Uydu Görüntüleri Üzerinde Yarıçapsal Dönüsüm Tabanlı Dairesel
Transkript
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 ebaseski@havelsan.com.tr Maden Mühendisliği Bölümü Orta Doğu Teknik Üniversitesi Ankara, Türkiye duzgun@metu.edu.tr 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.