerde uzanan kenar, köşe gibi bina özelliklerini elde edeceğiz. Sonrasında bu öznitelikleri bina olması muhtemel bölgelere oy vermesi amacı ile kullanacağız ve verilen oylardan bir oy uzayı elde edeceğiz. Son olarak en uygun karar yönteminden yararlanarak yerleşim bölgesini tespit edeceğiz. Geliştireceğimiz bu yöntem herhangi bir önsel bilgiye ihtiyaç duymadan adaptif olarak çalışacaktır. Geldiğimiz aşamada örnek görüntüler üzerinde yaptığımız deneyler sistemin başarılı sonuçlar vereceğini göstermektedir. 2. YEREL ÖZNİTELİK ÇIKARIMI Verilen gri seviyeli uydu imgelerinde yerleşim bölgelerini tespit etmek için ilk olarak yerel öznitelikleri çıkardık. Çıkartılan öznitelikleri yerleşim birimlerinde sıkça rastlanan bina öbeklerinin özelliklerini temsil edecek şekilde seçtik. Buna rağmen bina öbeklerine benzer karakteristikler taşıyan bazı çalılıkların ya da ağaçlık bölgelerin öznitelik çıkartmasının önüne geçebilmek için test imgelerine bir ön işlem uyguladık. Tüm test imgelerimizi öncelikle 5x5 genişlikli bir medyan filtre ile filtreledik. 2.1 GABOR FİLTRELEME Yerel öznitelikleri çıkarabilmek için Gabor filtrelerinden yararlandık. Gabor filtreleri doku sınıflandırmada ve nesne tanımada sıkça kullanılmaktadır [11]. Bu filtreler uzamsal konum ile birlikte yönsel bilgi anlamında seçicilik sağladığı için önemli özellikler taşır [12]. İki boyutlu bir Gabor filtre, G(x,y), bir Gauss fonksiyonu ile bir karmaşık üstel fonksiyonun çarpımı olarak tanımlanabilir: Bu denklemdeki U ve V aşağıdaki gibidir. V = (-xsin ) Formüllerde geçen f karmaşık üstel sinyalin frekansı, ölçek parametresidir. Gabor filtrenin yönü ve Gabor filtre yardımıyla uydu imgelerindeki kenar ve köşe bazlı yerleşim bölgesi özellikleri elde edilebilir. Bu özelliklerin çıkarılabilmesi için uygun ve değerlerinin seçilmesi gerekmektedir. Bu sebeple, uydu imgelerindeki bina kenarlarına benzer bir dürtü yanıtı olan Gabor filtre seti tasarladık ( = 1.5, ve f=0.65 seçildi). Farklı yönlere bakan kenarları tespit edebilmek için de = {0, pi/6, 2.pi/6, 3.pi/6, 4.pi/6, 5.pi/6} radyan olarak seçtik. 2.2 YEREL ÖZNİTELİKLER
Gabor filtrenin tepkisi filtreye en çok benzeyen bölgelerde ençok değere sahip olacağı için, 6 adet filtre tepkisinde ayrı ayrı yerel en yüksek noktalarını tespit ettik. Bu bölgenin bina ya da yol kenarı özellikleri taşıyacağını varsaydık. Oylamada kullanılmak üzere her bir yerel öznitelik için bir ağırlık atadık. Bunun için öncelikle yerel özniteliğin bulunduğu filtre tepkisine Otsu'nun eşikleme yöntemi ve bağlı bileşenler analizinden yararlandık [13]. Bu sayede, öznitelik noktasının üzerinde bulunduğu kenarın büyüklüğünü bulduk. Herbir özniteliğe, üzerinde bulunduğu birleşik grubun piksel sayısı kadar ağırlık verdik. Bu adımda, çok düşük ağırlığa sahip olan öznitelikleri eledik. Bu yöntem ile örnek imge üzerinden elde edilen yerel öznitelikleri aşağıda Şekil 1. de verdik. Şekil 1. Örnek yerleşim yeri. Buradan elde edilen yerel öznitelikler. 3. KENTSEL YERLEŞİM BİRİMLERİNİN BULUNMASI Yerel öznitelikleri ve ağırlıklarını belirledikten sonra yerleşim bölgelerini bulabilmek için bir oy uzayı oluşturulacaktır. En iyi karar verme yönteminden de faydalanarak yerleşim bölgeleri tespit edilecektir. 3.1 UZAMSAL OYLAMA Kentsel bir yerleşim bölgesinde binalara ait bir çok yerel öznitelik bulunmaktadır. Bu öznitelikler aynı zamanda çok yoğun şekilde görülür. Bu nedenle ötürü, bir oylama uzayı oluşturarak her bir yerel öznitelik noktasının bulunduğu konuma ağırlığı ile orantılı miktarda oy verilecektir. Örnek olarak K adet yerel özniteliğin (, ), k=1,...,k koordinatlarında bulunduğunu farzedelim. Bu durumda oylama matrisi aşağıdaki gibi olacaktır. Burada herbir özniteliğin oy etki alanıdır. (, ) konumundaki bir yerel öznitelik kendi çevresinde bina olma olasılığını bildiren bir oy verecektir. Şekil 1 de verilen örnek için elde edilen oy uzayı aşağıda Şekil 2. de verilmiştir.
Şekil 2. Elde edilen oy uzayı. Renk skalası (maviden kırmızıya) oy çokluğunu belirtir. 3.2 EN İYİ KARAR VERME Oylama uzayını oluşturduktan sonra Otsu'nun yönteminden [14] faydalanarak yerleşim bölgelerini tespit ederiz. Otsu'nun yöntemi Bayes karar kriterine göre (Gauss olasılık yoğunluk fonksiyonlarından yararlanarak) kentsel yerleşim alanlarını ve kırsal alanları temsil eden oy uzayları arasındaki eşik değerini bulmak için kullanılabilir. Yöntem adaptif olduğu için herhangi bir parametre ayarlanmasına gerek duymamaktadır. Ayrıca, herbir test imgesi için eşik değeri otomatik olarak ayarlanmış olur. Şekil 2. deki oy uzayı üzerinden elde edilen yerleşim alanı Şekil 3. de verilmiştir. Şekil 3. Örnek imge üzerinden otomatik olarak elde edilen yerleşim birimi. 4. SONUÇLAR Yukarıdaki yöntemi diğer imgelere de uygulayarak aşağıdaki sonuçları elde ettik. Bu sonuçlardan da görülebilmektedir ki önerdiğimiz yöntem otomatik olarak başarılı bir şekilde çalışmaktadır.
Şekil 4. Örnek imgeler üzerinden otomatik olarak elde edilen yerleşim birimi. Bu projede prototip bir sistemin gerçeklenmesi yapılmıştır. Bundan sonraki çalışmalarda da istanbul Büyükşehir Belediyesi nin ilgili birimleri ile koordineli olarak çalışıp yerleşim birimlerini bulma sistemimizi geliştirmeyi amaçlamaktayız. Bunun ilk adımını da yerleşim birimlerindeki binaların otomatik tespiti çalışmamız ile atmış bulunuyoruz. Aşağıda uydu görüntülerini kullanarak otomatik bina tespiti yapabilen sistemimizin ilk sonuçlarını vermekteyiz. Şekil 5. Örnek imge üzerinden otomatik olarak elde edilen binalar. REFERANSLAR: [1] Karathanassi, V., Iossifidis, C., Rokos, D., A Texture-Based Classification Method for Classifying Built Areas According to Their Density, International Journal of Remote Sensing, 2000, vol. 21, no. 9, pp. 1807-1823. [2] Benediktsson, J. A., Pesaresi, M., Arnason, K., Classification and Feature Extraction for Remote Sensing Images from Urban Areas Based on Morphological Transformations, IEEE Transactions on Geoscience and Remote Sensing, 2003, vol. 41, no. 9, pp. 1940-1949. [3] Ünsalan, C., Boyer, K. L., Classifying land development in high resolution panchromatic satellite images using straight line statistics, IEEE Transactions on Geoscience and Remote Sensing, 2004, vol. 42, no. 4, pp. 907-919. [4] Ünsalan, C., Boyer, K. L., Classifying Land Development in High Resolution Satellite Imagery Using Hybrid Structural - Multispectral Features, IEEE Transactions on Geoscience and Remote Sensing, 2004, vol. 42, no. 12, pp. 2840-2850
[5] Ünsalan, C., Boyer, K. L., A Theoretical and Experimental Investigation of Graph Theoretical Measures for Land Development in Satellite Imagery, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, vol. 27, no.4, pp. 575-589. [6] Fonte, L. M., Gautama, S., Philips, W., Goeman, W., Evaluating corner detectors for the extraction of man made structures in urban areas, IEEE International Geoscience and Remote Sensing Symposium, 2005, pp. 237-240. [7] Bhagavathy, S., Manjunath, B. S., Modeling and detection of geospatial objects using texture motifs, IEEE Transactions on Geoscience and Remote Sensing, 2006, vol. 44, no. 12, pp. 3706-3715. [8] Bruzzone, L., Carlin, L., A multilevel context-based system for classification of very high spatial resolution images, IEEE Transactions on Geoscience and Remote Sensing, 2006, Vol. 44, no. 9, pp. 2587-2600. [9] Fauvel, M., Chanussot, J., Benediktsson, J. A., Decision Fusion for the Classification of Urban Remote Sensing Images, IEEE Transactions on Geoscience and Remote Sensing, 2006, vol. 44, no. 10, pp. 2828-2838. [10] Sırmaçek, B., Ünsalan, C., Urban area and building detection using SIFT keypoints and graph theory, IEEE Transactions on Geoscience and Remote Sensing, In Press. [11] Kyrki, V. and Kamarainen, J. K. and Kalviainen, H., Simple Gabor Feature Space for Invariant Object Recognition, Pattern Recognition Letters, 2004, vol. 25, no. 3, pp. 311-318. [12] Vetterli, M., Kovacevic, J., Wavelets and Subband Coding, Prentice Hall, 1995. [13] Sonka, M. and Hlavac, V. and Boyle, R., Image Processing, Analysis and Machine Vision, CL Engineering, 2007, Third Edition. [14] Otsu, N., A Threshold Selection Method from Gray-level Histograms, IEEE Transactions on System, Man, and Cybernetics, 1979, vol. 9, no. 1, pp. 62-66.