HİPERSPEKTRAL GÖRÜNTÜLEMENİN SAVUNMA TEKNOLOJİLERİ UYGULAMALARI VE SPEKTRAL EĞRİLTME SAYESİNDE YÜKSEK TANIMA BAŞARIMI Begüm Demir (a), Sarp Ertürk (b) (a) KOÜ, Elektronik ve Haberleşme Müh. Böl., 41040, Kocaeli, begum.demir@kou.edu.tr (b) Prof. Dr. KOÜ, Elektronik ve Haberleşme Müh. Böl., 41040, Kocaeli, sertur@kou.edu.tr ÖZET Bu bildiride, hiperspektral görüntülerde sınıflandırma performansının arttırılması amacı ile doğrusal olmayan bir yöntem olan frekansta eğriltme yönteminin kullanılması gösterilmektedir. Önerilen yöntemde, hiperspektral görüntülerin spektral verileri ile ilişkili frekans bileşenleri, frekansta eğriltme kullanılarak spektral eksen boyunca doğrusal olmayan dönüşüm işlemine sokulmaktadır. Farklı frekans eğriltme parametreleri kullanılarak elde edilen deneysel sonuçlar uygun eğriltme paremetreleri kullanılarak sınıflandırma performansının artırılabileceği göstermektedir. Anahtar Kelimeler: Hiperspektral Görüntüleme, Spektral Eğriltme, Vektör Makineleri. ABSTRACT This paper presents the utilization of spectral warping, which is a non-linear transformation that warps the frequency content of a signal, to increase hyperspectral image classification accuracy. In the proposed approach, the frequency content corresponding to spectral data of the hyperspectral image is non-linearly transformed along the spectral axis using warping. Experimental results are obtained for different values of the warping parameter and it is shown that applying spectral warping can increase classification accuracy for appropriate warping parameters. Keywords: Hyperspectral Images, Spectral Warping, Vector Machines
1. GİRİS Askeri, savunma, medikal, tarım, hayvancılık gibi birçok alanda uygulaması bulunan hiperspektral görüntüleme birçok dar dalga boyu bandına ait imge verilerini elde etmekte ve bunun sonucunda dalga boyuna göre bir ayrışım sağlamaktadır. Bu sayede sahne içerisindeki bölgelerin sınıflandırması veya belirli malzeme ve nesnelerin tanınması standart görüntü algılayıcılarına oranla çok daha yüksek bir başarımla sağlanabilmektedir. Şekil 1 de örnek bir pikselin spektrumu gösterilmektedir. Şekil 1. Hiperspektral görüntülerdeki her piksel için dalga boyuna bağlı spektrumun elde edilmesi Hiperspektral görüntülerin askeri uygulamalarına örnek olarak, [1] de Kanada askeri kuvvetleri için gerçekleştirilmekte olan HYMEX (HYperspectral image EXploitation) projesi ile elde edilen önsel sonuçlar verilmiştir. Bu projede hedef algılama ve tanıma, bitki örtüsü toprak analizleri, su renk haritalanması olmak üzere üç alanda çalışılmıştır. Askeri araçların, kamuflaj ve arka plan durumunda hiperspektral veriler kullanılarak tanınması üzerine [2] de çalışılmıştır. ABD hükümeti tarafından yayınlanan [3] deki çalışmada 1998 yılında tasarım aşamasında olan HRST (Hyperspectral Remote Sensing Technology) programından bahsedilmektedir. HRST programı ABD Deniz Kuvvetlerinin ihtiyacını karşılamak üzere [3] de hiperspektral görüntüleme sistemi kullanılarak dünyadaki kıyı bölgelerinin karakterize edilmesi konusunu içermektedir. ABD kara kuvvetlerinin doğal kaynaklar ve çevre kuruluşu tarafından bitki örtüsü haritalanması, tahrip edilen bölgelerin tekrardan
planlanması ve bir, beş ve on yıllık değişimlerin algılanması amacı ile başlatılan proje [4] de anlatılmıştır. Bu bildiride, hiperspektral görüntülerde sınıflandırma performansının artırılması amacı ile spektral eğriltme (frekansda eğriltme) [5] işleminin her bir spektral veri için uygulanması ele alınmaktadır. Spektral eğriltme bir işaretin frekans bileşenlerinin frekans ekseni boyunca değiştirilmesi amacı ile önerilmiştir ve çok çeşitli sinyal işleme uygulamalarında işareti işlemeye daha uygun biçime dönüştürmek için kullanılmaktadır. Çok çeşitli uygulamalarda [6-9] kulllanılmış olan spektral eğriltme yöntemi, hiperspektral görüntülerde sınıflandırma performansının artırılması amacı ile [10] da önerilmiştir. Bu çalışmada, hiperspektral görüntülerin her bir pikseli ile ilişkili spektral verilere spektral eğriltme yönteminin, sınıflandırma işlemi öncesinde uygulanması gercekleştirilmektedir ve önerilen yöntemin sınıflandırma başarımını arttırdığı gösterilmektedir. 2. TEORİ Bu çalışmada spektral eğriltme (warping) [5] yönteminin hiperspektral görüntülerde her bir pikseli ile ilişkili spektral verilere sınıflandırma başarımının arttırılması için uygulanması önerilmektedir. Spektral eğriltme işleminde, frekans bileşenleri, spektral eksende doğrusal olmayan şekilde değiştirilmektedir ve bu işlem, birinci dereceden seri tüm geçiren süzgeçler kullanılarak elde edilmektedir. Şekil 2 de her bir spektral veriye uygulanan eğriltme ağı gösterilmektedir. Giriş işareti zamanda terslenerek ilk tüm geçiren süzgeçe uygulanmaktadır. Çıkış verisinin son örneği, eğriltme işlemi uygulanan yeni verinin ilk örneğini oluşturmaktadır. Sonrasında süzgeçlenmiş veri, ikinci tüm geçiren süzgeçe uygulanmaktadır ve elde edilen verinin son örneği, çıkış verisinin bir sonraki örnek değerini oluşturmaktadır. Bu işlemler her bir süzgeç için gerçekleştirilmektedir. Elde edilen spektral eğriltme işlemi uygulanmış veri örneği sayısı, filtre sayısı ve dolayısıyla hiperspektral bant sayısına eşittir. Orijinal ve spektral eğriltme uygulanmış örnek bir spektral veri Şekil 3 de gösterilmektedir. Şekil 2. Spektral eğriltme ağı
Şekil 3. Orijinal ve frekansta eğriltme (FE) uygulanmış örnek bir spektral veri Destek vektör makineleri (DVM) [11] ve İlgililik vektör makineleri (İVM) [12] sınıflandırma yöntemleri kullanılarak, frekansta eğriltme işleminin DVM ve İVM sınıflandırma yöntemleri üzerindeki performansı incelenmektedir. Bu iki yöntem, literatürde mevcut diğer yöntemlerden daha yüksek sınıflandırma başarımı sağlayabildiği için tercih edilmiştir. Yer sıkıntısı nedeniyle bu yöntemler hakkında çok fazla bilgi verilememekte olup, okuyucuların ilgili kaynağı incelemesi önerilmektedir. DVM [11] denetimli (supervised) sınıflandırma ve regresyon için yüksek başarım sağlamaktadır. DVM iki sınıfa ait örnekler arasındaki karar yüzeyini oluştururken yüzeyin iki sınıfa olan uzaklığını en yüksek dereceye çıkarmaya çalışmaktadır. Test aşamasında yeni giriş verileri, eğitim işlemi sonucunda elde edilen model parametreleri kullanılarak sınıflandırılmaktadır. Eğitim verisi doğrusal olarak ayrılamıyor ise DVM sınıflandırmada kernel yaklaşımı kullanılmaktadır. Kernel yöntemleri orijinal giriş uzayını, yüksek boyutlu kernel özellik uzayına yansıtmaktadır. Bu sayede uygun kernel parametreleri kullanılarak daha iyi sınıflandırma sonuçları elde edilebilmektedir. DVM de Mercer koşullarını sağlayan ve simetrik kesin pozitif olan kernel fonksiyonlarının kullanılması gerekmektedir. Literatürde değişik uygulamalar için çeşitli kernel fonksiyonları bulunmaktadır, fakat bu çalışma kapsamında en yaygın kullanılan kernel olan radyal taban fonksiyonu kullanılmıştır. DVM temelli sınıflandırmanın olasılıksal çıkış verememe, ödünleşim parametre hesabı gereksinimi ve Mercer kernel fonksiyonlarına bağımlılık gibi dezavantajları vardır. DVM için bahsedilen bu dezavantajlar, DVM nin Bayes davranış gösteren biçimi olan İVM sınıflandırma yöntemi kullanılarak çözülebilmektedir. Ayrıca İVM daha az sayıda kernel fonksiyonu gerektirmektedir. Bu nedenle İVM de sınıflandırma (test) süresi, daha az kernel fonksiyonu kullanılması nedeniyle DVM ye göre azalmaktadır.
Sınıflandırma sonuçları farklı eğriltme parametreleri için, 220 bant içeren 1992 yılının Haziran ayında kuzeybatı Indiana nın Indian Pine test alanında alınan hiperspektral görüntü [13] kullanılarak elde edilmiştir. Kullanılan hiperspektral görüntünün tek bandının görüntüsü ve sınıf bilgilerinin içeren görüntü (yer doğrusu, ground truth) Şekil 3 (a) ve Şekil 3 (b) de sırasıyla gösterilmektedir. Uygulamada atmosferik gürültü içeren bantlar atılarak 200 bant kullanılmıştır. Özgün veride 16 sınıf bulunmaktadır. Fakat, bazı sınıfların eleman sayısı çok düşük olduğundan, veri miktarı büyük olan 9 sınıf seçilerek, bu sınıflar 4757 eğitim verisi ve 4588 test verisi elde etmek için kullanılmıştır. Her sınıf için seçilen eğitim ve test verilerinin miktarları Çizelge 1 de gösterilmektedir. Bu çalışmada İVM ve DVM sınıflandırma için radyal taban fonksiyonu kerneli kullanılmıştır. Hızlı eğitim süresi sağladığı için çoklu DVM ve İVM sınıflandırma için bire-bir çoklu sınıflandırma [11,12] kullanılmıştır. Farklı eğriltme parametreleri kullanılarak gerçekleştirilen frekansta eğrilte işlemi sonucunda elde edilen yeni hiperspektral verinin DVM ve İVM sınıflandırma başarımları Çizelge 2 de gösterilmektedir. Deneysel sonuçlar uygun eğriltme parametreleri kullanılarak sınıflandırma başarımının İVM için %2, DVM için %1 oranında artırılacağını göstermektedir. (a) (b) Şekil 3. (a): Hiperspektal görüntünün tek bandı (b): sınıf bilgisi verisi Çizelge 1. 9 sınıf için eğitim ve test verisi miktarları Sınıf Eğitim Test S1-Corn-no till 742 692 S2-Corn-min till 442 392 S3-Grass/Pasture 260 237 S4-Grass/Trees 389 358 S5-Hay-windrowed 236 253 S6-Soybean-no till 487 481 S7-Soybean-min till 1245 1223 S8-Soybean-clean till 305 309 S9-Woods 651 643 Toplam 4757 4588
Çizelge 2. Farklı Spektral Eğriltme Parametreleri (SEP) için DVM ve İVM Sınıflandırma Başarımları (SB) SEP SB SB SEP DVM İVM DVM İVM 0 92.67 90.32 - - - 0.1 93.43 91.93-0.1 84.89 85.87 0.2 93.39 92.48-0.2 77.65 82.21 0.3 93.48 92.76-0.3 70.74 78.83 0.4 93.41 92.56-0.4 64.93 77.15 0.5 93.76 92.72-0.5 59.59 73.08 0.6 93.67 92.69-0.6 56.86 68.78 0.7 93.72 92.63-0.7 56.22 65.14 0.8 93.83 91.67-0.8 55.47 57.32 0.9 92.95 90.58-0.9 52.74 55.86 5. SONUÇ Bu çalışmada, hiperspektral verilerinin sınıflandırma başarımlarının arttırılması amacı ile frekansta eğrilme işleminin kullanılması gösterilmektedir. Farklı eğriltme parametreleri için deneysel sonuçlar verilmektedir ve uygun parametrelerde frekansta eğriltme işlemi kullanılarak DVM ve İVM sınıflandırma başarımının artırılabileceği gösterilmektedir. Önerilen yöntem ile elde edilen sonuçlar son zamanlarda yaygın olarak kullanılan DVM ve İVM sınıflandırma başarımını arttırması nedeni ile hedef algılama, hedef tanıma ve askeri araçların, kamuflaj ve arka plan durumunda tanınması gibi savunma uygulamalarında kullanılması uygundur. KAYNAKÇA [1] J.-P. Ardouin, J. Lévesque, T. A. Rea, (2007), A Demonstration of hyperspectral image exploitation for military applications, 10th International Conference on Information Fusion, July 9-12, Canada. [2] R.P. Bongiovi, J.A Hackwell, T.L. Hayburst, (1996), Airborne LWIR hyperspectral measurements of military vehicles, Proceedings Aerospace Applications Conference, February 3-10, Aspen, CO, USA. [3] T. Wilson, R. Felt, (1998), Hyperspectral remote sensing technology (HRST) program, IEEE Aerospace Conference, March 21-28, Aspen, CO, USA.
[4] K.L Steinmaus, D.E. Irvin, A.J. Stephan, S. Kruger, P. Nissen, (1998), Innovative environmental management using remote sensing at the USArmy's Yakima Training Center, Yakima, Washington, IEEE Geoscience and Remote Sensing Symposium Proceedings, July 6-10, Seattle, WA, USA. [5] C. Braccini, A. V. Oppenheim, (1974), Unequal Bandwidth Spectral Analysis Using Digital Frequency Warping, IEEE Transactions on Acoustics, Speech, Signal Processing, 22, 236 244. [6] S. Ertürk, (2007), Warped Discrete Cosine Transform Based Low Bit-Rate Block Coding Using Image Down-Sampling, EURASIP Journal on Advances in Signal Processing, Article ID 43948. [7] D. Bailey, W. Allen, S., Demidenko, (2004), Spectral warping revisited, IEEE International Workshop on Electronic Design, Test and Applications, Perth, Australia. [8] J. H. Chang, (2005), Warped Discrete Cosine Transform-Based Noisy Speech Enhancement, IEEE Transactions on Circuits and Systems II, 52, 535 539. [9] L. Lee, and R. Rose, (1998), A Frequency Warping Approach to Speaker Normalization, IEEE Transactions on Speech and Audio Processing, 6, 49-59. [10] B. Demir, S. Ertürk, (2008), Improved Classification and Segmentation of Hyperspectral Images Using Spectral Warping, International Journal of Remote Sensing, Accepted for publication. [11] F. Melgani, L. Bruzzone, (2004), Classification of Hyperspectral Remote Sensing Images with Support Vector Machines, IEEE Transactions on Geoscience and Remote Sensing, 42, 1778-1790. [12] B. Demir, S. Ertürk, (2007), Hyperspectral Image Classification Using Relevance Vector Machines, IEEE Geoscience and Remote Sensing Letters, 4, 586-590. [13] NW Indiana s Indian Pines 1992 data set [Online]. Available:ftp://ftp.ecn.purdue.edu/biehl/MultiSpec/92AV3C (orijinal files) and ftp://ftp.ecn.purdue.edu/biehl/pc_multispec/thyfiles.zip (ground truth).