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
= {0, pi/6, 2.pi/6, 3.pi/6, 4.pi/6, 5.pi/6}
bakan kenarları tespit edebilmek için de
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.
Download

projem istanbul araştırma projesi