Yüksek Çözünürlüklü Multispektral Uydu Görüntülerinde Kuvvetlendirilmiş Sınıflandırıcılar Kullanılarak Otomatik Yol Çıkarımı

Çınar U., Karaman E., Gedik E. Yardımcı Y., Yüksek Çözünürlüklü Multispektral Uydu Görüntülerinde Kuvvetlendirilmiş Sınıflandırıcılar Kullanılarak Otomatik Yol Çıkarımı, Cilt 3, Sayı 5, Syf 63-67, Haziran 2013

Road Extraction from Multispectral Satellite Images Using Boosted Classifiers

Umut ÇİNAR1, Ersin KARAMAN2, Ekin GEDİK3, Yasemin YARDIMCI1

1Bilişim Sistemleri Bölümü Orta Doğu Teknik Üniversitesi [email protected], [email protected]

2Yönetim Bilişim Sistemleri Bölümü Atatürk Üniversitesi [email protected]

3Bilgisayar Mühendisliği Bölümü Orta Doğu Teknik Üniversitesi [email protected]

Özet

Bu çalışmada yüksek çözünürlüklü multispektral uydu görüntülerinden karayolu çıkarımı için yeni bir yöntem önerilmiştir. Önerilen yöntem, literatürde genellikle su ve bitki örtüsünün sınıflandırılması için kullanılan ve spektral bantların oranlanmasıyla elde edilen indisler ile birlikte bölütleme sonuçları üzerinden elde edilen bölütlere ait yapısal özellikleri öznitelik olarak kullanmakta ve ADABOOST gözetimli bir öğrenme algoritmasını bu öznitelikler ile eğitmektedir. Algoritma çeşitli uydu görüntülerinde denenmiş, yol çıkarımında başarılı olduğu gözlemlenmiştir.

Anahtar Kelimeler: Örüntü Tanıma, Uzaktan Algılama, Uydu Görüntüleri, Yol Çıkarımı.

Abstract

In this study, a new method for extracting road mask from high resolution multispectral satellite images is proposed. Proposed method uses indices which are generally utilized for water or vegetation detection in the literature with the structural properties of segments generated by segmentation procedure as features and trains ADABOOST supervised learning algorithm with them. The proposed method is tried on different satellite images and it is observed that the proposed method which is developed using Adaboost learning algorithm is succesful at extracting road networks from satellite images.

Keywords: Pattern Recognition, Remote Sensing, Satellite Images, Road Extraction.

1. Giriş

Karayolu haritaları navigasyon desteği, şehir-bölge planlama uygulamaları, harita güncelleme, acil durum yönetimi, askeri karar destek sistemleri gibi uygulamalarda önem taşımaktadır. Bu bağlamda en güncel veri otomatik yol tanıma sistemleri ile uydu görüntülerinden temin edilebilmektedir. Uydu görüntülerinden karayolu çıkarımı üzerine birçok çalışma mevcuttur. Ancak, uydu görüntülerinin gerek mekânsal gerek spektral çözünürlüklerinin giderek iyileşmesi yol çıkarımı çalışmalarına yeni bir boyut kazandırmıştır. Otomatik yol çıkarımı üzerine yapılmış birçok çalışma incelendiğinde, bu çalışmaların temel imge işleme metotları, bilgi tabanlı yaklaşımlar, frekans temelli yöntemler, bölütleme ve kümeleme gibi literatürdeki birçok metotdan yararlandığı görülmüştür.[1-7] Ayrıca literatürdeki birçok çalışmanın olası yolları bulmak için gözetimli öğrenme metotlarını kullandığı ve yolların spektral özelliklerinin öznitelik olarak alındığı gözlemlenmiştir [8-9]. Yolların spektral özelliklerinin görüntünün alındığı uyduya ve yolun malzeme tipine(asfalt, beton, toprak) göre değişiklik gösterdiği bilinmektedir. Bu sebeplerden, sadece spektral değerlerin kullanıldığı gözetimli öğrenme metotları, farklı uydulardan alınan görüntülerde başarılı sonuçlar verememektedir. Bu problemin çözümü için kullanılacak özniteliklerin farklı görüntülerde de çalışacak şekilde kararlı olması gerekmektedir. Bu açıdan, SAVI ve NDVI gibi bitki örtüsü çıkarımı için geliştirilen spektral indekslerin öznitelik olarak kullanılması imge tipine bağımlılığı azaltmaktadır.

Bu ve Bbuenvzeribeinzdeisrlierinydoisllerspeykotlralspenkitterlailklenriitneiliktlaenriınmilatranımlar bölütlemböelüitşlleemmei yişalpemiakytapdmır.aktİakdinırc.i pİkarinamcieptraerakmüemtreesikiüsme esi ise

olmasaodlam, asspaekdtar,alspdeekğterralledrienğeorlaenrlianrıokraunllanrıılkduığllıainçıilndıbğeı niçzienr benzer geniş yoglelnairşınytoelklabrıinr bteöklübtirhablöinlüetgheatliirnilemgeestiiraimlmaecsıiylaamdaachıyalazdaha az

tipteki ytiopltleakr,i fyaorlkllaır,imfagrekleıridmegdeelebrdenezdeer bdenğzeerlredr evğeerrmleerkvteedrmir.ektedir. detaylı dbeirtabyölılübtilremböelüiştlemieyişalpemmaikytapdmır.aktadır.

Ayrıca Aybröıclüatlemböelütliesmleme inidselenminsodnenra sboönlrüatlerbinölütylearpinısal yapısal

özelliklöezrienlilniklienrcienlienneinreckeleynoelrbekölgyeolebriönlignelçeırkianriınmçııkliaterırmatıürlditeratürde 2.2.1.22.Y2.a1p.2ısYalaPpuısaanl lPaumaanBlaamğaınBtıasığıntısı kullanılkaunllabnirıladniğberir ydöinğteermydöirnt[e7m].diBr u[7y].apBısual yöapzeıslalilklöezrienlliklerin

özniteliökznoiltaerlaik oklualrlaknılkmuallsaınyıllamdasaıyylaolldaarınyoslaldareıcne ssapdeekcteralspektral karaktekriasrtaikklteerriistigkölzeri öngüönzdeönbüunlduendubruullumnadmurauklmta,amyaakptaıs,al yapısal özelliklöezrielldikelegriözdeöngüönzdeönbüunludnedubruullumnadkutraudlmır.akBtaudırs.ayBedue sayede farklı tifpatrekkliı ytiopltleakrıinydoallabruınludnabbiulmluensaibaimlmaeçslai namakçltandmır.aktadır.

Bu çalıBşmuaçdaalışbmölaüdtalerböiçlüintleyrapiçıliancaykapaılnaaclaizk iaçninalikzulilçainılkauclalkanılacak ölçütlerölŞçeüktlielr 3Ş’deekilgö3s’tdeerilgmöisştteir.ilmŞeişktilr. 3Şeökrnilek3 böirrnebkölübtiür , bölütü, ortadakoi rktaedsiakklii kçeizsgikiliböçliüzgtei abiötlübtüeyüaikt ebküsyeünki evkesbenöilüvtüe biçöilnüetü içine almış kaelsmikışçkizegsilkerçdiezngiloelrudşemnuoşludşikmduöşrtgdeikndöbrötlgüetnünböklaürtaükntekr arakter

2. Yön2t.eYmöntem

kutusunkuut(ubsouunnudi(nbgoubnodxi)ngöbsotexr)mgeökstteedrmir.ektedir.

2. 1. V2e.r1i. Veri

Bu çalBışumaçdaal,ışmuyadau, guöyrdüuntügleöriünndteükleirinydoel kiolaynol boölagnelebriölgeleri

otomatioktomoaltaikrak olasrınakıflansdıınrımflakndırmiçiank 1iç-minetre1-m(e0t.r8e2) (0.82)

pankrompaantikkrovme a4ti-kmevtere4-mmueltrisepmekutlrtailspçeökztüranlürçlöüzkülünüIrKlüOkNlüOISKONOS ve 0.5v-emet0re.5-m(0et.r4e2) (0p.4an2k)rompaantikkromvaetik 2-mveetre2-m(1et.r6e5) (1.65)

Şekil 3:ŞÖekrinle3k:BÖörlnüetkÖBlçöülületrÖi lçüleri

multispmekutlrtailspeçkötrzaülnürçlöüzkülünürlGükElOü EYGEEOEuyYdEu ugyödrüuntügleöriüntüleri kullanılkmuılşlatınr.ılmMışutlıtri.spMekutlrtailspbekantrtalal r bsaınrtalsaırylası,raMsıyalvai, MYeaşviil, Yeşil, Yol böYlüoltlerbinöilnütleyrainpiınsal yaoplıasraalk oulazraatkılmuışzlaıktılmvıaşrlsıkayımvaırnsıayımını KırmızıKvıermYızaıkıvnekYızaıklöınteksiıdzıilrö. tİemsigdeilre. rİdmegkei lyeardnesıktimyaandseığtmeraledrieğerleri doğruladmoağlraurlıambeaklalernı mbekltendmir.ekBteudçira.lıBşmu açmalıızşdmaaumzıaztdılamuışzlaıktılmışlık 11 bit 11ile biitfadilee eidfaildmeeketdeidlmir.ekİtmedgire.lerİmügzeelreirndüezegriönrdüentügörüntü özelliğiözelliği bağıntı bağıntı (1) (1) ile ile hesaplahneırs.aplanır.

keskinlekşetsikrminele(şptiarnm-seh(aprapne-ns)hiaşrlpeemni)yiaşlpeımlmi ıyşatıpr.ılmıştır.

(1) (1)

2. 2. A2l.g2o.rAitmlgoaritma

(1) num(1a)ranlıumbaağrıanlıtıdbaağ“ıdnotıldualu“kdolrualnuık” o(erxanteın”t)(edxeteğnetr)i, dielgğieliri, ilgili

Bu çalıBşmuaçdaalışömneardilaenönyeörnilteenmy, öynütkesme,kyçüökzsüenkürçlöüzkülünüerleüktlrüo-elektrooptik imopgteikleridmegnelyeordl etnespyiotli tyeasppmitiakyaapmmaackıylaamyaocılylalarınyohlelamrın hem spektralspehketrmal dheemyapdıesal yaöpzısealliklöezrienliliklkeurilnlainakraukllanyaernaik yeni özniteliökzlenriteolliukşleturrmolaukşttaudrmır.akOtaludşırt.urOullaunştubruulaönznbitueliökzlenriteilsiekler ise yüksekygüeknseelkleşgteirnmeleleyşetitremneğyineteensaehğipne“Asadhaibpo“oAstd”aablogoosrti”tmalagsoı ritması ile kuivlevetlkeunvdvireiltmlenişdirislımnıifşlansdıınrıfclıalanrdırıecğıliatmr ekeğitammeakcıylaamacıyla kullanılkmuallkatnaıdlmır.akAtalgdoırr.itmAlagobreiştmaanabemş oadnüaldmenodoülludşemnakotlaudşmır aktadır (Şekil 2()Ş. ekil 2).

bölütünböklaürtaükntekr akruaktutesrunkuuntu(sbuonuunndi(nbgoubnodxin) galbanoıxn)ınalbanöılnüıtnünbölütün alanınaalaonraınnaınıorgaönsınteırmgeökstteedrmir.ektÖedrnire.ğinÖ, rniedğeianl, şiedkeialldekşei kildeki (dikdör(tgdeiknd)öbrtigrenb)ölbüitrünbö“ldüotülunlu“kdoolrualnuık” odreağneır”i d1eğoelruirk1eno, lurken, bölüt ybaöplıüstı yidaepaıslı diudreuaml ddaunruumzdaaknlaşutızkaçkalaşbtuıkçdaeğbeur sdıefığrear sıfıra yaklaşmyaktladşmır.aBktuadbıarğ. ıBnutıdbaa,ğpınatyıdak, ipçaayrdpaıkmi çilaerpuızmunilekuszeunnineksenin ideal diudreuaml ddaukriumyadkalkaişıkyadkelağşeırki dheğsaeprilahnemsapkltandmır.aktAadyırı.ca Ayrıca bulunanbuilduenaaln uizduenal eukzseunn deekğsenrindineğberöilnüitn ablaönlütdeağlaenrledrienğeerlerine bölünmbeösilünilme eisdieaile kiıdseaalekksıesna bekosyeunnubobyuulunnuabbiulmluenkatbeidlmir.ektedir. YollarınYoulzlartınlmuışzlaıktılmözıeşlılkiğiöziseellibğai ğiısnetı b(a2ğ)ı’ndteı (o2ld)’udğeu ogldibuiğu gibi

2. 2. 12İ.m2.g1e İBmölgüetlBemölüetvlemYeavpeısYalaPpuısaanllPaumaanlama

ideal uizduenalvuezuknısaveekksıesnaleeriknsebnilrebrirninbeirobliarinneoroalnaın iloerainfaıdiele ifade edilebilemdeilketbeidlmir.ekKtıesdaicra. Kuzısuancaekuszeunninekdseeğneirni adretğtıekrçiaabrtötılküçtüanbölütün

yol uzaytoılmuışzlaıktılmöızşellılkiğiözyeüllkiğsei leycüekstierl.ecAekytnirı. şAekyinldı eşekkıislade kısa

Uydu fUotyodğurafloatroığnrdaaflafarırnkdlıa gfeanrkişllıikglenrdişelikyloelrldaerınyoblulalurınnmbausılunması ekseninedkeseğneirni adrettğıekrçiaabrtötılküçtüanbuözlüatıülnmuışzlaıktılömzıeşllıikğiödzüeşlleicğeikdtüirş.ecektir.

ve aynvıe yaoylnıüzyeorilndüezerbiinlede yobliulen ygoelnuinşlikgendieşğliekrledrienğinerlerinin

(2) (2)

değişimdleğr işgimöslteerrmgeössiterymolelsairı yyoallpaırsıalyaoplaısralk oalyaırratk eatmyıertyi etmeyi zorlaştızraonrlaşettımraennleertdmeenndlier.rdeBnudnira. rBauğnmaenr,ağymoellna,rınyolulzaurınn, uzun, devamldı evaemblıirbvierinbi irtbaikrinpi etdaeknip beödlüentlerbdöelnütloerludşemn asoıluşdma ası da

1, 2 ve 13, n2uvmea3ranlıubmaağrıanltıılbaardğaınntıylaorldaaçnıkyaorlaakç, ıukzaartaıklm, uışzlaıktılmışlık puanı, bpauğaınıt,ı b(4ağ)’ıdnetık(i4g)i’bdiehkeisgaipbliahneasbaiplilra.nabilir.

yollarınyolelanrınbeleinrginbeloirrgtaink oörztealkliğiödzire.lliğBiduir. göBzulemgleörzelemlere dayanıldaraaykangılealriaşktiriglenliştyiraipleısnal yapnıaslaizl anşamlizasıaşabmölaüstılerbiölvüetleri ve

(3) (3)

bölüt gbröulpültarıgnrıupslahrıinpı osladhuipklaorıldugkeolamrıetgriekomöezterlilkiklöezriellgikölzeri göz

önündeöbnuülnudnedubrualruankdiunrcaerlaekmienkcteeldemir.ektedir.

BağıntıB(a3ğ),ınatlıg(o3r)i,tmalagnoınritymaapnısınal ydaepğısearlednedğiremrlenadşiarmaelaarşıanmdaalarında

bölütlerbeöplüutalnerveeprumaenkvaemrmaceıkylaamkauclılyalnaılkauclalkatnıırl.acaktır.

2.2.1.32.Y2.a1p.3ısYalaPpuısaanl lPaumaanYlaömnateYmöintemi

Bu aşaBmuadaş,admaahdaa,öndcaehdaenönecleddeenedeildene ebdöillüetnlerbötelüktelrertetekkeer r teker

Şekil 2:ŞAeklgilo2ri:tmAlagAorkitımş ŞaeAmkaısşıŞeması

inceleneinreckeleunzearteıklmuışzlaıktılmpuışalnıkı vpeurailnirı. vAeridlıinr.daAnr,dıbnödlaüntl,erbökl-ütler kmeans malegaonristmalagsoı riltemaysöınielleimylöenrienleim(loerienneta(toiorine)ntgaötiroen)segköizre sekiz

2.2.1.12.İ2m.1g.1e İBmölgüetlBeömlüetleme

ayrı sınaıfyarıasyırnılııfra. aHyerrılıbri.rHsıenrıfbtiar bsuınluıfntanbubliurlneaşnikbeirlelemşiaknlealremdaanlar da ayrıca payuraınclaanpıur.anBlaunısra.yBedue staeykedbeaştıenka buazşaıtnılamuışzlaıktılmözıeşlılkiğiözelliği

ÖncelikÖlencueylidkule imuygdeusi,imogrteaslia,moartaklaaymdaırmkay[d1ır0m,1a1][1(0m,1e1an] -(meanshift) teskhnifitğ)i tkekunlliağniılkaurallkanbıölalrüatklenbmöleüktltendmir.ekBtöedlüitrl.eBmöelüiştlemei işlemi iki farkilkı ipfaarrakmlıeptraerakmümeteresikküumlleasniılkaurallkanyıalaprıalmk ıyşatıprıvlme ısşotınruvçetasonuçta aynı imagyeniıçimn gikei iaçyinrıibköi laüytrmı baösklüetsmi ealsdkeeesdi iellmdeişetidr.ilPmairşatmir.ePtraerametre kümelekriünmdeenleribnidrienncisbi,iriinncciesi, yionlclaerınyoçlleavrırnesinçdevekreisinbdüeyküik büyük bölütlerböillüetlekrariılşemaksaınrıışmeansgıneılleyenecgeklleyşeckeilkdeşedkeiltdayelı debtiarylı bir

göstermgeöysetenrmanecyaekn çaenvcraeksinçdevekreisbinednezkeir byeönnzeelirmylöinbeölilmütlierböilleütler ile birliktebiyrolilkteözeylolilğiözgeöllsitğeirengösbtöelrüentlerböblüeltilrelrenbeebliilrmleenketbeidlmir.ektedir. BahsedBileanhsbeduilpeunanbluampuaaanşlamalaarşıanmınalaarrdınınındaanrdtıonpdlanmdtoapülaçmda üç farklı pfuaarnklmı pauskanesmi ealsdkeeseideillidr.e Peudailnirm. Pauskanelemriansdkeenleirkinidteaneiskii tanesi bölüm b2ö.l2ü.m1.1’2d.e2.1e.l1d’edeedeilldeen ebdöilüentlerbinölübtlöelrüinm b2ö.l2ü.m1.2’2d.e2.1.2’de anlatılaannlşaetkılialndeşepkuialdnelanpmuansılasnomnauscıusonrtuacyua oçrıktaayra. Üçıçküanr.cüÜçüncü

Çınar U., Karaman E., Gedik E. Yardımcı Y., Yüksek Çözünürlüklü Multispektral Uydu Görüntülerinde Kuvvetlendirilmiş Sınıflandırıcılar Kullanılarak Otomatik Yol Çıkarımı, Cilt 3, Sayı 5, Syf 63-67, Haziran 2013

maske ise bölütlerin yönelimlerine göre sınıflandırılmaları ve puanlanmaları ile elde edilen maskedir. Bahsedilen bu üç maske her piksel değeri için uzatılmışlık puanı içermektedir. Sonuç maskesi hesaplanırken puan maskelerinin en büyük değeri alınır. Bu sayede en iyi yapısal puan piksel koordinatına kaydedilmiş olur.

2. 2. 2 Bant Oranlarının Tespiti

Uzaktan algılama çalışmalarında, su, bitki gibi doğal alanların bulunmasında multispektral imgelerin bant oranlarından faydalanılmaktadır. Bu oranlar, ilgili alanın yapısı hakkında bilgi vermektedir. Bu indisler imgelerden yol çıkarımı konusunda direk yardımcı olmasa da, farklı tip uydu imgelerinde benzer değerler vermektedir.Bu çalışmada kullanılan indisler (Çizelge 1) NDVI, NDWI, TVI, SAVI ve ARVI olarak belirlenmiştir.

Çizelge 1: Kullanılan indisler ve bağıntıları

İndis

Bağıntı

NDVI NDWI

TVI SAVI ARVI

Normalized Difference Vegetation Index Normalized Difference Water Index Transformed Vegetation Index

Soil Adjusted Vegetation Index

The Atmospherically

Resistant Vegetation Index

((NIR-R )/ (NIR + R+L)) * (1+L)

ARVI

2. 2. 3 Özniteliklerin Oluşturulması

Bu çalışmada gözetimli öğrenme sürecinde kullanılan öznitelikler hem spektral hem de mekansal özellikleri aynı anda içermektedir. Kullanılan öznitelikler, her bant oranı imgesi ile yapısal puan değerlerini içeren imgenin karışımları ile oluşturulmuştur. Bu sayede imgeden imgeye değişiklik gösterebilen spektral özellikler imgeden bağımsız olan yol yapı özellikleri ile harmanlanmıştır.Yapısal puan imgesi ile bant oran imgelerinin harmanlanmasi icin bu çalışmada önerilen bağıntı (4)’de gösterilmiştir.

(4)

Bu bağıntıda f(x,y) oluşturulan öznitelik, s(x,y) yapısal puanları içeren imge ve b(x,y) ilgili bant oranı imgesini göstermektedir.

2. 2. 4 Adaboost Kuvvetlendirilmiş Sınıflandırıcısının Eğitilmesi

Makina öğrenmesi alanında kuvvetlendirme teknikleri öğrenme algoritmalarının performansını arttırmak amacıyla kullanılmaktadır. Adaboost (Adaptive Boosting) algoritması

ise zayıf sınıflandırıcıların birleşimi ile oluşturulacak olan kuvvetli bir sınıflandırıcı bulmayı amaçlamaktadır. Bu çalışmada zayıf sınıflayıcı olarak CART (Classification and Regression Trees) kullanılmıştır. Kullanılan karar ağaçlarında yaprak düğümler sınıflandırma sonucunu temsil etmektedirler. Yaprak düğümler dışındaki düğümler ise hangi özniteliğin hangi eşik değerlerinden geçirilerek karar verildiği bilgisini içermektedirler.

Karar ağacı oluşturma işlemi için verilen eğitim örneklerini

ile ifade edersek, ikili

sınıflandırma problemini çözmemiz gerekmektedir. Burada

n boyutlu örnek uzayında bulunan j’inci piksele karşılık gelen

öznitelik vektörü ve alınan örneğin sınıfını belirtmektedir:

(

ve

)

Karar ağacının her bir düğümünü oluşturmak için şu yol

izlenmektedir;

i) Öznitelik vektörünün her boyutu için örnek uzayını en

az hata ile ayıran eşik değerleri bulunur.

ii) Bulunan eşik değerleri arasından en az hata değerine

sahip i

boyutu için bir düğüm oluşturulur; Oluşturulan düğüm

dalları doğru/yanlış olmak üzere uygun sınıflandırma

sonucunu içeren yaprak düğümler ile bağlanır.

Karar ağacının bütününü oluşturmak içinde şu yol izlenir;

i) Ana (root) düğüm oluşturulur. ii) En büyük hataya sahip yaprak düğümü seçilir. iii) Eğitim örneklerinden, üzerinde bulunulan yaprak düğümüne atanmış olan örnekler kullanılarak yeni bir düğüm oluşturulur. iv) Yaratılan düğüm seçilen yaprak düğümü ile yer değiştirilir. v) Bütün yaprak düğümleri sıfır hataya sahip olana kadar ya da önceden belirlenen bir adım sayısına ulaşıncaya kadar, (ii),(iii) ve (iv) adımları tekrar edilir.

Adaboost algoritması [17] ile yapılan eğitimin amacı zayıf sınıflandırıcıların doğrusal karışımından oluşan kuvvetlendirilmiş bir sınıflandırıcı elde etmektir. Bağıntı (5)’de verilen x örnekler uzayı için T adımda tamamlanan bir kuvvetlendirilmiş sınıflandırıcı gösterilmiştir. Bu bağıntıda i’inci adımda oluşturulan zayıf sınıflandırıcı ve söz konusu sınıflandırıcının katsayısıdır.

(5)

İteratif bir algoritma olan adaboost her adımda yeni bir zayıf sınıflandırıcıyı doğrusal karışıma katsayısı ile birlikte ekler. Her adımda örnek uzayında bulunan elemanların doğru sınıflandırılıp sınıflandırılamadıklarına göre hata hesaplamasında kullanılan ağırlıkları değiştirilir. Doğru sınıflandırılan örneklerin ağırlığı azaltılır, hatalı sınıflandırılan örneklerin ağırlıkları ise arttırılır. Bu sayede bir sonraki adımda yaratılacak olan zayıf sınıflandırıcıların yanlış sınıflandırılan örnekleri doğru sınıflandırılmasına odaklanması sağlanır. Adaboost ile eğitilen kuvvetlendirilmiş sınıflandırıcı genelleştirebilme yeteneği sayesinde farklı tipteki yolların(toprak, beton, asfalt) aynı sınıfa yerleştirilmesi mümkündür.

2. 2. 4 Yol Bölgelerinin Sınıflandırılması

Bu aşamada bir önceki aşamada Adaboost öğrenme algoritması ile elde edilen sınıflandırıcı ile test imgelerindeki yol alanları sınıflandırılmaktadır.

3. Deneyler ve Tartişma

Önerilen yöntem, farklı bitki ve arazi örtüsüne sahip 20 farklı IKONOS ve GEOEYE imgelerinde denenmiştir. Görüntülere ait “yer-gerçeklik” (Ground-Truth) bilgisi çıkarılmıştır. Bu yer-gerçeklik bilgisi kullanılarak yol alanlarının öznitelikleri belirlenmiş ve Adaboost sınıflandırıcısı eğitilmiştir. Yolların farklı karakteristiklerini en iyi gösteren 5 imge ve yergerçeklik bilgisi öğrenme için kullanılmış, geri kalan 15 imge ve yer-gerçeklik bilgileri performans ölçümünde kullanılmıştır. Elde edilen sonuçlar üzerinde piksel bazında kesinlik (precision) ve geri çağırma (recall) başarım ölçümleri yapılmıştır. Çizelge 2’de elde edilen başarım sonuçları özetlenmiştir.

Kesinlik (Precision)

% 40

Çizelge 2: Başarım Sonuçları

Geri Çağırma Kesinlik Geri Çağırma

(Recall)

% 60

Şekil 4’de kullanılan imgeler ve algoritma sonucu elde edilen yol maskeleri verilmektedir.

Şekil 4: Örnek imgeler ve algoritma çıktısı

4. Sonuç

Bu çalışmada yüksek çözünürlüklü uydu görüntülerinden otomatik yol çıkarımı hedeflenmektedir. Önerilen yöntem, uydu görüntüsünden bağımsız olarak spektral ve yapısal özellikleri kullanmaktadır. Çalışmada elde edilen veriler arazi sınıflandırmasına ait güncel veri tabanı tutulabilmesi, navigasyon destek sistemleri, acil durum yönetimi ve askeri karar destek sistemleri gibi alanlara katkı sağlayabilir. Alınan ön sonuçlar önerilen yöntemin uydu görüntülerinden yol çıkarımında başarılı olduğunu göstermektedir. Sonuçların iyileştirilmesi için daha fazla görüntü için “yer-gerçeklik” (Ground-Truth) bilgisinin çıkarılması ve algoritmanın daha fazla sayıda ve tipte uydu imgesi üzerinde test edilmesi gerekmektedir. Ayrıca son-işleme modülünün geliştirilmesinin sonuçlardaki gürültüyü azaltması ve kesinlik değerlerini iyileştirmesi beklenmektedir.

5.Teşekkür

Bu çalışmayı destekleyen HAVELSAN A.Ş.’ye teşekkür ederiz.

6. Kaynaklar

[1] H. Zhao, J. Kumagai, M. Nakagawa, R. Shibasaki, "Semi-automatic Road Extraction from High- resolution Satellite Image," Proc. Photogrammetric Computer Vision ISPRS Commission III, Symposium , 406-411, (2002).

[2] L. Wang, Q. Qin, S. Du, D. Chen, and J. Tao, "Road extraction from remote sensing image based on multiresolution analysis," International Symposium on Remote Sensing of Environment, ( 2005.)

[3] V.Shukla, R. Chandrakant, R. Ramachandran, "SemiAutomatic Road Extraction Algorithm For High Resolution Images Using Path Following Approach," ICVGIP02, 201-207, (2002)

[4] C. Zhang, M. Shunji, B. Emmanuel, “Road Network Detection by Mathematical Morphology”, ISPRS Workshop "3D Geospatial Data Production: Meeting Application Requirements", 185-200, (1999).

[5] T. Géraud, J.B Mouret, “Fast road network extraction in satellite images using mathematical morphology and Markov random fields”. EURASIP Journal of Applied Signal Processing, 2503-2514, (2004).

[6] B. Sirmacek, C. Unsalan, "Road Network Extraction Using Edge Detection and Spatial Voting," ICPR,31133116,(2010).

[7] H. Y. Lee, W. Park, H.K. Lee, “Automatic Road Extraction from 1M-Resolution Satellite Images.” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 55, (2000).

[8] J. Amini, C. Lucas, M.R. Saradjian, A. Azizi, S. Sadeghian, “Fuzzy Logic System For Road Identification Using Ikonos Images”, Photogrammetric Record, (2002).

[9] U. Bacher, H. Mayer , “Automatic Road Extraction from Multispectral High Resolution Satellite Images”, ISPRS Object Extraction for 3D City Models, Road Databases and Traffic Monitoring - Concepts, Algorithms and Evaluation, (2005).

Çınar U., Karaman E., Gedik E. Yardımcı Y., Yüksek Çözünürlüklü Multispektral Uydu Görüntülerinde Kuvvetlendirilmiş Sınıflandırıcılar Kullanılarak Otomatik Yol Çıkarımı, Cilt 3, Sayı 5, Syf 63-67, Haziran 2013

[10] D. Comanicu, P. Meer: "Mean shift: A robust approach

toward feature space analysis." IEEE Trans. Pattern Anal.

Machine Intell., 603-619, (2002).

[11] C.M. Christoudias, B. Georgescu, P. Meer, "Synergism

in low level vision,", Proceedings: 16th International

Conference on Pattern Recognition , 150- 155 ,(2002).

[12] A.R.

Huete,

“A Soil-

Adjusted Vegetation Index (SAVI)”. Remote Sensing of

Environment, vol. 25:295-309, (1988).

[13] J.Weier, D. Herring. “Measuring Vegetation (NDVI &

EVI).

Internet:

http://earthobservatory.nasa.gov/Features/MeasuringVeg

etation/, (2012).

[14] B. Gao, “NDWI-A normalized difference water index

for remote sensing of vegetation liquid water from

space”, Remote Sensing of Environment, vol. 58:257-

266,(1996).

[15] M.D. Nellis, J.M. Briggs, “Transformed Vegetation

Index for Measuring Spatial Variation in Drought

Impacted Biomass on Konza Prairie, Kansas”,

Transactions of the Kansas Academy of Science, vol. 95:

93-99, (1992).

[16] Y. J. Kaufman, D. Tanre, “Strategy for Direct and

Indirect Methods for Correcting the Aerosol Effect on

Remote Sensing: from AVHRR to EOS-MODIS”,

Remote Sensing of Environment, vol 55:65-79, (1996).

R.E. Schapire , Y. Singer “Improved boosting algorithms

using confidence-rated predictions”. Machine Learning, vol

37:297-336, (1999).