Uydu Görüntüleri Üzerinde Yarıçapsal Dönüsüm Tabanlı Dairesel

Uydu Görüntüleri Üzerinde Yarıçapsal Dönüsüm Tabanlı Dairesel

Uydu Görüntüleri Üzerinde Yarıçapsal Dönüşüm
Tabanlı Dairesel Hedef Bulma Algoritması
Circular Target Detection Algorithm on Satellite
Images based on Radial Transformation
Emin Zerman, Emrecan Batı, Gözde Bozdağı Akar
Emre Başeski
Şebnem Düzgün
Elektrik ve Elektronik Mühendisliği Bölümü
Orta Doğu Teknik Üniversitesi
Ankara, Türkiye
{zerman, ebati, bozdagi}@eee.metu.edu.tr
HAVELSAN A.Ş.
Ankara, Türkiye
[email protected]
Maden Mühendisliği Bölümü
Orta Doğu Teknik Üniversitesi
Ankara, Türkiye
[email protected]
Özetçe —Uzaktan algılama son yıllarda dünya üzerinde birçok
devlet ve sanayi kuruluşu tarafından giderek yaygınlaşan bir
biçimde kullanılmaktadır. Hedef bulma da uydu fotoğraflarını
kullanarak geliştirilen uygulamalar arasında önemli bir yere
sahiptir. Bu bildiride yarıçapsal dönüşüm tabanlı özgün bir
dairesel hedef bulma algoritması önerilmektedir. Bu algoritma
genel olarak ön-işleme, hedef bulma ve son-işleme şeklinde
üç aşamadan oluşmaktadır. Ön-işleme aşamasında hedef bulma
aşaması için gereken çiftyönlü gürültü azaltma süzgeçlemesi ve
bitki örtüsü bulma işlemleri yapılmaktadır. Hedef bulma aşaması
bir yarıçapsal dönüşüm araması ile eğitim sonucu elde edilen
değişken değerlerine göre dairesel hedefleri bulmakta, son-işleme
aşaması ise bitki örtüsü bilgisini kullanarak yanlış bulunan hedeflerin elenmesini sağlamaktadır. Algoritmanın uygulama alanı
olarak endüstriyel alanlardaki ve limanlardaki Petrol ve Yağ
Ürünleri (Petroleum Oil Lubricants, POL) depoları seçilmiştir.
Algoritma Yakın-Kızılötesi bant ile birlikte 4 bant imgeler içeren
bir veri kümesi üzerinde eğitilmiş ve denenmiştir. Önerilen algoritma tam bir yarıçapsal dönüşüm araması kullandığından farklı
büyüklükte ve farklı tiplerde birçok hedefi kolayca bulabilmesinin
yanısıra yapılan denemelerde endüstriyel alanlarda ve limanlarda
başarılı sonuçlar vermiştir.
Anahtar Kelimeler—Hedef bulma, uzaktan algılama, yüksek
çözünürlüklü uydu görüntüleri, POL bulma
Abstract—Remote sensing is used in a spreading manner
by many governmental and industrial institutions worldwide in
recent years. Target detection has an important place among the
applications developed using satellite imagery. In this paper, an
original circular target detection algorithm has been proposed
based on a radial transformation. The algorithm consists of
three stages such as pre-processing, target detection, and postprocessing. In the pre-processing stage, bilateral noise reduction
filtering and vegetation detection operations are completed which
they are required by target detection step. The target detection stage finds the circular target by a radial transformation
algorithm and variables obtained from the training, and postprocessing stage carries out the elimination of falsely detected
targets by utilizing the vegetation information. The Petroleum Oil
Lubricants (POL) depots in the industrial areas and harbors have
Bu çalı¸sma HAVELSAN A.¸S. tarafından desteklenmektedir.
been chosen as an application area of the proposed algorithm. The
algorithm has been trained and tested on a data set which includes
4-band images with Near-Infrared band. Proposed algorithm is
able to detect many circular targets with different types and sizes
as a consequence of using a full radial transformation search as
well as it gives rewarding results on industrial areas and harbors
in the experiments conducted.
Keywords—Target detection, remote sensing, high resolution
satellite images, POL detection
I.
G İR İ Ş
Uzaktan algılama teknolojileri tüm dünyada son yıllarda
hem araştırmacılar hem de planlamacılar ve farklı kurumlar
tarafından oldukça ilgi gören bir alan olmuştur. Hava ve
uydu görüntülerinin işlenmesiyle elde edilen bilgiler doğal
olayların anlaşılması, yerbilimsel olayların takibi, toplumbilimsel incelemeler ve kentsel yapılaşma planlaması gibi birçok
farklı alanlarda kullanılmaktadır [1], [2]. Bu alanlar içerisinde
birçok hedefin veya bölgenin takibi önem göstermektedir. Bu
bölgelerin otomatik olarak bulunması, artan veri boyutları
sebebiyle bir gereklilik haline gelmiş ve bu sayede üzerinde
sıkça çalışılan, sıcak araştırma konuları olmuşlardır.
Otomatik olarak bulunmaya çalışılan hedeflerin içerisinde
dairesel hedefler birçok depolama alanını göstermesi açısından
ayrı bir yere sahiptir. Dairesel hedeflerin bulunması konusu
daha önce Hough Dönüşümü tabanlı birçok çalışma tarafından
ele alınmıştır [3], [4]. Ancak bu algoritmalar sadece kenar
bilgileri açık bir şekilde görülebilen temiz resimlerde düzgün
sonuç vermekte ve çok farklı çeşitlilikteki uydu görüntüleri söz
konusu olduğunda istenilen sonuç elde edilememektedir.
Bu çalışmada uygulama alanı olarak endüstriyel bölgelerdeki ve limanlardaki Petrol ve Yağ Ürünleri (Petroleum Oil
Lubricants, POL) depoları seçilmiştir. Bilindiği kadarıyla bu
uygulama alanında Wang et.al. [5], Okman [6] ve Ok [7]
dışında yapılan bir çalışma bulunmamaktadır. Bu çalışmalar,
yukarıda belirtilenlere benzer olarak sırayla kenar bulma,
bağlantılı bileşen kullanarak doğru ve kenar bulma, gölge
kenarlarını bularak daire oturtma yöntemlerini kullanmaktadırlar. Bu nedenle bu alanda gürbüz bir algoritmanın ihtiyacı
hissedilmektedir.
Bu çalışma uzaktan algılama alanında POL bulma
konusunda yeni ve özgün bir çözüm sunmayı amaçlamaktadır. Uydu görüntülerinden POL bulma konusundaki probleme önerilen algoritma Yakın-Kızılötesi (Near-Infrared) dalgaboyunu da içeren 4-bant imgelerden oluşan bir veri seti
ile eğitilmiş ve denenmiştir. Bildirinin sonraki bölümlerinde;
önerilen algoritma, deneysel sonuçlar ve vargılar sırasıyla
sunulmaktadır.
II.
Şekil 2: Ön-işleme sonuçları. Sırasıyla gri imge, süzülmüş
imge, bitki örtüsü ikili imge
ÖNER İLEN ALGOR İTMA
Uydu görüntülerinden POL bulma konusunda önerilen algoritma üç ana bölümden oluşmaktadır. Bu bölümler çiftyönlü
gürültü azaltma süzgeçlemesi ve bitki örtüsü bulma işlemlerinin yapıldığı bir ön-işleme, bir yarıçapsal dönüşüm araması
ile eğitim sonucu elde edilen değişken değerlerine göre dairesel hedeflerin bulunduğu hedef bulma ve bitki örtüsü bilgisi
kullanarak yanlış bulunan hedeflerin elendiği bir son-işleme
bölümleridir. Algoritmanın akış şeması Şekil 1’de görülebilir.
bulma için gereken bilgiyi değiştirmemektedir. Bu adım sonunda elde edilen süzülmüş imge bir gri imgedir.
Bitki örtüsü bulmak için Düzgelenmiş Fark Bitki Örtüsü
Katsayısı (Normalized Difference Vegetation Index - NDVI)
kullanılmıştır. Kullanılan NDVI literatürdeki en çok kabul
gören katsayı hesaplama yöntemi ile hesaplanmıştır [10].
Denklem 1’de gösterilen ve YK’nın yakın-kızılötesi, K’nın
kırmızı bantları işaret ettiği şekilde hesaplanan NDVI değerinin
eşiklenmesi ile ikili bir bitki örtüsü imgesi elde edilmektedir.
A. Ön-İşleme
Elde bulunan uydu görüntüleri çok farklı koşullar altında
ve çok farklı bölgelerde çekilmiş oldukları için hedef bulma
işleminin gerçekleştirilebilmesi için bu görüntüleri, ayrıntıları
yok etmeyecek şekilde ön-işlemeden geçirmek gerekmektedir.
Bu ön-işleme aşaması elde edilen girdi imgesinin bu durumu
düşünerek bir gürültü giderme ve düzleştirme adımı içermektedir.
Gürültü giderme adımı için daha önce Çığla [8] tarafından
önerilen ve Gürbüz [9] tarafından geliştirilen Çiftyönlü Gürültü
Azaltma (Bilateral Noise Reduction - BNR) süzgeçlemesi kullanılmaktadır. Bu adım imgedeki kenar bilgilerini ve karşıtlık
farklarını korumakta ve bu sayede imgenin içerdiği hedef
N DV I =
YK −K
YK +K
(1)
Bunların yanında, hedef bulma aşaması yarıçapsal
dönüşüm ve POL tepeleri bulma adımlarında yarıçap ve eşik
değerlerine ihtiyaç duymaktadır. Burada gereken yarıçap ve
eşik değerleri deney için kullanılan veri setinin içerisinden
alınan 6 görüntü ile oluşturulan daha kısıtlı bir küme ile
yapılan eğitim sonucunda bulunmuştur. Burada yapılan eğitim,
algoritmanın kullandığı değişken değerlerinin taranması
sonucu en iyi Geri Çağırma ve Kesinlik metrik değerlerini
veren eşik değerlerinin seçilmesi yoluyla yapılmaktadır.
B. Hedef bulma
Dairesel hedeflerin bulunması için yapılan çoğu çalışma
imge üzerinde kenar bulma algoritmaları kullanmakta bu da
ancak temiz ve net görüntüler ve yapay görüntüler için çok
iyi sonuçlar vermektedir. Ancak uydu görüntülerinin içeriği
çok karışık olabilmekte ve çekim sırasındaki bulut, duman,
güneşin düşme açısı gibi birçok etken görüntünün net olmasını
engelleyebilmektedir. Bu nedenle uydu görüntüleri üzerinde
dairesel hedefleri bulmak sıkça kullanılan daire bulma algoritmaları ile zor olabilmektedir. Önerilen yöntem, birikimli
hesaplama yapısı ile görüntünün bir kısmını kapanması, kenar
bilgilerinin azalması veya karşıtlık değişiklikleri karşısında
daha az etkilenmektedir.
Şekil 1: Önerilen dairesel hedef bulma algoritmasının akış
şeması
Bu çalışmada kenar bulma tabanlı algoritmalar yerine
dairesel hedefleri bulmak için aşamalı değişim (gradient) tabanlı Hızlı Yarıçapsal Simetri Dönüşümü (Fast Radial Symmetry Transform - FRST) algoritması [11] değiştirilerek kullanılmıştır. Bu algoritma girdi imgesindeki aşamalı değişimin
olduğu yerlerde verilen yarıçap değerlerini kullanarak değişim
olan pikselin yarıçap kadar önündeki ve ardındaki piksel
değerlerini sırasıyla artırmak ve azaltmaktadır. Bu artırma ve
azaltma hem birim kuvvette (O ile gösterilen) hem de değişim
Şekil 3: Hızlı Yarıçapsal Dönüşüm Araması sonuçları. Sırasıyla gri imge, 15 piksel yarıçapında en büyük F değerleri, 15 piksel
yarıçapında en küçük F değerleri, farklı yarıçaplarda F haritalarının en büyük değerleri ve en küçük değerleri
kuvvetinde (M ile gösterilen) yapılmakta ve daha sonra elde
edilen imgeler Denklem 2’de gösterilen şekilde hesaplanmakta
ve bu hesaplanan F değeri de bir Gauss süzgecinden geçirilmektedir. O değişkeni F içerisine mutlak değeri alınarak konmuştur. Denklemde yer alan κ değeri 9.9 olarak atanmış ve α
değeri bir değişken olarak fonksiyona dışarıdan verilmektedir
ve deneylerde 5 olarak sabit tutulmuştur.
F =
M
|O| α
∗(
)
κ
κ
(2)
Bu yöntemle elde edilen sonuç imgesi yarıçap bağımlı
olarak en çok dairesel şekillerde yüksek değerler vermektedir. Özgün FRST algoritmasındaki değişim büyüklükleri
haritası hesaplandıktan sonra düzgeleme yapılarak boyut
farkının ortadan kaldırılması amaçlanmıştır. Özgün algoritmadan farklı olarak, değişim büyüklükleri hesaplandıktan
sonra bir düzgeleme yapılmış ve bu düzgeleme sayesinde
yarıçapı çok daha büyük olan dairelerin çok daha büyük
F değerlerine sahip olması engellenmiştir. Yine bu sayede
yarıçapları farklı olan dairesel hedefler için çok büyük sayısal
kuvvet farkı olmadığından bir eğitim yapabilmek ve sonuçları
bu eğitim sonuçlarına göre iyileştirmek mümkün olabilmiştir.
Önerilen algoritma içerisinde dairesel hedefleri gürbüz bir
şekilde bulabilmek için bu değiştirilmiş FRST algoritması bir
tarama yapmak için kullanılmış ve bu aramanın sonuçları
kullanılarak POL içermesi yüksek olasılıkta olan tepe değerleri bulunmuştur.Yapılan Hızlı Yarıçapsal Dönüşüm Araması
girdi olarak BNR süzgeci ile süzülmüş imgeleri ve yarıçap
değerlerini almaktadır. Bu arama sonucunda ortaya çıkan F
haritalarının en büyük ve en küçük değerleri alınarak grafikler
çizilmiş ve POL tepelerinin bulunması bu en büyük ve en
küçük değerlere bakılarak yapılmıştır. Şekil 3’te örnek bir uydu
görüntüsü, onun 15 piksel yarıçapı için F haritası (en büyük
ve en küçük değerler için) ve arama sonucu elde edilen en
büyük ve en küçük değer grafikleri görülebilir.
Tamamlanan Hızlı Yarıçapsal Dönüşüm araması sonrasında
elde edilen F haritaları en büyük değerlerine bakılarak önişleme aşamasında alınan eşik değerlerini de kullanarak olası
POL tepe değerleri bulunmaktadır. Bu adımda en büyük değerler için 3 farklı eşik değeri kullanılırken en küçük değerler
için 2 farklı eşik değeri kullanılmaktadır. Bulunan olası POL
tepe noktalarının eşik değerlerine göre işlenmesi şu şekilde
gerçekleşmektedir:
•
En büyük değerler için, eğer i’nci harita için bulunan
en büyük değer,
◦ üst eşikten büyükse 0.14 katı,
◦ orta eşikten büyükse ve yerel tepe ise 0.2 katı,
◦ alt eşikten büyükse ve yerel tepe ise 0.2 katı,
•
En küçük değerler için, eğer i’nci harita için bulunan
en küçük değer,
◦ üst eşikten küçükse 0.14 katı,
◦ alt eşikten küçükse ve yerel tepe ise 0.14 katı,
bu değerin bulunduğu F haritasında 2 boyutlu tepe bulma
algoritması için eşik değeri olarak alınmaktadır. Eğer i’nci
harita için bulunan en büyük veya en küçük değer alt eşiğin
altında kalıyorsa bulunan bu değer için herhangi bir tepe
bulma işlemi yapılmamaktadır. Endüstriyel ve liman alanları
için gerekli olan eşik ve katsayı değerleri Tablo I içerisinde
verilmiştir.
Tablo I: Endüstriyel ve liman alanları için POL tepe bulma
aşamasında gereken eşik ve katsayı değerleri
Eşik değerleri ve katsayılar
En Büyük - Üst Eşik
En Büyük - Orta Eşik
En Büyük - Alt Eşik
En Küçük - Üst Eşik
En Küçük - Alt Eşik
Endüstriyel
70
50
19
-30
-17
Liman
70
40
35
-45
-27
Pozitif Üst Katsayı
Pozitif Orta Katsayı
Pozitif Alt Katsayı
Negatif Üst Katsayı
Negatif Orta Katsayı
0,14
0,2
0,2
0,13
0,14
0,1
0,2
0,2
0,1
0,3
C. Son-işleme
Son işleme aşamasında hedef bulma aşamasında bulunmuş
olabilecek yanlış hedefleri elemek için bitki örtüsü ikili imgesi
kullanılmakta ve son olarak birbirinin yarıçapları içerisinde
kalan POL noktaları birleştirimektedir. Yanlış bulunmuş POL
noktalarını doğru bir şekilde elemek ve doğru bulunan noktaları da korumak için veri setindeki örnek görüntülere bakarak
bilişsel bir eleme yöntemi hazırlanmıştır. Bu eleme yöntemi
Şekil 4: Tüm işlemler sonucunda elde edilen örnek sonuç dosyaları
IV.
Şekil 5: Bitki örtüsü ikili imgesi kullanarak yapılan POL eleme
aşaması görsel örneği. Soldaki POL tutulacak, sağdaki POL
elenecektir.
bulunan POL noktasını yarıçapı ile birlikte çizmekte ve altında
kalan bitki örtüsü alanının oranına bakmakta ve eğer bu oran
%20 üzerinde ise bulunan noktayı elemektedir. Yapılan işlemin
görsel bir örneği Şekil 5’te gösterilmektedir. Eleme işlemi
sırasında bazı doğru bulunan POL noktaları da elenmekte ancak bu durum yanlış bulunan noktaların elenmesini sağladığından daha iyi bir başarım için gerekli olmaktadır. Eleme sonrasında elde edilen sonuç örnekleri Şekil 4’te görülebilir.
III.
DENEYSEL SONUÇLAR
Önerilen algoritma Yakın-Kızılötesi dalgaboyunu da içeren
4-bant imgelerden oluşan bir veri seti ile eğitilmiş ve denenmiştir. Bu eğitim endüstriyel alan ve liman bölgeleri için
642 POL içeren 3’er görüntünün olduğu iki alt küme ile
eğitilmiş ve hedef bulma aşaması için gereken eşik değerleri
bulunmuştur. Deney için kullanılan veri kümesi toplamda
2489 POL içeren 10’u endüstriyel alan, 10’u liman olan
20 imgeden oluşmaktadır. Deney sonucunda önerilen algoritmanın başarımı yaygınca kullanılan Geri Çağırma ve Kesinlik
metrikleri cinsinden hesaplanmıştır ve Tablo II’de görülebilir.
Burada söz konusu yer gerçeklik elle çizilmiş dairelerden
oluşmaktadır.
Tablo II: Önerilen algoritmanın alanlara göre başarım sonuçları
Başarım Değerleri
Geri Çağırma
Kesinlik
Endüstriyel
68,03
61,09
Liman
74,23
41,43
Tabloda görülen sonuçlara bakılarak önerilen algoritmanın
uydu görüntüleri üzerinde POL dairesel hedeflerini bulmayı
yüksek başarım ile gerçekleştirdiği görülmektedir. Önerilen
algoritma Intel i7-3520 işlemcili bir masaüstü bilgisayarda
Matlab kullanıldığında 2000x2000 boyutlarındaki bir imge için
yaklaşık 62 saniye sürmektedir.
VARGILAR VE GELECEKTEK İ ÇALI ŞMALAR
Bu çalışmada yüksek çözünürlüklü 4 bant uydu görüntüleri
üzerinde bir dairesel hedef bulma yöntemi önerilmiştir. Bu
yöntemin uygulama alanı olarak daha önce çok fazla üzerine
çalışılmamış bir konu olan Petrol ve Yağ Ürünleri (POL) depolarının bulunması seçilmiş ve önerilen algoritma 20 görüntü
üzerinde denenmiştir. Sonuçlara bakıldığında önerilen algoritmanın farklı niteliklerdeki uydu görüntülerinde yüksek başarım
gösterdiği görülmektedir. Limanlarda insan yapımı çok fazla
nesne olduğu için algoritma POL olmayan yapıları da bulabilmekte ve bu nedenle kesinlik değeri düşük çıkabilmektedir.
Önerilen algoritmanın kesinlik başarımını artırmak için farklı
eleme yöntemleri denemek ve başka yöntemlerle karşılaştırmak gelecekteki çalışmalar içerisinde yer almaktadır.
K AYNAKÇA
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
J.B Campbell, Introduction to remote sensing, Taylor & Francis, 2002.
M. Netzband and C. Jürgens, “Urban and suburban areas as a research
topic for remote sensing,” in Remote Sensing of Urban and Suburban
Areas, pp. 1–9. Springer, 2010.
R.O. Duda and P.E. Hart, “Use of the hough transformation to detect
lines and curves in pictures,” Communications of the ACM, vol. 15, no.
1, pp. 11–15, 1972.
H.K. Yuen, J. Princen, J. Illingworth, and J. Kittler, “Comparative
study of hough transform methods for circle finding,” Image and Vision
Computing, vol. 8, no. 1, pp. 71–77, 1990.
Y. Wang, M. Tang, T. Tan, and X. Tai, “Detection of circular oil tanks
based on the fusion of sar and optical images,” in Multi-Agent Security
and Survivability, IEEE First Symposium on, Dec 2004, pp. 524–527.
O.E. Okman, A Fast Shape Detection Approach by Directional Integrations, Ph.D. thesis, Middle East Technical University, 2013.
A.O. Ok, “A new approach for the extraction of aboveground circular
structures from near-nadir vhr satellite imagery,” Geoscience and
Remote Sensing, IEEE Transactions on, vol. PP, no. 99, pp. 1–16, 2013.
C. Cigla and A.A. Alatan, “Efficient edge-preserving stereo matching,” in Computer Vision Workshops (ICCV Workshops), 2011 IEEE
International Conference on, Nov 2011, pp. 696–699.
Y.Z. Gurbuz and A.A. Alatan, “Region of interest detection based fast
and robust geo-spatial object recognition,” in Signal Processing and
Communications Applications Conference (SIU), 2013 21st, April 2013.
R.B. Myneni, F.G. Hall, P.J. Sellers, and A.L. Marshak, “The interpretation of spectral vegetation indexes,” Geoscience and Remote Sensing,
IEEE Transactions on, vol. 33, no. 2, pp. 481–486, Mar 1995.
G. Loy and A. Zelinsky, “A fast radial symmetry transform for detecting
points of interest,” in Computer Vision — ECCV 2002, vol. 2350
of Lecture Notes in Computer Science, pp. 358–368. Springer Berlin
Heidelberg, 2002.