Uzaktan algılamada uydu görüntülerine uygulanan işlemler

Uzaktan algılama görüntülerine uygulanan işlemler genel olarak; 1. Görüntü ön işleme (Düzeltme) 2. Görüntü İşleme olarak ele alınabilir.

GÖRÜNTÜ ÖNİŞLEME Uzaktan algılama görüntüleri yapılarında sistematik yada sistematik olmayan hatalar barındırırlar. Bu nedenle uygulamada kullanılabilmeleri için bir takım düzeltmelere (ön işlemlere) tabi tutulmaları gerekir.

Bu düzeltme işlemleri çoğu zaman “ön işleme” olarak da adlandırılır. Çünkü, bu işlemler daha sonraki adımlarda görüntülerden özel bilgiler elde etmek için yapılan “işleme ve analiz” işlerinden daha önce yapılır. Ön işlemler, görüntüyü belirli bir koordinat sistemine oturtmaya yarayan «geometrik düzeltme» ve algılanan görüntüde objeyi temsil etmeyen yansımaların giderilmesini amaçlayan «radyometrik düzeltme» adımlarını içerir.

1. Geometrik düzeltme

Geometrik düzeltme, ham görüntüdeki geometrik bozulma

etkilerinin giderilmesi, ve görüntünün yer kontrol noktaları

kullanılarak tanımlı bir coğrafi koordinat sistemine oturtulması

işlemidir.

Düzeltilecek görüntüdeki nokta koordinatları, yer kontrol

noktalarının koordinatları ile tanımlanırken (enlem, boylam gibi)

yapılan işleme rektifikasyon, bu işlem iki görüntünün aynı

noktalarını eşleştirme ya da bir görüntüyü diğerine göre düzeltme

şeklinde yapılıyor ise geometrik kayıt denilmektedir.

Aşağıda İstanbul ait bir uydu görüntüsünün geometrik düzeltmesi yapılmadan önceki ve sonraki görüntüleri görülmektedir.

(1) 1998 Kilyos-Karaburun, orjinal Landsat görüntüsü (2) Geometrik olarak düzeltilmiş Landsat görüntüsü

2. Radyometrik düzeltme

Radyometrik düzeltmeler, bilgilerdeki düzensiz ve yanlış

algılamalara neden olan atmosferik etkilerin giderilmesini ve

algılayıcılar tarafından algılanan radyasyondan, objeleri tam

olarak temsil etmeyen yansımaların düzeltilmesi yada elemine

edilmesini içerir.

Radyometrik düzeltmeye 3 tür hata nedeni ile ihtiyaç duyulabilir: 1.Algılayıcı kaynaklı hatalar: Bunlar sistematik hatalardır. 2. Güneş ışınlarının geliş açısından veya topoğrafyadan kaynaklanan gölge etkisi 3. Atmosferik şartlardan kaynaklanan hatalar: Sis ve bulut örnek olarak verilebilir. Hedefin önünde yer alarak, yeryüzüne ait veriye sağlıklı bir şekilde ulaşmayı engellemektedirler. Görüntü işleme aşamasına geçilmeden önce bu hata ve etkilerin giderilmesi gerekmektedir.

1- Algılayıcı kaynaklı radyometrik hata (SPOT 4) 2- Bulut etkisi (SPOT 4) 3- Sis etkisi (SPOT 4) görülmektedir.

a) Orjinal görüntü b) Düzeltilmiş görüntü

GÖRÜNTÜ İŞLEME

Görüntü sayısallaştırılarak bilgisayar ortamına aktarıldıktan sonra görüntüden istenilen bilgilerin elde edilebilmesi için bazı önemli işlemlerden geçirilmesine görüntü işleme denir.

Görüntü Zenginleştirme

Görüntü Dönüşümleri

Veri Entegrasyonu

Sınıflandırma

Kontrolsüz Sınıflandırma

Kontrollü Sınıflandırma

Görüntü zenginleştirmenin amacı görsel yorumlamayı daha da iyileştirmektir. Belirli bir fotoğraf veya görüntünün belirli bir karesi çeşitli çevresel etkenlerden dolayı bozulmuş olabilir. Bu tip görüntüler bir takım görüntü zenginleştirme yöntemleri uygulanarak bir özelliğine göre daha zengin hale getirilebilir.

GÖRÜNTÜ ZENGİNLEŞTİRMESİ

Kontrast uzanımı Standart Yapay- Renkli Görüntüler Spektral Oranlama Kenar Zenginleştirmesi Yoğunluk-Renk-Doygunluk (YoRD) Dönüşümü Brovey Dönüşümü En Küçük Kareler Yöntemi Temel Bileşen Zenginleştirmesi Gram-Schmidt Yöntemi

Görüntü Zenginleştirme Yöntemleri

1. Radyometrik zenginleştirme

2. Konumsal zenginleştirme

3. Spektral zenginleştirme

Bu ders kapsamında görüntü zenginleştirme işlemleri:

Radyometrik zenginleştirme görüntüdeki piksellerin kendi değerleri ile ilgilenir. Noktalara ve onların yer aldığı bantlara bağlı olduğundan bir banda uygulanan radyometrik zenginleştirme diğer bantlar için uygun olmayabilir. Bu nedenle çok bantlı bir görüntünün radyometrik zenginleştirmesi, genellikle tek bant zenginleştirmesi gibi bağımsız bir seti olarak düşünülebilir

Radyometrik zenginleştirme :

- Zıtlık Arttırma (ContrastStretching) - HistogramDengeleme (HistogramEqualization) - Dilimleme (LevelSlice) - HistogramEşleme (HistogramMatching) - Parlaklık Değiştirme (BrightnessInversion)

Bilgisayar ortamındaki 8 bitlik kodlama sisteminde, görüntü 256 gri seviyesinde gösterilir ve kaydedilir. Kontrast uzanımının amacı, görüntüye ait parlaklık değerlerinin (PD) dar aralığını daha geniş bir aralığa yaymaktır. Bu işlemlere aynı zamanda histogram işlemleri adı da verilmektedir.

Histogram, sayısal bir resim içerisinde her renk değerinden kaç adet olduğunu gösteren grafiktir. Bu grafiğe bakılarak resmin parlaklık durumu ya da tonları hakkında bilgi sahibi olunabilir.

Kısaca bir görüntüdeki yansıma değerlerinin grafik gösterimidir. Grafikte, yansıma değerleri x-ekseni üzerinde ve bu değerlerin görüntüde tekrar etme sıklığı ise y-ekseninde görülmektedir.

Bir görüntünün belli dağılıma sahip yansıma değerleri üzerinde işlemler yapılarak görüntüde istenen özellikler daha belirgin hale getirilebilir. Aşağıda Bursa'ya ait 1987 Landsat TM görüntüsü yer almaktadır. Ham görüntünün histogramı (1) ile gösterilmiştir. Lineer kontrast artırımı metodu uygulanmış yeni görüntüde (2) pek çok ayrıntı daha belirgin hale gelmiştir.

Histogramda gözlenen 60-158 arasındaki değerleri, 0 ila 255 arasına yayılarak daha iyi bir gösterim elde edilebilir. Böylece, Şekil 2' deki aralık homojen olarak daha geniş bir aralığa yayılır. Bu işlem, doğrusal uzanım olarak adlanır. İşlem öncesinde, görüntü tonlarında güçlükle fark edilen değişimler, sonradan yorumlayıcı tarafından kolayca tanınabilecek tonlara dönüşür. Eş uzanımlı histogram işlemiyse, değerlerin çoğunun histogramın sık olduğu bölüme atanmasıyla gerçekleşir (Şekil 2).

Konumsal zenginleştirme :

Tek tek her pikselde radyometrik zenginleştirmeler yapılırken, konumsal zenginleştirme piksellerin çevresindeki değerlere bağlı olarak piksel değerlerini değiştirir.

Farklı tonlarla ifade edilen bölgeler arasındaki ayrımı arttırmak için kenar zenginleştirme ya da filtreleme işlemleri uygulanır. Uzaysal filtreler bir görüntüdeki bazı nesneleri belirginleştirmek ya da bastırmak amacıyla kullanılırlar.

Alçak geçirgen bir filtre büyük, benzer tonda homojen alanları belirginleştirmek ve çok küçük detayları azaltarak sadeleştirmek üzere kullanılır. Yüksek geçirgen filtreler ise küçük detayları keskinleştirmek ve mümkün olduğu kadar çok detayı ortaya çıkarmak için kullanılır. Doğrusal filtreler, yolları ve alan sınırları gibi çizgisel yapıları vurgulamak için kullanılmaktadırlar.

Spektral Oranlama Bir görüntüyü oluşturan veriler, tek banttaki ayrı gri tonları veya üç bantta renkli olabileceği gibi farklı kombinasyonlarda da olabilir. Bunların en kullanışlısı, bir bandın diğer bir banda oranı olarak ifade edilir. Bu oranlama, bir bandı oluşturan piksellerin diğer banttakine bölünmesiyle ortaya çıkar.

Geliştirilen indeksler, farklı bantların veri dosya değerlerinin matematiksel olarak kombine edilmesiyle sonuç görüntüler yaratmak için kullanılır. Bunlar basit (BandX –BandY) veya karmaşık (BandX –BandY/BandX+ BandY) yapıda olabilir. Bu indekslerden en önemlilerinden ve en yaygın olarak kullanılanı NDVI (Normalized Difference Vegetation Index=Normalleştirilmiş bitki farklılık indeksi)’dir. NDVI yöntemi, sadece doğada bulunan bitki yansımalarının değerlendirilmesidir. Bitkiler, kızılötesi (NIR, near infrared) bantta yüksek, görünür kırmızı bantta (R) düşük yansıma değeri verir. Böylece, bitki varlığını ön plana çıkarmak için NDVI kullanılır. Dolayısıyla, NDVI bitkilerdeki klorofil bolluğunun da bir ölçüsüdür.

NDVI (Normalized Difference Vegetation Index = (NIR-R) / (NIR+R)

Algılayıcı Kızılötesi Band Kırmızı Band

Landsat MSS 7 5

SPOT XS 3 2

Landsat TM 4 3

NOAA 2 1

NDVI değerleri; -1,0 ile +1,0 arasında değişmektedir, ancak, bitkiler 0,1 ile 0,7 arasında değerler alırlar. Canlı bitkiler yüksek indeks değerleri alırlar.

2007 yılı ASTER uydu görüntüsü (Doğal renk)

NDVI uygulanmış görüntü

Görüntü Dönüşümleri: Genellikle iki veya daha fazla görüntüden yararlanılarak ilgilenilen özelliklerin daha fazla ortaya çıktığı yeni bir görüntünün oluşturulması işlemidir. Temel görüntü dönüşümleri görüntüye uygulanan basit aritmetik işlemlerdir. Örneğin, görüntü çıkarma işlemi genellikle farklı tarihlerde alınmış olan görüntülerin arasındaki farklılıkları bulmak için yapılan bir uygulamadır. Görüntü bölme veya orantılama işlemleri de sıkça kullanılan dönüşümlerdir.

Veri Entegrasyonu: Farklı kaynaklardan elde edilen bilgilerin daha iyi ve daha çok bilgi elde etmek üzere birleştirilmesidir. Bu kapsamda çok-zamanlı, çok-çözünürlüklü, çok-algılayıcılı veri kombinasyonları kullanılabilir. Bir uzaktan algılama veri setinin sınıflandırılmış harita formatında olan sonuçları, başka bir veri kaynağı olan Coğrafi Bilgi Sistemlerini (CBS) güncelleştirmede kullanılabilir. Farklı veri setlerini ve kaynaklarını bir arada kullanmak çok daha iyi sonuçlara ulaşmak için iyi bir yaklaşımdır. Veri entegrasyonuna DEM ve DTM örnek verilebilir. DEM (Sayısal Yükseklik Modeli) ve DTM (Sayısal Arazi Modeli), yükseklik verisinin üzerine uzaktan algılama görüntüsünün giydirilmesi ile elde edilen 3 boyutlu perspektif görüntülerdir. Aşağıda Haliç Bölgesiiçin oluşturulmuş bir DEM görüntüsü görülmektedir. DEM görüntülerinden yararlanılarak oluşturulan modeller ve simülasyonlar pek çok alanda kullanılmaktadır.

Dijital görüntülerde farklı özellik tipleri, doğal spektral yansıtma ve yayma özelliklerine bağlı olarak farklı sayısal değerler içeren kombinasyonlar oluşturmaktadır. Bu farklılıktan yararlanılarak aynı spektral özellikleri taşıyan yer yüzündeki nesneler gruplandırılabilmektedir.

Sınıflandırma; birçok bilim dalında kullanılan bir karar verme işlemidir. Görüntü sınıflandırma işleminde amaç, bir görüntüdeki bütün pikselleri arazide karşılık geldikleri sınıflar veya temalar içine otomatik olarak atamak, yerleştirmektir. Diğer bir anlamda görüntüdeki objelerin ayrıştırılmasıdır. Sınıflandırma ile görüntüdeki objeler, belirlenen sınıflara ayrılarak tanımlanırlar.

Sınıflandırmada amaç, uydu görüntülerindeki her pikseli spektral özelliklerine göre farklı gruplara ayırmak ve pikseli yansıtma değerlerine göre yer yüzünde karşılık geldiği kümeye atamaktır. Kısaca; alanı kapsayan sınıflar ve konulara göre bütün pikselleri ayrıştırmaktadır.

Uzaktan algılama ile elde edilmiş görüntüler yeryüzüne ait çeşitli türde bilgi içermektedir. Bu bilgi yeryüzünden yansıyan ya da yayılan enerjinin elektromanyetik spektrumun belli aralıklarında ölçülerek bandlara kaydedilmesi yoluyla toplanır. Her bir bandta o bandın duyarlı olduğu spekral aralığa ait yansıma değerleri bulunur. Uydu görüntülerinin içerdiği bu veriler ham haldedir, karmaşık görünen bu verilerden bilgi elde edebilmek için çeşitli analizler ve yorumlama teknikleri kullanmak gerekir.

Nesnelerin konumları ve dışsal nedenler, aynı nesnelerin farklı yansıtma değerleri vermesine neden olur. Bu sebeple aynı nesnelere ait yansıma değerleri guruplandırılır. Sınıflandırma olarak tanımlanan bu aşama, uzaktan algılama veri setinin içerdiği spektral sınıfları çeşitli istatistiksel yöntemler ile belli kategorilere ayırma işlemidir.

Sınıflandırmada dikkat edilecek hususlar :

Algılayıcı, algılama zamanı ve spektral bantların amaca uygun olarak seçimi.

Yer yüzü özelliklerini ortaya koyabilecek kontrol alanlarının seçimi.

Amaca yönelik sınıflandırma algoritmaların seçimi. Belirlenen bu özelliklerin tüm görüntüye uygulanması ve

görüntülenmesi. Sonuç görüntülerinde doğruluk değerlendirmelerinin

yapılması.

1-PİXEL-TABANLI Kontrollü(Supervised) sınıflandırma Kontrolsüz(Unsupervised) sınıflandırma 2-OBJE-TABANLI

Sınıflandırma Yöntemleri

Sınıflandırma

Pixel Tabanlı Sınıflandırma Obje Tabanlı Sınıflandırma

Kontrolsüz sınıflandırma Kontrollü sınıflandırma

Bu yöntem; piksellerin, kullanıcı müdahalesi olmadan algoritmalar yardımı ile otomatik olarak kümelendirilmesi temeline dayanmaktadır. Bu yöntem karar kuralı olarak, minimum uzaklığı kullanır. Pikseller, görüntünün sol üst köşesinden başlanarak soldan sağa ve satır satır analiz edilir. Aday piksel ile her bir küme ortalaması arasında spektral uzaklık hesaplanır ve en yakın kümeye atanır. Öncelikle istenilen sınıf sayısı kadar oluşturulan kümenin ortalaması hesaplanır ve her iterasyondan sonra, her bir kümenin yeni ortalaması hesaplanılarak, bu ortalamalar bir sonraki iterasyon kümelerinin tanımlanmasında kullanılır. Kontrolsüz sınıflandırma yöntemleri içerisinde en yaygın olarak kullanılan ISODATA (Iterative Self Organizing Data Analyses Tecnique=Tekrarlı veri Analizi Yöntemi)’dır. Bu yöntem, tekrarlı olarak tüm sınıflandırmayı gerçekleştirme ve uygulanan her iterasyon sonrasında yeniden istatistik hesaplamasını temel alır. Self Organizing ise, minimum girdi ile kümelerin oluşturulmasıdır.

Kontrolsüz sınıflandırma

Kontrolsüz sınıflandırma

Kontrolsüz sınıflandırma; görüntüdeki veri tanımlanamadığında başvurulan bir yöntemdir. Bu yöntemde, arazi örtüsü tipini bilinmesine gerek yoktur, öncelikle sınıf sayıları belirlenir (bu aralığın geniş tutulması faydalıdır). Ayrıca, veri bandı değerleri yardımı ile, benzer piksellerin otomatik olarak bulunması temel alınmaktadır. Tanımlanan bu pikseller sembol, değer ya da etiketlere atanır, gerektiğinde de aynı tip sınıflarla birleştirilir.

Örnek: Öncelikle şekilde 20 spektral küme oluşturulmuş ve

ardından benzer özelliklere sahip olanlar birleştirilerek 6 bilgi sınıfı (yanan orman, su, sık orman, seyrek orman, çıplak arazi, yerleşim alanı) üretilmiştir .

Bu yöntemde çalışma alanındaki yer yüzü özelliklerini tanımlayan yeteri sayıdaki örnek bölgeler (test alanlar) kullanılarak, sınıflandırılacak her bir cisim için spektral özellikleri tanımlı özellik dosyaları oluşturulur. Bu dosyaların görüntü verilerine uygulanması ile her bir görüntü elemanı (piksel), hesaplanan olasılık değerlerine göre en çok benzer olduğu sınıfa atanmaktadır. Şekil de Kontrollü sınıflandırma yönteminin temel aşamaları.

Kontrollü sınıflandırma

Band 1 Band 2

Band 3 Band 4

Göl

Yerleşim

Orman

Orman

Orman

Yerleşim

Göl

Piksel 2,6

DN1

DN2

DN3

DN4

G

Kontrol

Sınıflandırma Çıktı

Kontrollü sınıflandırmada; kontrol aşaması, sınıflandırma aşaması ve çıktı aşaması şeklinde üç aşamadan oluşur.

Kontrol aşaması; bu aşamada incelenecek alanda bilinen sınıfları temsil edecek kontrol alanları seçilir. Bu alanlar, sınıflandırmada kullanılacak her bilgi sınıfı için yeterli düzeyde homojen ve temsil edici şekilde belirlenir. Kontrol alanları her özellik tipi ile ilgili spektral özellikleri tanımlayan bir sayısal yorumlama anahtarı düzenlemek için kullanılır.

Sınıflandırma aşaması; görüntüdeki her bir piksel sayısal olarak yorumlama anahtarı içindeki her bir sınıf ile karşılaştırılarak, sınıflardan en çok hangisine benzediği saptanır ve ilgili sınıfın adı ile etiketlenir. Bilinmeyen pikseller ve araştırma seti pikselleri arasındaki bu karşılaştırmayı yapmak için kullanılabilecek çok sayıda sayısal yöntem vardır. Bu çalışma istatistiksel kavramlara dayalı sınıflandırma yöntemleri olarak; Ortalama en az uzaklık yöntemi, paralel kenar yöntemi, En yüksek olasılık yöntemi sunulmuştur.

Çıktı aşaması; çıktı ürünleri sınırsız sayıda üretilebilir. En yaygın kullanılan çıktı formları; grafik ürünler, çizelge çıktı ürünler ve sayısal bilgi dosyaları şeklindedir.

Kontrollü sınıflandırma işlemine tabi tutulan yangın sonrası görüntüsüne ait 3 spektral banttan 5 kontrol bölgesi (yanan orman, su, sık orman, seyrek orman, yerleşim alanı) üretmek üzere toplam 8436 piksel, homojen şekilde seçilmiştir. Yer gerçeklik verisi olarak 1 metre mekânsal çözünürlüğe sahip IKONOS uydu görüntüsü kullanılmıştır.

En Yüksek Olasılık Sınıflandırması: : Bu yöntem, sınıflar için eş olasılık eğrilerinin tanımlanmasına ve sınıflandırılacak piksellerin üyelik olasılığı en yüksek olan sınıfa atanması ilkesine dayanır.

Kontrollü Sınıflandırma Yöntemleri

1- Her bir sınıf için olasılıklar değerlendirilir. 2- Piksel bunlardan en olası sınıfa atanır. 3- Eğer pikselin herhangi bir sınıfa ait olma olasılığı, belirlenen bir eşiğin altında ise bilinmeyen olarak sınıflandırılır.

En Yüksek Olasılık Sınıflandırması En Yüksek Olasılık Yöntemi İle Tanımlanan Olasılık Yoğunluk Fonksiyonları

Şekilde özellik uzayı üzerinde çizilmiş 3 boyutlu olasılık değerleri değişim grafiğini göstermektedir. Burada düşey eksen, herhangi bir pikselin herhangi bir sınıfa dahil olma olasılığını göstermektedir. Bu şekilde elde edilen eğriler olasılık yoğunluk fonksiyonları olarak adlandırılır

Paralel Kenar Yöntemi Her sınıf için eğitim alanlarındaki sınıf varyanslarına dayalı parlaklık

değerlerinin sınırları belirlenir. Bu sınırlar her bir bant için en yüksek ve en düşük parlaklık değerleri ile tanımlanır.

•Bu sınır değerleri iki boyutlu özellik uzayında paralel kenarlarla ifade edilen bir alan olarak ortaya çıkar.

•Bilinmeyen bir piksel bu sınır değerleri kullanılarak oluşturulan karar bölgelerine göre sınıflandırılır.

•Eğer piksel bütün karar bölgelerinin dışında kalıyorsa bilinmeyen olarak sınıflandırılır.

En küçük Uzaklık Yöntemi Yöntemde, öncelikle her bir sınıfın tüm bantlardaki ortalama parlaklık değeri hesaplanır. Bu değerler her bir sınıfa ait ortalama vektörü oluşturur. sınıfların kovaryans matrislerinin eşit olduğu varsayımı ile sınıfı bilinmeyen bir piksel sınıf ortalamaları ve bilinmeyen pikselin değeri arasındaki uzaklık hesaplanarak sınıflandırılabilir. Bu işlem sonucu her piksel n boyutlu uzayda, kendisine en yakın ortalama vektöre sahip sınıfa atanır. Eğer piksel herhangi bir sınıf ortalamasından önceden belirlenmiş bir uzaklık, eşik değerinden daha uzaksa bu piksel bilinmeyen olarak sınıflandırılır.

Bu sınıflandırma yönteminde pixel boyutunda gruplanmış veriler yerine oluşturulan segmentler kullanılır. Segment, belli bir gri değerine veya aralığa sahip ve bu gri değerleri grubunu temsil eden alanlar olarak nitelendirilebilir. Bu alanlar (segmentler) seçilen segment parametrelerinin değerlerine göre görüntüde farklılık gösterir.

Segment parametreleri, görüntünün özelliklerine göre ve yapılacak sınıflandırmaya göre birden fazla Level değerleri oluşturularak belirlenir ve amaca en uygun parametreler (Level) sınıflandırma işlemi için kullanılır.

OBJE-TABANLI SINIFLANDIRMA YÖNTEMİ

Level ScaleParameter Color Shape Smoothness Compactness Level1 5 0.7 0.3 0.9 0.1 Level2 10 0.5 0.5 0.5 0.5 Level3 25 1.0 0.0 0.5 0.5

SP=5

SP=10

SP=25

ISODATA kontrolsüz sınıflandırma ISODATA kontrolsüz sınıflandırma

PARALELPIPED sınıflandırma yöntemi Paralel Kenar sınıflandırma yöntemi

MINIMUM DISTANCE sınıflandırma yöntemi En Küçük Uzaklık Sınıflandırma yöntemi

MAXIMUM LIKELIHOOD yöntemi En Yüksek Olasılık yöntemi

OBJE-TABANLI sınıflandırma yöntemi OBJE-TABANLI sınıflandırma yöntemi