T.C.

ONDOKUZ MAYIS ÜNİVERSİTESİ

FEN BİLİMLERİ ENSTİTÜSÜ

SAYISAL GÖRÜNTÜLERİN BÖLÜMLENMESİ VE

SINIFLANDIRILMASINDA TEMEL ALGORİTMALARIN

YORUMLANMASI VE UYGULANMASI

HASRET KİTAPÇIOĞLU

YÜKSEK LİSANS TEZİ

JEODEZİ VE FOTOGRAMETRİ MÜHENDİSLİĞİ

ANABİLİM DALI

DANIŞMAN

PROF. DR. SEBAHATTİN BEKTAŞ

SAMSUN – 2005

i

SAYISAL GÖRÜNTÜLERİN BÖLÜMLENMESİ VE SINIFLANDIRILMASINDA TEMEL ALGORİTMALARIN

YORUMLANMASI VE UYGULANMASI

ÖZET

Sayısal görüntülerin bölümlenmesi ve sınıflandırılmasında pek çok yaklaşım

bulunmaktadır. Analizcinin amacına uygun olan yaklaşımları seçmesi, görüntü analiz

işlemlerinin planlanması sırasında çok önemlidir. Zira seçilen yaklaşım görüntü analizinin

sonuçlarını etkileyen bir faktördür. Araştırmacılara ve uygulayıcılara, sayısal görüntü

bölümleme ve sınıflandırmada kullanılan yöntemlerin ve temel algoritmaların neler olduğunu

açıklamak, hangi durumda hangi yöntemin kullanılmasının daha doğru ve avantajlı olduğunu

göstermek bu araştırmanın temel amacıdır. Sayısal görüntülerin sınıflandırılmasında

kullanılan yöntemler üzerinde, örnek uygulama yapılarak, temel amaç desteklenmektedir.

Örnek uygulama ile, bir uydu görüntüsü üzerinde, eldeki mevcut veriler ve elde edilmek

istenen sonuç doğrultusunda hangi sınıflandırma yöntemlerinin uygulanacağının tartışılması

amaçlanmıştır.

Araştırma tarama modelindedir. Hem tekil hem de ilişkisel tarama yapılmaktadır.

Araştırmada, sayısal görüntülerin bölümlenmesi ve sınıflandırılmasında kullanılan yöntemlere

ilişkin veriler, belgesel tarama yöntemi ile toplanmıştır.

Örnek uygulamada, Ağustos 1999 tarihli Landsat ETM görüntüsüne, Erdas Imagine 8.4

görüntü işleme programında eğitimsiz ve eğitimli sınıflandırma algoritmaları uygulanmıştır.

Eğitimsiz sınıflandırma işlemi Erdas Imagine yazılımında üç aşamada gerçekleştirilmiştir.

Eğitimsiz sınıflandırma yöntemi olarak ISODATA (İteratif - kendikendine sınıflandırma

algoritması) kullanılmıştır. Eğitimli sınıflandırmada, ‘En Çok Benzerlik Algoritması’

uygulanmıştır.

Sayısal görüntülerin bölümlenmesi ve sınıflandırılmasında kullanılan yöntemler tek tek

ele alınarak incelenmiştir. Sayısal görüntülerin bölümlenmesinde kullanılan ‘eşikleme’, ‘sınır

temelli’ ve ‘bölge temelli’ yaklaşımlar, sayısal görüntülerin sınıflandırılmasında kullanılan

‘eğitimsiz’ ve ‘eğitimli’ sınıflandırma yaklaşımları incelenerek, aralarındaki ilişkiler

tartışılmıştır. Sayısal görüntülerin sınıflandırılmasında kullanılan iki ana yöntem uygulanarak

detaylandırılmış ve karşılaştırılmıştır.

Anahtar Kelimeler: Görüntü bölümleme, görüntü sınıflandırma.

ii

APPLICATION AND INTERPRATATION BASIC ALGORITHMS FOR

DIGITAL IMAGE SEGMENTATION AND CLASSIFICATION

ABSTRACT

There are various approaches in about digital image segmantation and classification. It is

significantly important that while planning the process of digital image analizing, the analist

chooses approaches which are appropriate for his/her intention. Because the chosen

approaches affects image analizing results.

The main purpose of this research is, pointing out what the digital image segmentation and

classification is; what the basic algorithms are; also explaining which methods used under

certain circumstances would be more accurate and would have more advantages. Main

purpose is supported by a sample application of digital image classification methods. With the

assistance of the sample application, the intention is; having a satelite image, some present

datum and the targeted results, to debate which classification methods could be applied.

Scanning model is used in this research. Both singular and relational scannings are completed.

In this research, datum on preferred methods for digital image segmantation and classification

is gathered by documental scanning method. In the sample application, Landsat ETM satalite

image dated on August 1999 is applied to Erdas Imagine 8.4 image processing programme.

ISDATA (Iterative Self Organizing Data Analysis Tecnique) is used for unsupervised

classification. as for supervised classification, ‘Maximum Likelihood Algorithm’ is applied.

Methods used for image segmantation and classification are examined one by one. Interval

relationships are estimated by catagoryzing digital images using thresholding, edge-based,

and region-based approaches and by classifying digital images using unsupervised and

supervised classification approaches study. Two main methods used in classification of digital

images are practiced, elaborated and compared.

Key Words: Image segmentation, classification

iii

TEŞEKKÜR

Yüksek lisans tez danışman hocam sayın Prof. Dr. Sebahattin BEKTAŞ’ a ve hocam Yrd.

Doç. Dr. Sedat DOĞAN’ a yardımlarından dolayı çok teşekkür ederim.

Arkadaşlarım Hanife KÜÇÜKLER ve Ayfer TEKİN’ e de destekleri ve yardımlarından dolayı

teşekkür ederim.

iv

İÇİNDEKİLER 1.GİRİŞ 2.GENEL BİLGİLER 2.1. Işık ve Elektromanyetik Spektrum 2.2.Sayısal Görüntüler 2.3. Uzaktan Algılama 9 2.3.1. Uzaktan Algılama Verilerinin Elde Edilmesi 10 2.3.2. Uzaktan Algılamada Atmosferik Etkenler 2.3.3. Uzaktan Algılama Verilerinin Spektral Özellikleri 2.3.4. Uzaktan Algılama Görüntüleri 2.3.4.1. Siyah Beyaz Görüntüler (Pankromatik Görüntüler)

2.3.4.2. Normal Renkli Görüntüler 2.3.4.3. Çok Bantlı Görüntüler (Multispektral Görüntüler) 2.3.4.4. Termal Görüntüler 2.3.4.5. Yalancı Renkli Görüntüler (False Colour Görüntüler, renkli kızılötesi)

2.3.4.6. Radar Görüntüleri 2.3.5. Uzaktan Algılama Görüntülerinin Çözünürlükleri

2.3.5.1. Uzaysal Çözünürlük (Spatial Resolution) 2.3.5.2. Spektral Çözünürlük (Spectral Resolution) 2.3.5.3. Radyometrik Çözünürlük (Radiometrik Resolution) 2.3.5.4. Zamansal Çözünürlük (Temporal Resolution)

2.4. Landsat Uydu Sistemi 2.5. Sayısal Görüntü İşleme Teknikleri

2.5.1. Ön İşleme 2.5.1.1. Radyometrik Hatalar ve Düzeltmeler 2.5.1.2. Geometrik Hatalar ve Düzeltmeler (Rektifikasyon)

2.5.2. Görüntü İyileştirme 2.5.2.1. Histogramlar 2.5.2.2. Filtreler

2.5.3. Normalize Edilmiş Bitki İndeksi (NDVI) 3. MATERYAL VE METOT 3.1. Materyal 3.2. Metot 3.2.1. Arazi Çalışmaları 3.2.2 Büro Çalışmaları 4. BULGULAR VE TARTIŞMA 4.1. Görüntü Bölümleme (Segmentasyon, Image Segmentation) Yöntemlerine İlişkin Bulgular ve Tartışma 4.1.1. Eşikleme (Thresholding) 4.1.2. Sınır Temelli Yaklaşımlar 4.1.2.1. Kenar Belirleme 4.1.2.2. Eğim (Gradient) Temelli Yöntemler 4.1.2.3. İkinci Türev Operatörleri

Sayfa

1 3 3 5

11 12 14 14 14 15

15 15 15 16 16 17 17 18 19 22 22 23 23 26 27 28 30 32 32 32 32 32 34

34 35 37 37 39 41

v

4.1.3. Bölge Temelli Yaklaşımlar 4.2.Görüntü Sınıflandırmasına İlişkin Bulgular ve Tartışma 4.2.1. Eğitimsiz Sınıflandırma (Unsupervised Classification) 4.2.1.1. Histogram Tabanlı Eğitimsiz Sınıflandırma 4.2.1.2. Isodata Yöntemi (Iterative Self Organizing Data Analysis Tecnique) 4.2.2. Eğitimli Sınıflandırma (Supervised Classification) 4.2.2.1. En Kısa Uzaklık Sınıflandırması ve Paralel Kenar Sınıflandırması 4.2.2.2. En Çok Benzerlik Yöntemi (Maximum Likelihood) 4.3. Sayısal Görüntülerin Sınıflandırılması Yöntemlerinin Uygulanmasına İlişkin Bulgular ve Tartışma 4.3.1. Farklı Band Kombinasyonlarının Oluşturulması 4.3.2. Eğitimsiz Sınıflandırma 4.3.3. Eğitimli Sınıflandırma 5. SONUÇ VE ÖNERİLER KAYNAKLAR ÖZGEÇMİŞ

42 45 46 48

48 50

52 52

54 55 57 61 65 66 69

vi

ŞEKİLLER LİSTESİ Şekil 2.1. Transversal Dalgalar 3 Şekil 2.2. Elektromanyetik Spektrum Şekil 2.3. Bir Sürekli Görüntünün Satır ve Sütunlara Bölünerek Oluşan Piksellerin Koordinat Renk ve Zaman Değerlerinin Gösterilmesi 6 Şekil 2.4. Analogtan Dijitale Dönüştürme İşleminde Bir Analog 7 Sinyalin Örneklenmesi 7Şekil 2.5. Renk Uzayı 8 Şekil 2.6. Bir Pikselin Komşulukları 9 Şekil 2.7. Işığın Bir Madde Üzerine Düşmesi, Emilme, Geçirilme, Yansıma ve Saçılma 11 Şekil 2.8. Bazı Maddelerin Spektral Yansımalarının Grafik Olarak Gösterimi 14 Şekil 2.9. Uzaysal Çözünürlük Örneği 16 Şekil 2.10. Spektral Çözünürlük Örneği 17 Şekil 2.11. Radyometrik Çözünürlük Örneği 18 Şekil 2.12. Zamansal Çözünürlük Örneği 18 Şekil 2.13. Görüntü Analizleri Akış Şeması 22 Şekil 2.14. Yer Kontrol Noktalarının Seçilmesi Örneği 25 Şekil 2.15. Görüntünün Yeniden Örneklenmesi 26 Şekil 2.16. Görüntü Histogramı 27 Şekil 2.17. Histogram Germe 28 Şekil 2.18. Konvolusyon Maske Çeşitleri 29 Şekil 2.19. Temel Bileşenler Dönüşümü 30 Şekil 4.1. Bir Görüntünün Parlaklık Değeri Histogramı İle Eşikleme 36 Şekil 4.2. Kenar Süreksizlikleri 38 Şekil 4.3. Eğitimsiz Sınıflandırma 47 Şekil 4.4. Landsat ETM Uydu Görüntüsü 54 Şekil 4.5. Landsat ETM Uydu Görüntüsü Farklı Bant Kombinasyonları Şekil 4.6. Isodata Eğitimsiz Sınıflandırma Uygulamasında Kullanılan Görüntü ve Oluşan Sınıflar Hakkında Bilgiler Tablosu 57 Şekil 4.7. Isodata Eğitimsiz Sınıflandırmanın İkinci Uygulamasında Elde Edilen Görüntü ve Oluşan Sınıflar Hakkında Bilgiler Tablosu 59 Şekil 4.8. Alıştırma Verileri Oluşturma İşleminde Seçilen Piksel Grupları ve Bu Piksel Gruplarına Ait Değerler 61 Şekil 4.9. Alıştırma Verilerinin Seçilmesi İşlemi 62 Şekil 4.10. Birleştirilen Ve Etiketlenen Sınıflar 62 Şekil.4.11. Eğitimli Sınıflandırma Uygulaması Sonucunda Oluşan Etiketlenmiş Sonuç Görüntü

Sayfa 3 4

6

7 8 9

11 14 16 17 17 18 22 25 26 27 28 29 30 36 38 47 55 56

58

60

62 63 63

64

vii

TABLOLAR LİSTESİ

Tablo 2.1. Landsat Uydularının Özellikleri Tablo 2.2. ETM+ Algılayıcısının Özellikleri ve Spektral Bantlara Göre Uygulama Alanları Tablo 2.3. Çeşitli Bantlarda Hesaplanmış NDVI değerleri

Sayfa

20

22 31

1

1.GİRİŞ

Günümüzde sayısal görüntülerle pek çok yerde karşılaşılmaktadır. Tıp, tarım,

mühendislik, endüstri, eğitim, sanat ve askeri alanlar gibi daha pek çok alanda sayısal

görüntüler elde edilmekte ve yorumlanarak çeşitli bilgilere ulaşılmaktadır. Sayısal

görüntüler, görüntü üzerinde bulunan nesneler hakkında pek çok bilgi içerebilir.

Örneğin; yer altı su kaynaklarının konumlarının tespit edilmesinde çok bantlı, termal ya

da radar görüntüleri kullanılabilir.

Sayısal görüntülerin bazıları, doğadaki nesnelerin gerçek şekillerini ya da

renklerini göstermez. Bu tür görüntüler, sayısal görüntü işleme tekniklerinin

uygulanması sonucunda, insan gözü ile yorumlanabilecek duruma getirilebilir. Yani,

sayısal görüntülerden elde edilmek istenilen bilgilere ulaşmak için, görüntünün sayısal

görüntü işleme teknikleri ile işlenmesi ve yorumlanması mümkündür. Örneğin,

görüntünün daha iyi anlaşılabilmesi için, parlaklığının ayarlanması ya da istenilmeyen

bozucu etkilerin filtreleme ile azaltılması, sayısal görüntü işleme teknikleri ile

yapılmaktadır. Yaygın olarak uygulanan bu yöntemlerin, orijinal görüntü verilerini

değiştirdiğini dolayısıyla görüntü analizinin doğruluğunu azalttığını savunan görüşler

de bulunmaktadır.

Tüm bu tekniklerin asıl amacı, görüntüyü analiz ederek, yorumlanacak hale

getirmektir. Sayısal görüntülerin bölümlenmesi ve sınıflandırılması yöntemleri, görüntü

analizlerinde sıklıkla kullanılmaktadır. Çalışmanın amacına göre, bazen bu yöntemler

çalışmanın tamamını oluştururken, bazen de sadece bir parçasını oluşturabilir. Örneğin,

sınıflandırma işlemi ile bir uydu görüntüsü üzerinde, bir bölgenin arazi örtü türlerinin

belirlenebilmesi için, seçilen yöntem, çalışmanın tamamında kullanılabileceği gibi,

çalışmanın bir parçasını da oluşturabilir.

Görüntü bölümlemeye ve sınıflandırmaya ilişkin pek çok yaklaşımın bulunduğu

göz önüne alındığında, sayısal bir görüntünün analizi sırasında, kullanılacak yöntemin

seçilmesi, problem olabilmektedir.

Araştırmacılara ve uygulayıcılara, sayısal görüntü bölümleme ve sınıflandırmada

kullanılan yöntemlerin ve temel algoritmaların neler olduğunu açıklamak, hangi

durumda hangi yöntemin kullanılmasının daha doğru ve avantajlı olduğunu göstermek

bu araştırmanın temel amacıdır. Sayısal görüntülerin sınıflandırılmasında kullanılan

yöntemler üzerinde, örnek uygulama yapılarak, temel amaç desteklenmektedir. Örnek

2

uygulamada, bir uydu görüntüsü üzerinde, eldeki mevcut veriler ve elde edilmek istenen

sonuç doğrultusunda, seçilebilecek sınıflandırma yöntemlerinin, uygulanarak

incelenmesi amaçlanmıştır.

Konu ilgili literatürde çok miktarda çalışmalar ve araştırmalar bulunmaktadır.

Örneğin; Türkiye’de yapılmış araştırmalardan birini Ayhan ve ark. yapmışlardır.

“Uzaktan algılanmış görüntülerde sınıflandırma ve analiz” adlı araştırmalarında,

uzaktan algılanmış görüntülerin sınıflandırılmasında kullanılan iki genel yaklaşım,

eğitimli ve eğitimsiz sınıflandırmada kullanılan yöntemleri tanıtmışlardır. İlgili bir diğer

çalışmayı, Körümdük ve ark. yapmışlardır. “Adana ilinin kuzeyindeki orman alanlarının

uydu verileri kullanılarak belirlenmesi” adlı çalışmada, Landsat 7-ETM+ verisi

kullanılarak Adana ilinin kuzeyindeki orman alanları ve ağaç türleri saptanmıştır. Uydu

verileri eğitimli sınıflandırma yöntemiyle sınıflandırılmış ve Erdas 8.4 yazılımı

kullanılmıştır. Çalışmada orman alanlarını belirlemede Landsat 7-ETM verilerinin

kullanışlı olduğu ortaya konmuştur. Konu ile ilgili daha pek çok çalışma bulunmaktadır.

3

2.GENEL BİLGİLER

2.1 Işık ve Elektromanyetik Spektrum

Işık, bir enerji olup güneşten elektromanyetik dalgalar halinde yayılarak dünyaya

ulaşır. Işık boşlukta, yaklaşık olarak 300.000 km/sn hızla salınarak yayılır. Oluşan bir

dalgada moleküllerin dalga hareketi yönüne dik açılarla sallanmaları durumunda bu

dalgalara transversal dalgalar denir. Şekil 2.1’de transversal dalgalar görülmektedir. Bir

dalganın en yüksek yeri ile onu takip eden dalganın en yüksek yeri arasındaki uzunluğa

dalga boyu denir veλ ile gösterilir. Bir saniyede oluşturulan dalga sayısı frekans olarak

adlandırılır ve v ile gösterilir. Bir dalganın dalga boyu, frekansı ve yayılma hızı (c)

arasındaki ilişki; vc

=λ ifadesi ile gösterilebilir (Sesören, 1998).

elektrikli alan

mesafe

manyetik alan

Şekil 2.1. Transversal Dalgalar (Sesören, 1999)

Bir başka tanımıyla ışık; elektromanyetik spektrumun insan gözünün en çok

duyarlı olduğu bölümüne verilen isimdir. Işık ışınlarının dalga boyları yaklaşık

mm μμ 7.04.0 − arasındadır (Örüklü, 1988).

4

Elektromanyetik spektrum çeşitli dalga boylarındaki ışıma enerjisini içeren ve bu

ışınım enerjisinin, içinde eletromanyetik dalgalar halinde serbestçe hareket ettiği bir

ortam olarak tanımlanabilir. Elektromanyetik spektrum süreklidir ancak çalışmalarda

kolaylık sağlanabilmesi için belirli bölümlere ayrılmıştır. Şekil 2.2’ de Elektromanyetik

Spektrum gösterilmektedir. mm μμ 7.04.0 − arası “görünen spektrum”, infrared ve

aşağısı genellikle “dalga boyu” ve mμ15 dalga boyundan ötesi de, dalga boyu yerine

çoğunlukla “frekans” larla anılır (Sesören, 1999).

0.4 0.5 0.6 0.7 )( mμ

UV Mavi Yeşil Kırmızı Yakın Kızılötesi

Görünen

Dalga Boyu )( mμ

1 10 610− 510− 410− 310− 210− 110− 210 310 410 510 610 710 810

Görünen γ ışınları X ışınları Morötesi Yakın&Orta Termal Mikrodalga TV / Radyo Kızılötesi Kızılötesi

Şekil 2.2. Elektromanyetik Spektrum (anonymous//http://www.geo.mtu.edu/rs/back/spectrum)

Bir cisme ulaşan enerji yansıtılır, yutulur ve geçirilir. Enerjinin, kaybolmayacağı,

ancak şekil değiştireceği göz önüne alınarak, kaynaktan cisme gelen toplam enerji,

cisim yüzeyi tarafından yansıtılan, cisim tarafından geçirilen ve yutulan enerjilerin

toplamına eşittir (Örmeci, 1987).

İstenilen bant aralığındaki enerjiyi algılayabilen sensör üretilebilmekte ve farklı

enerjileri algılayan birden çok bant kullanılmaktadır. Farklı bantları kullanarak,

nesnelerin özelliklerinin farklı oldukları söylenebilmektedir. Farklılık cisimlerin fiziksel

ve kimyasal özelliklerine bağlıdır. Görünen bölgede bu spektral değişiklikler renk

5

olarak adlandırılan olgunun ortaya çıkmasına neden olur. Örneğin bir cisim, spektrumun

yeşil bölgesinde çok ışıma yaparsa bu cismin rengi yeşil olarak adlandırılır. Görünen

bölgede, nesnelerin yansıttıkları ışıklara dayanarak, ayırt edilmeleri zor olabilir. Bu

durumda, elektromanyetik spektrumun farklı bölgelerinden yararlanılmalıdır.

2.2. Sayısal Görüntüler

20. yüzyılın başında Londra ve New York arasında Atlantik okyanusu boyunca

döşenmiş olan iletişim kabloları kullanılarak, ilk sayısal görüntü iletimi

geçekleştirilmiştir. Bu yöntem Bartlane yöntemi olarak bilinmektedir. 1964 yılında uzay

programlarının kullanıma açılmasıyla, elde edilen görüntülerin yorumlanması için

çeşitli sayısal görüntü formatları ve sayısal görüntü işleme teknikleri geliştirilmiştir

(Sağıroğlu ve ark., 2003).

Bir sayısal görüntü sayılarla ifade edilir. Fotoğraf noktalarının yoğunluğu, birim

zamanda noktaya gelen ışık enerjisinin toplam miktarı olarak yorumlanabilir. Genellikle

x ve y uzaysal konumuna sahip bir noktanın ışık yoğunluğunu temsil etmek için, f(x,y)

şeklinde bir fonksiyon tanımlanır. Fonksiyonda, x ve y ile adreslenen her bir eleman,

görüntü elemanı, resim elemanı, piksel veya pel olarak adlandırılmaktadır. Sayısal

görüntü işlemede genellikle 0-255 arasında sıfır dahil olmak üzere toplam 256 adet ışık

yoğunluğu değeri tanımlanır.

Gerçekte çoğu durumda 2 boyutlu sensöre (algılayıcı) çarpan fiziksel sinyali,

derinlik (z), renk (λ ) ve zamanı (t) içeren çok değişkenli bir fonksiyon olarak ele

alınarak uygulamalara katılabilir.

İki boyutlu sürekli görüntü satırlara (N) ve sütunlara (M) bölünür. Şekil 2.3.’de

verilen görüntü de, N=16 satır ve M=16 sütuna bölünmüştür. Örneğin; [m=10, n=3]

koordinatlı pikselin tam sayı parlaklık değeri, 110 olarak tespit edilmiştir

(anonymous//http://www.ph.tn.tudelft.nl/Courses/FIP/frames/fip).

6

Şekil 2.3. Bir Sürekli Görüntünün Satır ve Sütunlara Bölünerek Oluşan Piksellerin

Koordinat Renk ve Zaman Değerlerinin Gösterilmesi

(anonymous//http://www.ph.tn.tudelft.nl/Courses/FIP/frames/fip)

Bir görüntünün, en küçük parçalarının her birine bu parçaların sahip olduğu

tanecik yoğunluğu ya da ışık yoğunluğu değerlerini ifade eden sayısal değerlerin

atanması işine görüntünün sayısallaştırılması denir.

Sürekli bir fonksiyon sayısal bilgisayar ortamında temsil edilemez. Görüntü

düzleminde bilgisayarın, hedef görüntü ile optik sistem arasında, görüntüyü sınırlı

sayıda nokta ile örneklemesi gerekir ve her örnek, bilgisayar ortamında sınırlı

boyutlarla temsil edilmektedir (Jain ve ark., 1995).

Görüntünün tümünde fiziksel olarak içindeki tanecik sayılarıyla ifade edilen, aynı

boyutlu alanlar oluşturulabilir. Bu sayılar kodlanarak, yeni kod sayıları elde edilebilir.

Bu yeni kodlar fiziksel yoğunluk değerinin yerine kullanılabilir. Bu kodlama işlemine

“nicelleme” (quantisation) denilmektedir. Bu işleme Anolog digital çevrimi “Anolog to

Digital Conversion (A/D)” ya da sayısallaştırma da denir.

Analog bir sinyali, sayısallaştırmak için kullanılan sistematik prosedür Şekil

2.4.’de verilmektedir. Sinyali ifade etmek için kullanılan kesikli nicelleme veya

sayısallaştırma düzeylerinin sayısı, sinyal artırma doğruluğu ve sayısal formatın

prezisyonu ile de ilgilidir. Sinyaller, ikili formda, yani bir sinyalin varlığında ve

yokluğunda kaydedilir ve sinyal kalitesindeki tek kayıp, örnekleme ve nicelleme

işlemleri sonucunda oluşur (Maktav ve Sunar, 1991).

7

Sinyal Düzeyi

Örnekleme Aralıkları

Diji

talleşt

irme

Düz

eyle

ri

Zaman

Şekil 2.4. Analogtan Dijitale Dönüştürme İşleminde Bir Analog

Sinyalin Örneklenmesi (Maktav ve Sunar, 1991)

Sayısal görüntüleri elde etmenin yollarından biri dijital kameralardır, bir diğeri ise

analog kameralarla elde edilen görüntülerin taranarak sayısal ortama aktarılmasıdır.

CCD (Charge Coupled Device) teknolojisi kamera endüstrisi için geliştirilmiş ve uzun

süreden beri kullanılan bir teknolojidir. Günümüzün yüksek kaliteli kameraları

genellikle CCD sensörleri kullanmaktadır. Sayısal kameraların fotoğraf üretim

sürecinde yaptığı en büyük devrim, fotoğrafın alışılagelmiş bir fotoğraf filmi yerine,

yarıiletken malzemeden yapılmış olan CCD aygıtlarına kaydedilmesiyle, bilgisayara

aktarılmasındaki kolaylıkları getirmesiyle oldu.

CCD cihazları 1 ’den küçüktür ve ışığa son derece hassas milyonlarca

sensörden oluşmaktadır Bu sensörler satırlar ve sütunlar halinde dizilmişleridir.

Sensörlere çarpan fotonlar, cismin parlaklığı ile orantılı olarak elektronik sinyal

üretmektedir. Bu sinyalin değeri ise kaydedilecek sayısal değeri belirlemektedir

(Alpaslan ve ark., 2004). Kaynak materyalden kameraya yansıyan ışın CCD üzerine

düşer ve buradaki her bir hücre üzerine düşen ışın, şiddetine göre önce analog sinyale

dönüştürülür. Daha sonra A to D (Analog to Digital Converter ) aracılığıyla analog

değerler kodlanarak sayısallaştırılır.

2mm

8

Sayısal görüntüler Binary (İkili), Gri düzeyli ya da Renkli görüntüler olabilirler.

Binary görüntülerde pikseller iki renk değerine sahiptir. Siyah sıfır (0) ile beyaz bir (1)

ile temsil edilir. Gri düzeyli görüntülerde ise pikseller 0-255 arasında 256 adet farklı

parlaklık değerine karşılık gelir.

İnsanlar renkleri kırmızı, yeşil ve mavinin kombinasyonları olarak algılarlar ve bu

renklere ana renkler denir. Görüntüleme amaçlı olarak, renk uzayının özelleştirilmiş her

bir alt uzayı palet olarak isimlendirilir. RGB modeli üç boyutlu bir uzay olarak

düşünülürse ikincil renkler herhangi iki öncül rengin (R, G ve B’nin), Şekil 2. 5’deki

kombinasyonundan elde edilir. Bir çok görüntü algılayıcı RGB modelini

kullanmaktadır. Bu durumda görüntü elektromanyetik spektrumun R, G ve B

bölgelerinde çok dar bir aralığa duyarlı algılayıcılardan elde edilen işaretlerden türetilir

(Sağıroğlu ve ark., 2003).

Mavi(0,0,1)

Cayan(0,1,1)

Magenta(1,0,1)

Gra

y R

enkl

er

Siyah(0,0,0) Yeşil(0,1,0)

Kırmızı (1,0,0) Sarı(1,1,0)

Şekil 2.5. Renk Uzayı (Sağıroğlu ve ark., 2003)

Bir pikselin rengi genellikle üç boyutlu uzayda temsil edilir. Renklerin, insan gözü

ile en iyi şekilde anlaşılabilmesini sağlamak amacıyla tanımlanan renk uzayları

bulunmaktadır. RGB, HSV (Hue Saturation Value-Renk doyma değeri) uzayları en çok

karşılaşılan standartlardır. RGB uzayı, görüntünün ekranda daha kaliteli görüntülenmesi

amacıyla, HSV uzayı ise insan gözünün görüntüyü daha kolay ve daha doğru

yorumlayabilmesini sağlamak amacıyla oluşturulmuştur.

Aynı bant üzerinde insan gözü 256 renk ayırt edebilir. Bilgisayar ortamında ise 32

milyon kadar renk oluşturulabilmekte ve algılanabilmektedir. Bir görüntüyü bilgisayar

ortamında görüntülemek için genelde RGB renkleri kullanılır. Diğer renkler bu üç

rengin belirli yoğunluklarla karıştırılmalarıyla elde edilir.

9

Sayısal görüntü işleme teknikleri uygulamalarında piksel komşulukları da önemli

yer tutan konulardandır. Koordinatları olan bir p pikselinin; koordinatları

, , ,

),( yx

),1( yx + ),1( yx − )1,( +yx )1,( −yx olarak verilen yatay ve düşey dört komşuluğu

vardır. Bu piksel topluluğu, p’nin 4-komşuluğu olarak adlandırılır ve şeklinde

gösterilir. Şekil 2.6 - (a)’da 4 komşuluk görülmektedir. P’nin dört köşegen komşuluğu

koordinatları; ,

)(4 pN

)1,1( ++ yx )1,1( −+ yx , )1,1( +− yx , dir ve

olarak gösterilir. Bu noktalar 4-komşuluk ile beraber tanımlanırsa p’nin 8-

komşuluğu olarak adlandırılır ve olarak gösterilir. Şekil 2.6 - (b)’de 8-komşuluk

görülmektedir (Gonzalez, 1987).

)1,1( −− yx

)( pN D

)(8 pN

IIIII II I IIII IIII

IIIII IIII IIIII IIII

IIIII IIII IIII IIII

(a) 4 Komşuluk (b) 8 Komşuluk

Şekil 2.6. Bir Pikselin Komşulukları (Sağıroğlu ve ark., 2003)

2.3. Uzaktan Algılama

Cisimlerden belirli bir uzaklıktan, onunla gerçekten temas etmeden yapılan

ölçümler yardımı ile, o cisim hakkında bilgi elde etme bilimine uzaktan algılama denir.

Uzaktan algılama sistemlerinde en sık ölçülen nicelik, ilgilenilen cisimden yayılan

elektromanyetik enerjidir (Maktav ve Sunar, 1991).

Günümüzde dünya etrafında dönmekte olan uydulardan yeryüzü hakkında pek çok

bilgi elde edilmektedir. Uydulardan elde edilen veriler; uyduların geniş görüş açıları,

uydu algılayıcılarının hareket hızı, ve kullanılan spektral bant sayısı nedeniyle çok fazla

miktardadır. Uzaktan algılama verilerinin hızlı ve ekonomik olarak değerlendirilmeleri

gerekmektedir.

10

2.3.1. Uzaktan Algılama Verilerinin Elde Edilmesi

Uzaktan algılamada, veri elde etmek için gerekli olan öncelikle bir enerji

kaynağıdır. Bu kaynak hedefi aydınlatır veya hedefe elektromanyetik enerji gönderir.

Yansıyan ve yayılan enerji sensörler tarafından ölçülerek kaydedilir. Sensörlerin

boyutları ne kadar küçükse uzaktan algılama verisinin geometrik çözünürlüğü o kadar

yüksektir.

Uzaktan algılama verilerinin elde edilmesinde kullanılan çok çeşitli algılama

sistemleri vardır. Bu sistemlere örnek olarak; foto kamerası, tarayıcı, radar verilebilir.

Uzaktan algılama verileri aktif ya da pasif uzaktan algılama sistemleri ile elde

edilebilir. Pasif algılayıcılar, söz konusu araziden yansıyan ya da yayılan doğal

elektromanyetik enerjiyi kaydederler. Örneğin kameralar ve video kaydediciler,

nesnelerden yansıyan görünen ve yakın kızılötesi enerjiyi kaydederler. Çok bantlı bir

tarayıcı da araziden yayılan termal enerji akışını kaydeder. Aktif algılayıcılar ise,

örneğin mikrodalga (radar) ya da su sonarı gibi, insan üretimi elektromanyetik enerjiyi

araziye gönderirler ve algılayıcı sisteme geri dönen ışık akış miktarını kaydederler

(Jensen, 1996).

Fotoğraf en eski uzaktan algılama yöntemlerinden biridir. Uzaktan algılamada

kullanılan fotoğraflama işlemlerinde kullanılan filmler; siyah beyaz filmler ya da renkli

filmler olabilir. Renkli filmler; normal renkli filmler, yalancı renkli filmler (False

colour) ya da renkli kızılötesi filmler olabilir. Uzaktan algılama verileri, vidikon (video

kamerası içinde görüntü üreten elementler) kameralar tarafından ya da tarayıcı alet

(scanner) tarafından da elde edilebilir. Tarama işlemleri genellikle, çizgi tarama (line

scanner) ve itikleyerek tarama (pushbroom) sistemleri ile yapılmaktadır. Çok bantlı

algılama (multispektral sensing) bir diğer tarama yöntemidir. Bu yöntem,

elektromanyetik spektrumun ışık bölgelerinden eş zamanlı olarak verileri kaydetmesi

şeklinde gerçekleşir. Ayrıca mikrodalga algılama ve termal algılama da diğer uzaktan

algılama veri elde etme yöntemleridir (Sesören, 1998).

11

2.3.2. Uzaktan Algılamada Atmosferik Etkenler

Güneş enerjisi, bir madde üzerine düştüğünde, o maddenin içinden geçebilir,

maddenin yüzeyi tarafından yansıtılabilir, maddeyi oluşturan moleküller tarafından

saçılabilir soğurulduktan sonra başka bir dalga boyunda yeniden yayılabilir. Şekil

2.7.’de güneş enerjisinin bir kısmının emildiği (absorbed) A, bir kısmının geçirildiği

(transmitted) T, bir kısmının yansıdığı (reflected) R ve bir kısmının da saçıldığı

(emitted) E görülmektedir. Atmosferde ya da uzayda bulunan algılayıcılar (sensors)

yeryüzünden yansıma ve yayılma yoluyla kendilerine ulaşan enerjiyi kaydederler

(Sesören, 1998).

Şekil 2.7. Işığın Bir Madde Üzerine Düşmesi, Emilme, Geçirilme, Yansıma ve Saçılma

Olayları

(anonymous//http://dweb.ccrs.nrcan.gc.ca/ccrs/db)

Uzaktan algılama verisi, elde edilirken, atmosfer ortamından geçer ve bazı

etkileşimlere maruz kalır. Atmosferdeki parçacıklar ve gazlar yeryüzüne doğru ilerleyen

enerjiyi etkileyebilirler. Bu etkiler saçılma (scattering) ve soğurmaya (absorption) neden

olur (anonymous//http://dweb.ccrs.nrcan.gc.ca/ccrs/db).

Saçılma, elektromanyetik radyasyonun, yukarıda bahsedilen etkiler nedeniyle

orijinal yolunu değiştirmesidir. Saçılma miktarı enerjinin dalga boyu büyüklüğüne,

atmosferdeki parça ve gazların miktarına ve enerjinin atmosferde izlediği yolun

uzunluğuna bağlıdır. Üç tip saçılma vardır. Rayleigh saçılması, Mie saçılması ve serbest

saçılma. Rayleigh saçılması, ışığın dalga boyu parçacık ve gazların dalga boylarından

çok büyükse gerçekleşir. Güneş ışığı atmosferden geçerken mavi dalga boyu, saçılmaya

12

uğrar ve bu nedenle gökyüzü mavi görünür. Mie saçılması, ışık dalga boyunun parçacık

moleküllerinin boyutlarına yaklaşık eşit olduğu durumlarda görülür. Işık dalga boyunun,

parçacık moleküllerinin boyutlarından daha küçük olduğu durumlarda ise serbest

saçılma gerçekleşir. Bu saçılma gökyüzünün gri görünmesine neden olur. Soğurmaya

neden olan üç ana bileşen ozon, karbondioksit ve su buharıdır. Soğurulma bantlarında

oluşan enerji, bu bantlardan geçerek atmosfere ulaşamaz. Atmosferik pencereler,

enerjinin soğurulmadan geçebildiği elektromanyetik spektrum bölgeleridir

(http://dweb.ccrs.nrcan.gc.ca/ccrs/db).

2.3.3. Uzaktan Algılama Verilerinin Spektral Özellikleri

Uzaktan algılama verileri, bilgisayar ortamında analiz çalışmalarında kullanılırken

dikkate alınması gereken önemli hususlardan biri, verilerin spektral karakteristikleridir.

Bitki örtüsü, toprak, su veya bir başka yüzeyin yansıtma bilgileri verilerin doğru

yorumlanmasını sağlamaktadır.

Bitkiler elektromanyetik spektrumun görünen bölgesinde genellikle düşük

yansıtma ve düşük geçirgenlik özelliği gösterir. Bu bölgede yaprak pigmentleri ışığı

yutarlar ve yansımayı azaltırlar. Klorofil pigmentleri mavi, mor ve kırmızı ışığı

fotosentez için emerler, yeşil ışık fotosentez için emilmez ve dolayısıyla çoğu bitki yeşil

görünür. Sonbaharda klorofil miktarı azaldığından karoten ve ksantofil miktarları

arttığından ağaç yapraklarının renkleri sarı görünür (Verbyla, 1995).

Yakın kızılötesi bölgesinde yansıtma bitki yaprak yapısı ile ilgilidir. Yaprak yapısı

bir çok bitkide farklı olduğundan bitki türlerinin ayırt edilmesinde yararlanılabilir.

Hücre yapısının bozulması, yansıtma özelliğini değiştirir. Dolayısıyla hücre yapısında

değişikliğe neden olan bitki hastalıklarını bu bölgede algılanan enerji ile saptamak

olasıdır (Örmeci, 1987).

Saf su, orta kızılötesi bölgesinde güçlü bir enerji emicidir. Dolayısıyla bitkilerin

orta kızıl ötesi bölgesindeki yansıtması, yaprakların su içermesiyle direkt ilişkilidir.

Ancak genel olarak yaprakların su içeriğiyle orta kızıl ötesi yansıması arasında negatif

bir korelasyon vardır. Su içeriği yaprak kalınlığı ile orantılıdır. Orta kızılötesinin yakın

kızılötesine oranı nem fazlalığı indeksi olarak adlandırılır. Ve hava kirliliği nedeniyle

zarar gören ormanların belirlenmesinde kullanılabilir (Verbyla, 1995).

13

Görünür bölgede suyun yansıtması, su yüzeyinin durumu, suda bulunan askıda

maddeler ve suyun içinde yer aldığı ortamın tabanı ile ilgilidir. Suyun yutması ve

geçirgenliği de sudaki organik ve organik olmayan maddelerin miktar ve büyüklüğüne

bağlıdır. Sudaki klorofil miktarına bağlı olarak yosun varlığı ve yoğunlukları

belirlenebilir. Ayrıca görünür bölgede, yağ, petrol, endüstri ve kanalizasyon atıkları gibi

nedenlerle oluşan su kirlenmeleri belirlenebilir (Örmeci, 1987).

Uydu görüntüleri ile, görünen bölgede genelde kar ile bulutu ayırt etmek zordur.

Bulutlar görünen dalga boyundan daha büyük su damlacıkları içerirler. Dolayısıyla

bulutlar ışığı seçmeksizin saçarlar ve beyaz görünürler. Diğer yandan kar görünen ve

yakın kızılötesi bölgelerinde yüksek yansıtmaya ve orta kızılötesi bölgesinde ise düşük

yansıtmaya sahiptir (Verbyla, 1995).

Toprak yüzeyin yansıması genellikle toprağın nem içeriğiyle kontrol edilir.

Özellikle orta kızılötesi bölgesinde, toprak yüzey kuru ise yansıma yüksektir.

Topraktaki organik madde miktarı da toprağın su tutma kapasitesini gösterir (Verbyla,

1995). Genel anlamda bir zeminde su içeriği arttıkça yansıtma özelliği azalır. Kuru bir

zemin, ıslak bir zemine göre daha fazla yansıtır (Örmeci, 1987).

Elektromanyetik spektrumun termal kızılötesi bölgesinde yeryüzündeki doğal

maddelerden, insan etkinliklerinin ve güneşin yeryüzünü ısıtmasından dolayı oluşan

enerjiler ile belirlenebilir. Gece veya gündüz koşullarına bakılmaksızın görünen

spektrumda ayırt edilemeyen nesneler sıcaklık farklarıyla ayırt edilebilir (Verbyla,

1995).

Tüm bu özellikler objelerin tanınıp ayırt edilebilmeleri için görünen ışık bölgesi

yanında, yansıyan elektromanyetik dalgaların kızılötesi bölgesinin de göz önünde

tutulmasının gerekliliğini ve aynı zamanda neden çok kanallı algılayıcılara gerek

duyulduğunu açık olarak kanıtlar (Örüklü, 1988).

Şekil 2.8.’de bazı maddelerin spektral yansımaları görülmektedir. Görünen

bölgede birbirlerinden ayırt edilemeyen bazı maddelerin, yakın kızılötesi ya da diğer

kızılötesi bölgelerinde daha rahat ayırt edilebildikleri görülmektedir.

14

Şekil 2.8. Bazı Maddelerin Spektral Yansımalarının Grafik Olarak Gösterimi

(http://www.cscrs.itu.edu.tr/page.tr.php?id=12&PHPSESSID=5d76b8f50bea4df4e7cada

f8f9fc2ac9#es)

2.3.4. Uzaktan Algılama Görüntüleri

Uzaktan algılama görüntüleri yapılan çalışmanın amacına göre seçilmelidir.

Uygun görüntünün seçilmesi görüntülerin özelliklerini iyi tanımayı gerektirmektedir.

Aşağıda görüntü türlerinden bahsedilmektedir.

2.3.4.1. Siyah Beyaz Görüntüler (Pankromatik Görüntüler)

Siyah beyaz görüntüler, görüntülerin gerçek gri renk seviyelerini verirler.

Nesnelerin gri tonlar ile belirlenmesine yardımcı olurlar. Jeoelojik haritalama, şehir

planlama, nem haritaları gibi çalışmalarda kullanılır.

2.3.4.2. Normal Renkli Görüntüler

Nesneler doğadaki renkleriyle görünürler. Renkli görüntüler insan gözüne hitap

ederler. Dolayısıyla insan gözüyle yapılacak her türlü yorumlamada her alanda

kullanılabilmektedir.

15

2.3.4.3. Çok Bantlı Görüntüler (Multispektral Görüntüler)

Çok bantlı görüntüler, bir nesneden yansıyan ya da yayılan enerjinin

elektromanyetik spektrumun faklı bölgelerinde eş zamanlı (synchronize) görüntüler

olarak kaydedilmesiyle elde edilir. Yani bir görüntü, farklı farklı bantlarda kaydedilmiş

bir çok görüntüden oluşmaktadır. Çok geniş bir kullanım alanı vardır. Yüzey

kaynaklarının araştırılması, yer altı sularının saptanması, fay ve kırıkların izlenmesi

örnek olarak verilebilir.

2.3. 4.4. Termal Görüntüler

Termal görüntüler, nesnelerden yayılan sıcaklığın algılanması ile elde edilir.

Görüntü doğadaki nesnelerin gerçek şekillerini göstermez. Siyah beyaz renkte görünür

ve nesnelerin sıcaklıklarını gösterir. Yer altı su kaynaklarının belirlenmesinde, jeoelojik

çalışmalarda, su kirliliği araştırmalarında, orman ve maden yangınlarında etki sahasının

belirlenmesinde ve daha sıcaklığa bağlı olarak istenilen pek çok alanda kullanılabilir.

Meteorolojik koşullardan olumsuz etkilenir.

2.3.4.5. Yalancı Renkli Görüntüler (False Colour Görüntüler, renkli kızılötesi)

Yalancı renkli görüntülerde, nesneler gerçekte oldukları renklerden farklı

renklerde görünürler. Örneğin, yeşil renkli bir nesneyi kırmızı temsil edebilir. Bitkilerin

elektromanyetik spektrumun yakın kızılötesi bölgesinde yüksek yansıması nedeniyle,

kırmızının tonları ile gösterilmesi mümkündür. Orman, tarım, mera, toprak gibi

alanlarda kullanılması yararlıdır.

2.3.4.6. Radar Görüntüleri

Oluşturulan mikrodalga ışınına maruz kalan nesnelerin bu ışını geri yansıtmasıyla

elde edilir. Radarlar tüm hava koşullarında, gece ve gündüz çalışabilmektedirler.

Denizlerin ve buzulların incelenmesinde, jeolojik, ekolojik vb. çalışmalarda

kullanılmaktadır.

16

2.3.5. Uzaktan Algılama Görüntülerinin Çözünürlükleri

Çözünürlük bir görüntünün kalitesini belirleyen faktörlerdendir. Sayısal

görüntünün elde edildiği sistemin sensör boyutu görüntünün geometrik çözünürlüğünü

belirler. Görüntünün görüntülendiği ekranın piksel sayısı artarsa ya da piksel boyutu

küçülürse de görüntünün çözünürlüğü artar. Yaygın olarak kullanılan çözünürlük

birimleri; ppi (pixel per inch), dpi (dot per inch) dir. Uzaktan algılama görüntüleri için

tarif edilen çözünürlük türlerinden aşağıda bahsedilmektedir.

2.3.5.1. Uzaysal Çözünürlük (Spatial Resolution)

Uzaktan algılamada uzaysal çözünürlük terimi, detayların görüntüde iyi

görünebilmesi anlamına gelmektedir. Uzaysal çözünürlük genellikle görüntünün piksel

boyutuyla ilgilidir. Yeryüzünde ayırt edilebilen uzunlukla ölçülür (Verbyla, 1995).

Bir görüntüde fark edilebilir en küçük detay, algılayıcının uzaysal çözünürlüğü ile

ilgilidir ve görülebilen en küçük hedef boyutunu tanımlar. Sadece çok büyük nesnelerin

görülebildiği görüntüler düşük, küçük nesnelerin ayırt edilebildiği görüntüler ise yüksek

çözünürlüklüdür. Şekil 2.9’da aynı bölgeye ait farklı uzaysal çözünürlükleri olan üç

uydu görüntüsü gösterilmiştir. 1. görüntü 80m. çözünürlüklü Landsat MSS görüntüsü, 2.

görüntü 20m. çözünürlüklü Spot XS görüntüsü, 3. görüntü 10m. çözünürlüklü Spot P

görüntüsüdür.

Şekil 2.9. Uzaysal Çözünürlük Örneği (http://www.cscrs.itu.edu.tr/page.tr.php?id=10)

17

2.3.5.2. Spektral Çözünürlük (Spectral Resolution)

Spektral çözünürlük algılayıcının duyarlı olduğu dalga boyu aralıkları ile ilgilidir.

Spektral çözünürlüğün iyi olması bir kanal ya da bandın algıladığı dalga boyu aralığının

küçük olduğunu gösterir. Bu algılayıcılar, elektromanyetik spektrumun görünür, yakın

kızılötesi ve orta kızılötesi bölgelerinde yüzlerce küçük spektral aralıkta algılama

yapmaktadırlar.

Şekil 2.10. Spektral Çözünürlük Örneği

(http://www.cscrs.itu.edu.tr/page.tr.php?id=12&PHPSESSID=5d76b8f50bea4df4e7cada

f8f9fc2ac9#es)

Şekil 2.10’da, aynı spektral bölgede algılama yapan iki algılayıcıdan mavi ile gösterilen,

daha küçük aralıklarda çalıştığı için yeşil ile gösterilenden daha yüksek spektral

çözünürlüğe sahiptir.

2.3.5.3. Radyometrik Çözünürlük (Radiometrik Resolution)

Radyometrik çözünürlük, uzaktan algılama sisteminin renk değerlerini çok

seviyeli kaydedebilmesi olarak tanımlanabilir. Örneğin Landsat MSS verisi gri hücre

değerleri olarak 0’dan 63’e kadar kaydedilir. Dolayısıyla 0’dan 255’e kadar kayıt yapan

Landsat TM verisiyle karşılaştırıldığında, düşük seviyeli radyometrik çözünürlüğe

sahiptir (Verbyla, 1995).

Elektromanyetik enerji miktarında, sahip olunan hassasiyet, radyometrik çözünürlüğü

göstermektedir. Bir başka deyişle, bir görüntüleme sisteminin radyometrik çözünürlüğü,

enerji farklılıklarını ayırt edebilme yeteneğini ifade eder. Bahsedilen enerji farklılıkları,

18

ayırt edilmesi mümkün olan gri ton sayısı anlamına gelmektedir. Aynı bölgeye ait Şekil

2.11. (1)’de 2 bitlik bir görüntü ile Şekil 2.11. (2)’de 8 bitlik bir görüntü verilmektedir.

İki görüntü karşılaştırıldığında, radyometrik çözünürlükle ilişkili olarak detay ayırt etme

seviyesindeki fark görülmektedir.

Şekil 2.11. Radyometrik Çözünürlük Örneği

(http://www.cscrs.itu.edu.tr/page.tr.php?id=10)

2.3.5.4. Zamansal Çözünürlük (Temporal Resolution)

Zamansal çözünürlük, görüntüleme geçiş aralığıdır. Bir uzaktan algılama

sisteminin aynı bölgeyi görüntüleme sıklığı ile ilgilidir. Enlem değeri arttıkça zamansal

çözünürlükte artmaktadır. Çünkü bir alan ekvatorda 26 günlük gezisinde 8 ya da 9 kez

görüntülenirken, örneğin 45 0 enlemindeki bir alan 12 kez görüntülenebilir (Verbyla,

1995). Şekil 2.12’de İzmit'e ait depremden önce (1), deprem ve depreme bağlı yangın

sonrası (2) Spot uydusu görüntüleri zamansal çözünürlüğe örnek olarak gösterilmiştir.

Şekil 2.12. Zamansal Çözünürlük Örneği (http://www.cscrs.itu.edu.tr/page.tr.php?id=10)

19

2.4. Landsat Uydu Sistemi

Dünyamızın çevresinde, dolaşmakta olan pek çok uydu vardır. Askeri uydular,

haberleşme uyduları, meteoroloji uyduları gibi farklı amaçlara hizmet etmek üzere

uzaya gönderilmiş bir çok uydu bulunmaktadır.

LANDSAT küresel kapsamda yeryüzü kaynaklarının düzenli takip edilmesi ve

tahmin edilebilmesi için tasarlanan ilk uydu sistemidir (Richard, ve Jia, 1999).

Önceleri ERTS olarak bilinen (Earth Resources Technology Satellite) Landsat 1,

23 Temmuz 1972 de NASA (National Aeronautics and Space

Administration=Amerikan Ulusal Havacılık ve Uzay Araştırmaları Merkezi) tarafından

uzaydaki yörüngesine oturtulmuştur. Landsat 1, 2, 3 birbirlerinin benzeri, diğer yandan

Landsat 4, 5, 6 da birbirlerinin benzeri olmuştur. Landsat 1, 2, 3 yeryüzünden bilgileri

iki algılama sistemiyle toplar. Çok bantlı tarama sistemi (MSS - Multispectral Scanning

System) ve kamera sistemi (RBV - Return Beam Vidicon) bu algılama sitemleridir.

Landsat 4 ve 5’in taşıdığı ve öncekilerden çok değişik olarak Tematik Mapper (TM)

algılayıcısı 7 spektral bantta algılama yapar. TM algılayıcısının spektral bantları, MSS’e

göre daha dar olup, piksel boyutları yani çözünürlüğü altı bant için 30m ve Termal bant

için (Bant 6) 120m’dir (Sesören, 1998).

LANDSAT uydusu tekrarlı, dairesel, güneşe senkronize, kutuplara yakın (near -

polar) yörüngeye sahiptir. Bu özellikleri sayesinde 81° kuzey ve 81° güney arasında

görüntüleme yapabilmektedir. Ekvatorda yol ayrımı (ground track separation) 172km'

dir. Bunlar komşu bölgeler arasında %7.6 ‘lık bindirme oluşturur. Bu bindirme

kutuplara doğru yaklaştıkça daha da artmaktadır ve 60° boylamında %54 olmaktadır

(http://www.nik.com.tr/new/yazilimlar/uydular/landsat.htm ).

Landsat 4’ün TDRS (Tracking and Data Relay Satellite / İzleme ve veri nakli

uydusu) ile haberleşme olanağına sahip olması gibi bir özelliği olmasına rağmen bu

sistemin enerji kaynağında oluşan bir arıza nedeniyle 1983’ de durdurulmuştur. Landsat

6 fırlatma sırasında tahrip olmuştur. Landsat 7 uydusu 1999 yılında fırlatılmıştır.

Tematik Haritalayıcı (Thematic Mapper), bir çizgi tarama sitemidir. TM

algılayıcısı hem sağa hem sola tarama yapabilmektedir. Bu özellik MSS’e göre önemli

bir avantajdır, iki kat zaman kazanılmasını sağlar. Radyometrik doğrulama için

önemlidir. Landsat 4 ve 5’de geoemetrik doğruluğun artırılmasına yönelik olarak birçok

20

tasarım değişiklikleri yapılmıştır. Tablo 2.1.de Landsat uydularının özellikleri

gösterilmiştir.

Tablo 2.1. Landsat Uydularının Özellikleri

(http://www.nik.com.tr/new/yazilimlar/uydular/landsat.htm)

Uydu Operatör

Başlangıç ve

Sonlanma Tarihi

Sensör Yersel Çözünürlük

Radyometrik Çözünürlük

Şerit Genişliği

Görüntüleme Sıklığı

Landsat 1 NASA-EOSAT

1972-1978 MSS 80m 8 bit 18 gün

Landsat 2 NASA-EOSAT

1975-1982 TM 80m 8 bit 183 16 gün

Landsat 3 NASA-EOSAT

1978-1983 TM 80m 8 bit 183 16 gün

Landsat 4 Space Imaging

1982-1993 TM 30m 8 bit 183 16 gün

Landsat 5 Space Imaging 1984- TM 30m 8 bit 185 16 gün

Landsat 6 BAŞARISIZ

Landsat 7 NASA 1999- PAN-ETM

Pan 15m

30m 8 bit 185 16 gün

Landsat 7 yer gözlemleme aygıtı üzerinde, Landsat 4 ve 5’de bulunan yüksek

performanslı TM’e benzeyen yetenekleri olan Enhanced Thematic Mapper Plus

(Geliştirilmiş Tematik Haritalayıcı) (ETM+) bulunmaktadır. ETM+ aynı zamanda

küresel değişim çalışmaları için yeni özellikleri olan çok yönlü ve etkili aygıtlar

içermektedir. ETM+ gözlem ve değerlendirme ile geniş alanda haritalama için

tasarlanmıştır. Landsat 7’nin başlıca özellikleri; 15m çözünürlüklü pankromatik bant,

üzerinde tamamen açık % 5 salt radyometrik çözünürlük, 60m çözünürlüklü termal

kanaldır. Landsat 7 ETM+ aygıtının yörünge yüksekliği 705 km’dir. 375 GB veriyi bort

üzerinde saklayabilmektedir. Güneşle uyumlu 98.2 eğimlidir. Tekrarlama kapsama 0

21

arlığı 16 gündür. Tablo 2.2. de ETM+ algılayıcısının spektral genişlikleri, çözünürlük

değerleri ve uygulama alanları verilmiştir (http://geo.arc.nasa.gov/sge/landsat/l7.html).

Tablo 2.2. ETM+ Algılayıcısının Özellikleri ve Spektral Bantlara Göre Uygulama Alanları

(http://geo.arc.nasa.gov/sge/landsat/l7.html; Richard, J. and Jia, X., 1999; Yomralıoğlu, 2000)

Kanal

Dalga Boyu

( mμ )

Çözünürlük

(m)

Uygulama Alanları

TM 1 0.45-0.52 Mavi

3030×

Su kütlelerinin penetrasyonu, kıyı

haritalarının yapımı, toprağın bitkilerden

ayırt edilmesi.

TM 2 0.52-0.60 Yeşil

3030×

Bitkilerin canlılığının saptanması

TM 3 0.63-0.69

Kırmızı

3030×

Klorofil soğurma bandı olduğundan

bitkilerin ayırt edilmesinde önemli rol

oynar

TM 4 0.76-0.90 Yakın

Kızılötesi

3030×

Bitki cinslerinin tanımlanması, su

kütlelerinin ayırt edilmesi, toprak

neminin belirlenmesi

TM 5 1.55-1.75 Orta

Kızılötesi

3030×

Bitki ve topraktaki nemi gösterir, karın

buluttan ayrılmasına yardımcı olur.

TM 6 10.4-12.5 Termal

Kızılötesi

6060×

Değişik yerlerde özellikle toprağın nemi,

su kirliliği, volkan araştırmaları, termal

harita (kent, su) üretiminde faydalanılır.

TM 7 2.09-2.35 Orta

Kızılötesi

3030×

Kayaç cinslerinin ayırt edilmesinde ve

hidrotermal haritalamada kullanılır.

ETM+ 0.52-0.90

Pankromatik

1515×

Jeoelojik haritalama, gri tonları

22

2.5. Sayısal Görüntü İşleme Teknikleri

Sayısal görüntü işleme teknikleri; görüntünün sayısal biçime dönüşmesiyle ve

sayısal görüntünün bilgisayar ile işlenmesiyle ilgilenir. Görüntü işleme teknikleri,

sayısal görüntülerin öncelikle insan gözüne iyi görünmesini amaçlar.

Sayısal görüntü işleme uygulamalarında frekans uzayı (frequency-domain) ya da

piksel uzayı (spatia l- domain) kullanmaktadır (Gonzalez, 1987). Sayısal görüntü işleme

teknikleri uygulamalarında genellikle renk ya da parlaklık değerlerini kullanmak yeterli

olmaktadır. Bu değerlerin kullanıldığı uzay frekans uzayı olarak tanımlanabilir.

Piksellerin konumlarına göre yapılan hesaplamalar ise piksel uzayında yapılmaktadır.

Sayısal görüntü işleme adımları; Ön işleme, görüntü iyileştirme, görüntü

dönüşümleri, görüntü analizleri (sınıflandırma vb.) olarak ele alınabilir.

Görüntü analiz işlemleri şematik olarak Şekil 2.13.’deki akış şemasıyla gibi ifade

edilebilir.

Ön İşleme

Veri Azaltılması

Detay Analizleri

Giriş Görüntü

Şekil 2.13. Görüntü Analizleri Akış Şeması

2.5.1. Ön İşleme

Sayısal görüntüler ile yapılacak analiz çalışmalarına geçmeden önce görüntülere

ön işlemler yapılmalıdır. Bu işlemlerin kapsamına genellikle radyometrik düzeltmeler

ve geometrik düzeltmeler girmektedir. Görüntü onarma (restoration), görüntü doğrultma

(rectification) gibi çalışmalar ön işleme çalışmalarıdır. Ön işleme çalışmaları

yapıldıktan sonra, amaca yönelik detay analizleri yapılabilir.

Ön işlemlerin amaçlarından bazıları, istenmeyen hataların etkisindeki görüntü

verisini düzeltmek ya da görüntü işleme için önemli bazı görüntü özelliklerini

geliştirmektir (Sonka ve ark., 1995).

23

Görüntü onarma, sayısal görüntü elde edilirken oluşan bozuklukların ortadan

kaldırılması ya da azaltılması için uygulanmaktadır. Bu bozukluklar, görüntüdeki

bulanıklıklar, görüntü hareketi, elektronik ya da fotometrik kaynaklardan, kaynaklanan

gürültülerdir. Görüntü onarmanın amacı, görüntü bozulmaya uğramadan

kaydedildiğinde nasıl olacaksa, görüntüyü o haline getirmeye çalışmaktır (Castleman,

1996).

2.5.1.1. Radyometrik Hatalar ve Düzeltmeler

Radyometrik hatalar, uzaktan algılama algılayıcılarından kaynaklı hatalar olabilir.

Bu hatalar sistematik hatalardır. Güneşin geliş açısı ve arazinin topografyasından

kaynaklanan gölge etkisi de radyometrik hatalara neden olur. Sis ve bulut gibi

atmosferik şartlardan kaynaklanan radyometrik hatalar ise bir diğer hata grubunu

oluşturur. Atmosferik etkenler, hedefin önünde yer alarak, yeryüzüne ait veriye sağlıklı

bir şekilde ulaşmayı engellemektedirler. Görüntü üzerinde bir işlem yapılmadan önce bu

hata ve etkilerin giderilmesi gerekmektedir.

2.5.1.2. Geometrik Hatalar ve Düzeltmeler (Rektifikasyon)

Geometrik düzeltme, orjinal görüntüdeki geometrik bozulma etkilerinin

giderilmesi, ve görüntünün yer kontrol noktaları kullanılarak tanımlı bir coğrafi

koordinat sistemine dönüştürülmesi işlemidir. Dönüşüm işleminde yer kontrol noktaları

kullanılmaktadır. Bu işleme rektifikasyon denilmektedir.

Geometrik hatalar, algılayıcı aygıt optiğinin perspektifliği, tarama sisteminin

hareketi, platform hareketi, platform yüksekliği, arazi eğimi, dünyanın eğim ve ekseni

gibi faktörlere bağlıdır.

Geometrik dönüşümler, görüntü elde edilirken oluşan geometrik hataların

azaltılmasını sağlar. Aynı nesnenin farklı iki görüntüsünün eşleştirilmesi için de

geometrik dönüşüme ihtiyaç duyulabilir (Sonka ve ark., 1995).

Geometrik hataların bir çoğu sistematik ya da kestirilebilir olduğundan, algılayıcı

ile platform hareketine ve platformun yeryüzü ile geometrik ilişkisine uygun modeller

oluşturularak ortadan kaldırılabilirler. Sistematik olmayan hatalar modellenemez ve bu

şekilde düzeltilemez. Dolayısıyla geometrik registiration (kaydetme)işlemi ile , bilinen

24

başka bir koordinat sistemine dönüşüm yapılarak düzeltilebilir

(http://dweb.ccrs.nrcan.gc.ca/ccrs/db).

Platform tarama eğriliği, ayna tarama hızı, panoramik bozulma, platform hızı,

dünyanın eğikliği, perspektif bir uzaktan algılama siteminde sistematik geometrik hata

kaynaklarıdır. Sistematik olmayan hata kaynakları ise, platform ve algılama sisteminin

yükseklikleridir (Jensen, 1996).

Görüntüden haritaya rektifikasyon ve görüntüden görüntüye rektifikasyon

yapılması mümkündür. Görüntüden görüntüye rektifikasyon, aynı coğrafi bölgeye ait ve

geometrileri benzer bir diğeri aynı yerden görünen ve kaydedilmiş iki görüntü ile

sırasıyla bir dönüşüm ve yönlendirme işlemidir (Jensen, 1996).

Görüntü rektifikasyonunun ilk adımı, yer kontrol noktalarının seçimidir. Yer

kontrol noktaları (Groun control point GCP) kolayca ayırt edilebilen köşe noktaları,

yolların kesişim noktaları gibi noktalardan seçilmelidir .Şekil 2.14.’de bir yol kesişim

noktasından seçilerek oluşturulan yer kontrol noktası örneği görülmektedir.

Yer kontrol noktalarının kaç tane alınacağı, araziye, görüntü boyutuna ve kaliteli

kontrol piksellerinin elde edilebilirliğine bağlıdır. Örneğin yüksek kontrastlı yollarla

(kaliteli ter kontrol noktaları), düz bir arazi parçasının rektifikasyonunda sadece birkaç

yer kontrol noktasına ihtiyaç duyulur. Engebeli arazilerde ise daha çok yer kontrol

noktasına ihtiyaç duyulmaktadır. Bazı alanlarda düşük kaliteli, az sayıda yol kesişimi ya

da ayırt edilebilir yer kontrol noktası vardır. Dolayısıyla, bu durumda uygulanan yaygın

yöntem, görüntü boyunca dağılmış birçok aday yer kontrol noktası seçilmeli, bu

noktaların harita koordinatları belirlenmeli, tüm aday yer kontrol noktalarına

dayanılarak bir rektifikasyon modeli geliştirmelidir. Daha sonra yüksek artık hatayı

veren yer kontrol noktaları çıkarılmalıdır. Kabul edilebilir ortalama model hatası;

(örneğin piksel) elde edilinceye ve en az sayıda yer kontrol noktası (örneğin, 30

GCP) kalıncaya kadar aday yer kontrol piksellerinin eklenmesine ve yüksek artık hatalı

yer kontrol noktalarının çıkarılmasına devam edilir (Verbyla, 1995).

1±

25

Şekil 2.14. Yer Kontrol Noktalarının Seçilmesi Örneği (Erdas User Guide, 1999)

Sayısal uydu görüntülerinin rektifikasyonunda afin koordinat dönüşümü yaygın

olarak kullanılmaktadır. Ortorektifikasyon işlemi, görüntünün; kamera sensör

oryantasyonu, topografik rölyef ve sistemden kaynaklanan geometrik hataların ortadan

kaldırma işlemlerini içerir (Erdas User Guide, 1999)

YaXaaX 210 ++=′

YbXbbY 210 ++=′

X ve Y eski görüntü koordinatlarını, X ′ ve Y ′dönüşüm sonrası (yeni) görüntü

koordinatlarını, ise dönüşüm matrisi katsayılarıdır. 221100 ,,,,, bababa

Rektifikasyon işleminin devamında yeniden örnekleme (resampling)

uygulanmalıdır. Yeniden örnekleme işlemiyle düzeltilmemiş (orijinal) görüntüdeki

piksel değerlerinden, yeni görüntüdeki piksel değerleri hesaplanır. Şekil 2.15.’de

yeniden örnekleme işlemi gösterilmiştir (http://dweb.ccrs.nrcan.gc.ca/ccrs/db).

Yaygın olarak kullanılan yeniden örnekleme yöntemleri; en yakın komşu yöntemi

(nearest neighbour), bilineer enterpolasyon (bilinear interpolation), ve kübik

konvolusyon (cubic convolution) dur.

En yakın komşu yöntemi, herbir çıktı pikselinin değeri orijinal görüntüdeki en

yakın pikselin parlaklık değerinin atanmasıyla elde edilir. Bu yöntem üç yöntem

arasında en hızlı olanıdır. Aynı zamanda önemli olabilecek bazı kantitatif spektral

çalışmalarda, orijinal piksel değerini korur. Ancak bu yöntem, özellikle doğrusal

26

özellikteki yollar, sahil şeridi gibi şekiller için düzgün çizgiler üretmesi gerekirken

merdiven görüntüsü oluşturur (Verbyla, 1995).

Bileneer enterpolasyon yönteminde, her bir sonuç pikselin sayısal değeri orijinal

görüntüdeki en yakın dört pikselin sayısal değerinin ağırlıklı ortalamasıdır. Ortalama

işlemi orijinal piksel değerini değiştirir ve sonuç görüntüsünde yeni sayısal değerler

yaratır. Bu işlem sonucunda görüntü yumuşar (Verbyla, 1995).

Kübik konvolüsyon yönteminde her bir sonuç pikselin sayısal değeri, orijinal

görüntüde en yakın 16 pikselin sayısal değerlerine göre belirlenir. Bu yöntemde de

görüntü yumuşar (Verbyla, 1995).

Şekil 2.15. Görüntünün Yeniden Örneklenmesi (http://dweb.ccrs.nrcan.gc.ca/ccrs/db)

2.5.2. Görüntü İyileştirme

Görüntü iyileştirme algoritmaları, bir görüntünün insan gözüne iyi görünmesi için

görüntünün geliştirilmesidir. İdeal bir görüntü iyileştirme yoktur. Çünkü sonuçlar

insanlar tarafından değerlendirilir, subjektifdir (Jensen, 1996).

Görüntü iyileştirme görüntü yorumlama ve görüntü anlamayı kolaylaştırmak için

kullanılır. Görüntü indirgeme, görüntü büyütme, kontrast iyileştirme, bant

kombinasyonları, konumsal filtreler, maskeleme, Fourier dönüşümü, temel bileşenler

dönüşümü gibi işlemler görüntü iyileştirme işlemleridir (Jensen, 1996).

27

Band kombinasyonlarının değiştirilmesi, kontrastlığın düzenlenmesinde

kullanılabilir. Görüntüdeki çeşitli özellikler, genellikle çevresindeki benzer renkler ve

siyah beyaz tonlar nedeniyle belirgin olarak ortaya çıkmazlar. Farklı sayısal değer

içermelerine rağmen benzer görünüştedirler. Bu tip özellikler kontrastlığın ayarlanması

ile geliştirilerek belirgin hale getirilebilir.

2.5.2.1. Histogramlar

Histogram bir görüntüdeki yansıma değerlerinin grafik gösterimidir. Bir

görüntünün belli dağılıma sahip yansıma değerleri üzerinde işlemler yapılarak

görüntüde istenen özellikler daha belirgin hale getirilebilir. Şekil 2.16.’da molekül

modelini gösteren bir görüntü ve görüntünün histogramı gösterilmiştir.

Şekil 2.16. Görüntü Histogramı

Histogramlar, sayısal görüntülerin metrik özelliklerinden biridir. Bir görüntünün

histogramı piksel değerlerinin sahip olduğu renk değerlerinin dağılımını ifade eder.

Görüntü kalitesi ve gürültü, sayısal görüntünün önemli metrik özelliklerindendir.

Görüntülerde en önemli kalite ölçütlerinden birisi sinyal gürültü oranıdır (Sağıroğlu ve

ark.,2003).

Çoğu çalışmada analizciler, görüntü üzerinde yapılan görüntü iyileştirme ve çeşitli

uygulamalardan önce ve sonra histogram oluştururlar. Histogramlar görüntüyü

anlamanın önemli bir grafiksel aracıdır. Görüntünün tek bandının histogramının nasıl

olduğunun incelenmesi de yarar sağlamaktadır (Jensen, 1996)

28

Bir sayısal görüntünün parlaklığını değiştirmek için görüntünün histogramının

değiştirilmesi gerekir. Histogramın sağa kaydırılması görüntünün parlaklığını arttırır,

sola kaydırılması ise azaltır.

Histogram eşitleme işlemi ile görüntü yalnızca sadeleşir daha fazla bilgi içermez,

Histogram eşitlemenin etkisi, bir görüntünün bütün gri düzey oranları yerine küçük bir

alt kümesi ile gri düzey dağılım piksellerinin kontrastını değiştirmektir.

Histogram germe, histogram sıkıştırma gibi yöntemlerle de görüntünün parlaklığı

değiştirilebilir. Şekil 2.17.’de histogram germe ile gri düzey değerleri belirli bir bölgede

toplanmış bir histogramın gri düzey değerlerinin arasının açıldığı görülmektedir.

Şekil 2.17. Histogram Germe (http://dweb.ccrs.nrcan.gc.ca/ccrs/db)

Yerel komşuluk işlemleri, görüntü düzeltme ve kenar arama gibi işlemlerdir.

Görüntü düzeltme, maskeleme ve filtreleme yöntemlerini içerir (Sonka ve ark., 1995).

2.5.2.2. Filtreler

Filtreleme görüntünün geliştirilmesi için kullanılır. Filtreleme işlemi frekans

uzayında gerçekleştirilir. Yüksek frekanslı verilerin görüntüde oluşturdukları

bulanıklıkları, görüntü üzerinde istenmeyen gürültüleri gidermek için filtreleme

kullanılmaktadır (Sağıroğlu ve ark., 2003).

Görüntüde oluşan gürültülerin ortadan kaldırılması, yumuşatılması için filtreleme

uygulanmaktadır. Filtreleme işlemi ile bir görüntünün konumsal frekans özellikleri

değiştirilir. Düşük frekanslı filtreler (LFF = low frequency filter), pikselleri giriş

29

piksellerinin parlaklık değerinden ( ), konvolusyon (convolution) ile yeni parlaklık

değerleri olan çıktı piksellerine çevirir. Bu komşuluk konvolusyon maskesi ya da

çekirdeğinin boyutu, genelde

inBV

outBV

33× , 55× , 77× , 99× dur. Şekil 2.18’de simetrik

maskeler görülmektedir (Jensen, 1996).

(a) 33× (b) 55×

Şekil 2.18. Konvolusyon Maske Çeşitleri (Jensen, 1996)

Görüntü boyutları ve maske boyutları büyüdükçe konvolusyonun

gerçekleştirilebilmesi güçleşir. Bu durumda hesap sürecini kısaltmak ve kolaylaştırmak

için konvolusyon genelde Fourier dönüşümü ile beraber uygulanır.

Yüksek geçiren filtreler, sayısal görüntü üzerinde kenar verilerinin geliştirilmesi

için kullanılır. Yüksek geçiren filtreler yalnızca yüksek frekans verilerin geçişine izin

verir. Bu da gri seviyelerin ani değiştiği kenar bölgelerine karşılık gelir. Bu işlemden

önce genellikle histogram eşitleme işlemi uygulanır. Bu uygulama alçak frekans

verilerinde kayıplara yol açmaktadır.

Alçak geçiren filtreler, görüntüdeki ani değişimleri bastırırlar, dolayısıyla daha

yumuşak bir görünüş kazandırır. Doğrusal filtrelerde çıkış değeri giriş piksellerinin

komşuluklarının doğrusal bir kombinasyonudur. Örneğin piksel komşuluklarının

ağırlıklandırılmış ortalamasının hesaplanması işlemi doğrusal bir filtrelemeye karşılıktır

(Sağıroğlu ve ark., 2003).

Yoğunluk fonksiyonundaki keskin değişiklik bölgesinde, bu fonksiyonun aniden

değiştiği piksellerde kenar aranır. Görüntü içerisindeki nesnelerin sınır çizgilerinin

belirlenmesi amacıyla kullanılmaktadır. Robert, Laplace, Prewitt, Sobel, Robinson,

Kirsch gibi kenar arama operatörleri yardımıyla, görüntüdeki kenarların yerleri

kestirilebilir (Sonka, ve ark., 1995).

30

2.5.3. Normalize Edilmiş Bitki İndeksi (NDVI)

Multispektral verilerin faklı bantları yüksek korelasyonludur, dolayısıyla benzer

bilgiler içerirler. Örneğin Landsat MSS’nin 4. ve 5. bantları (sırasıyla yeşil ve kırmızı)

aynı yeryüzü örtüsünden neredeyse eşit yansıma verdiğinden benzer görünümdedir.

Görüntü dönüşüm teknikleri, çok bantlı veri setlerinin artık verilerinin indirgenmesi ve

bantlar arasındaki korelasyonu kullanan karmaşık özellikli istatistik işlemlere dayanır.

Temel bileşenler dönüşümü (PCA = Principal Component Analysis) ile veri, çok

boyutluluğu (bant sayısı) indirgenir ve orijinal bantlardaki fazla veri daha az veri olarak

sıkıştırılır. Örnek olarak, 7 bantlı bir TM (Thematic Mapper) veri setinin ilk 3 temel

bileşeni orijinal 7 bantta bulunan verinin %90’ını içermektedir. Bu 3 bantın

yorumlanması ve analizi 7 bandın işlenmesinden daha kolay ve etkili olur. Görüntünün

yorumlanmasında bir kolaylık sağlayacaktır. Şekil 2.19.’da 7 bantlı görüntünün

verilerinin %90’ının ilk 3 bandında olduğu şematik olarak gösterilmiştir

(http://dweb.ccrs.nrcan.gc.ca/ccrs/db).

Şekil 2.19. Temel Bileşenler Dönüşümü(http://dweb.ccrs.nrcan.gc.ca/ccrs/db)

Normalize edilmiş bitki indeksi (NDVI), olarak adlandırılan band aritmetiği ya da

indislerini kullanarak bitki, su, kar, kaya, çıplak arazi, kesilmiş ormanlık saha vb.

özellikleri geliştirerek belirleme olanağını sağlamaktadır. Bu band aritmetiği

elektromanyetik spektrumun yakın kızılötesi ve görünen kırmızı bandlarına dayalıdır.

Bitkiler özellikle yakın kızılötesi bölgede yansıma yaparlar bitki ve su arasındaki

kontrastlık bu bölgede görülür. Spektrumun görünen kırmızı bandında bitki, çıplak

arazi, kayalık arazi ve insan yapısı cisimler çok iyi kontrastlık sağlarlar.

31

Normalize edilmiş bitki indeksi değerinin hesaplanmasında farklı bantların sayısal

değerleri (DN) kullanılır. DN değeri atmosferin ya da yeryüzünün ne kadar enerji

emdiğine ve sensöre ne kadar miktarda yansımayı geri gönderdiğine bağlı olarak

değişmektedir.

Landsat TM görüntülerinin NDVI değeri;

3434

BandBandBandBandNDVI

+−

=

ile hesaplanır.

Landsat TM sensörü, elektromanyetik spektrumdaki yakın kızılötesi (IR),

yansımayı band 4’e, görünen kırmızı (R) yansımayı ise band 3’e kaydetmektedir.

Bu duruma göre formül ;

RIRRIRNDVI

+−

=

şeklinde de gösterilebilir. Tablo 2.3.’de elektromanyetik spektrumun bazı

bantlarında çeşitli maddelerin tepkileri verilmiştir.

NDVI hesaplama yöntemi kullanıldığında, bitki örtüsünün bulunduğu alanları

göze batacak şekilde gösteren tek bantlı siyah beyaz bir görüntü oluşur (Erdas

Guide.1999).

Tablo 2.3. Çeşitli Bantlarda Hesaplanmış NDVI değerleri (Erdas Guide, 1999 )

ÖZELLİK IR DEĞERİ GÖRÜNEN

KIRMIZI DEĞERİ

SONUÇ NDVI

DEĞERİ

BİTKİ YÜKSEK DÜŞÜK YÜKSEK

BULUT / SU / KAR DÜŞÜK YÜKSEK NEGATİF

KAYALAR /

ÇIPLAK TOPRAK YÜKSEK YÜKSEK SIFIRA YAKIN

32

3. MATERYAL VE METOT

3.1. Materyal

Çalışmanın materyalini Samsun iline ait 1999 tarihli Landsat ETM uydu

görüntüsü oluşturmaktadır. Bu uydu görüntüsü, Yeşilırmak havzası iyileştirme

projesi’nden temin edilmiştir. Landsat ETM uydu görüntüsü 1999 yılında elde edilen,

Samsun ili ve çevre ilçelerinin görüntüsüdür.

3.2. Metot

Araştırmada aşamalı olarak arazi ve büro çalışmaları gerçekleştirilmiştir. Öncelikle büro

çalışmaları yapılmıştır. Bu çalışmalara destek olması için arazi çalışmaları yapılmıştır.

Bu çalışmaların sonuçları yeniden büro çalışmalarıyla değerlendirilmiştir.

3.2.1. Arazi Çalışmaları

Eğitimli sınıflandırma yöntemi örnek uygulamasına veri toplamak amacıyla,

araştırmacı tarafından bölge gezilerek bölge hakkında genel bilgiler toplanmıştır.

3.2.2 Büro Çalışmaları

Eğitimli sınıflandırma yöntemi örnek uygulanması için, bölgeye ait 1/25000

ölçekli topoğrafik haritalardan ve eğitimsiz sınıflandırma sonucu elde edilen sonuç

görüntüsünden de yararlanılmıştır.

Örnek uygulamada Erdas Imagine 8.4 yazılımı kullanılmıştır. Erdas Imagine

görüntü işlemedeki ileri seviyeli uygulamaları içeren bir programdır. Uzaktan

algılamada coğrafi görüntülerin analizlerinde yaygın olarak kullanılmaktadır.

Elde edilen belgeler, araştırma problemi ve amaçlara uygun olarak

sınıflandırılmıştır. Buna göre sayısal görüntülerin bölümlenmesi ve sınıflandırılmasında

kullanılan yöntemler, tek tek ele alınarak incelenmiştir. Sayısal görüntülerin

bölümlenmesinde kullanılan eşikleme, sınır temelli ve bölge temelli yaklaşımlar, sayısal

33

görüntülerin sınıflandırılmasında kullanılan eğitimsiz ve eğitimli sınıflandırma

yaklaşımları incelenerek, aralarındaki ilişkiler tartışılmıştır.

Örnek uygulamada; eğitimsiz sınıflandırma için ‘ISODATA (Iterative Self

Organizing Data Analysis Tecnique) yöntemi’, eğitimli sınıflandırma için ‘En Çok

Benzerlik (Maksimum Likelihood) yöntemi’ uygulanmıştır.

34

4. BULGULAR VE TARTIŞMA

4.1. Görüntü Bölümleme (Segmentasyon, Image Segmentation) Yöntemlerine İlişkin Bulgular ve Tartışma

Görüntü analizinin en önemli parçalarından biri görüntü bölümleme işlemleridir.

Bölümleme kavramı çok kolay bir düşünceye dayanır. Bir kişi bir görüntüye baktığında

o görüntünün ne gibi bölgeler içerdiğini, bir binaya, bir insana ya da arka palana ait bir

bölge mi olduğunu size söyleyebilir. Sayısal bir görüntünün bölümlenmesinde

bilgisayar teknolojisini kullanmak, olgusal yargılara varmayı kolaylaştırır. Bu

yöntemleri bir bilgisayar algoritmasıyla yapmak sistematik bir süreç gerektirmektedir.

Bir bölgenin nasıl tanımlanacağı, hangi özelliklerle diğerinden ayrılacağı, görüntüde kaç

bölge belirleneceği akla gelen ilk sorulardır. Görüntü bölümleme işlemi, endüstri,

astronomi, sağlıkla ilgili ve daha pek çok alanda kullanılmaktadır (Baraniuk ve ark.,

1999).

Bölümleme işleminde, sonuçları giriş görüntüsündeki nesnelere ait ayrık bölgeler

olan ‘tamamen bölümleme’ ya da görüntüdeki nesnelerle direkt ilgili olmayan ‘kısmen

bölümleme’ amaçlanabilir. Kısmen bölümlemenin amacı, bir görüntüyü parlaklık, renk,

yansıtma gibi özellikleri bakımından türdeş bölgelere ayırmaktır. Eğer işlenen

görüntünün karmaşık bir görünümü varsa, örneğin kente ait bir fotoğrafsa, sonuçta

örtüşen türdeş bölgeler oluşma olasılığı vardır. Kısmen bölümlenmiş görüntü daha

sonraki işlemlerde ve yüksek düzeyli bilgilerle yapılan bölümleme için yardımcı olarak

kullanılabilir. Tamamen bölümlemeyi başarmak için, problem uzayına ait özel bilgi

kullanan daha yüksek düzeyli görüntü işleme teknikleri kullanılmaktadır (Sonka ve ark.,

1995).

Sayısal bir görüntü verisine eşlik eden ve bulanıklık oluşturan etki gürültü (noise)

olarak tanımlanır. Görüntü verisindeki gürültülerin veriye eşlik etmesi nedeniyle oluşan

görüntü bulanıklığı, görüntü bölümlemenin temel problemlerinden biridir. Bölümleme

yöntemleri baskın özelliklerine göre üç grupta toplanabilir. Öncelikle, görüntünün

bölümleri hakkında genel bilgiler (çoğunlukla bir histogramla) temsil edilmelidir. Sınır

temelli yaklaşımlar ikinci grup ve bölge temelli yaklaşımlar da üçüncü grup olarak ele

alınabilir (Sonka ve ark., 1995).

35

İdealinde sınır temelli yaklaşımlar ile bölge temelli yaklaşımlar aynı bölümleme

sonucunu vermelidir ancak pratikte nadiren uyuşmaktadırlar. Eşikleme işlemi, en basit

bölümleme işlemlerinden biridir.

Bu bölümde, sayısal görüntülerin bölümlenmesi yöntemlerinden eşikleme, sınır

temelli yaklaşımlar ve bölge temelli yaklaşımlar incelenerek aralarındaki ilişkiler

sorgulanmaktadır.

4.1.1. Eşikleme (Thresholding)

Bölüm 2.2’de de belirtildiği üzere; binary görüntülerde pikseller iki renk değerine

sahiptir. Siyah sıfır (0) ile beyaz bir (1) ile temsil edilir. Görüntünün gri düzey

değerlerine uygun bölümleme yapıldığında binary görüntü elde edilir. Bir nesnenin

parlaklık değerleri bir aralıktaysa ve arka plan piksellerinin parlaklık değerleri bu

aralığın dışındaysa, aralıkta kalan noktalara 1 dışında kalanlara da 0 değerleri verilerek

uygulanan eşikleme işlemiyle binary görüntü elde edilebilir. Pekçok kamera eşikleme

işlemini gerçekleştiren donanım tasarımına sahiptir. Bir çok uygulamada kamerayla

elde edilen binary görüntü verilen gri düzey görüntüye eşikleme uygulayarak elde edilir.

Eşikleme gri düzey bir görüntüyü ilgilenilen bir nesneyi arka planından ayıran bir

binary görüntüye çevirir (Jain ve ark., 1995).

Gri düzey eşiklemesi, en basit bölümleme uygulamasıdır. Görüntüdeki nesneleri

görüntünün arka planından ayırt edebilmek için parlaklık seviyesi ile tanımlı bir

eşikleme işlemi uygulanır. Eşikleme hesaplaması ve uygulaması en kolay bölümleme

yöntemidir. Bu nedenle gerçek zamanlı uygulamalarda kullanımı elverişlidir (Sonka ve

ark., 1995).

Nesne arkaplan ayırma eşiklemesinin etkili olabilmesi için, nesne ve arkaplanın

yeterli kontrastlığının olması gerekir.

Binary görüntünün , eşiklenen gri düzey görüntünün , eşik değeri T ve

orijinal gri düzey görüntünün olduğunu varsayarsak,

[ ]jiB , [ ]jiTF ,

[ ]jiF ,

[ ]jiB , = [ ]jiTF ,

36

arka planına göre daha koyu renk bir nesne ise,

[ ]jiTF , = diğer durumda [ ]

⎩⎨⎧

⇒≤⇒

0,1 TjiF

eğer nesnenin parlaklık değerini biliyorsak, [ ]21TT

[ ]jiTF , = diğer durumda [ ]

⎩⎨⎧

⇒≤⇒ ≤

0,1 21 TjiFT

ifadesini kullanabiliriz (Jain ve ark., 1995).

Şekil 4.1. Bir Görüntünün Parlaklık Değeri Histogramı İle Eşikleme

Şekil 4.1.’de bir elma fotoğrafı ve fotoğrafa ait parlaklık değeri histogramı

görülmektedir. Eşikleme değerinin altında kalan pikseller, nesneye ait pikseller olarak

etiketlenir, eşikleme değerinin üzerindeki pikseller arka plan olarak etiketlenir.

Eşikleme işlemi genellikle seyreltme (thinning), vektörleştirme (vectorization) ve

morfolojiksel (morphological) işlemlerinden önce kullanılmaktadır. Bölümleme

probleminde eşikleme değeri T’ nin seçilmesi önemlidir. İlk sınıf siyah piksellerden

oluşursa I(i,j) < T şeklinde belirlenir, diğer sınıf I(i,j) > T şeklinde belirlenir ve beyaz

piksellerden oluşur. Eşikleme değeri görüntüdeki piksel değerleri kullanılarak belirlenir.

37

Genellikle iteratif olarak belirlenir. Görüntünün histogramının incelenmesi ile

piksellerin parlaklık değerlerinin eğilimine bakılarak da belirlenebilir. Otomatik

eşikleme iki adımdan oluşur, ilk adım histogramda iki tepe noktası belirlemek ikinci

adım ise bu iki tepe arasındaki en düşük değerli noktayı bulmaktır (Parker, 1997).

4.1.2. Sınır Temelli Yaklaşımlar

Sınırlar (kenarlar), gri düzeylerdeki, renklerdeki, dokulardaki ya da görüntünün

niteliğini belirleyen faktörlerden herhangi birindeki süreksizliğin bir sonucudur. Sayısal

görüntülerdeki nesnelere ait sınır çizgilerinin belirlenmesi için pek çok yöntem

geliştirilmiştir. Kenar belirleme, eğim (gradient) temelli yöntemler, ikinci türev

operatörleri bu başlık altında incelenecek yaklaşımlardır.

4.1.2.1. Kenar Belirleme

Kenarlar görüntülerde önemli bölgesel değişimlerdir. Kenarlar doğal olarak

görüntüdeki iki faklı bölge arasındaki sınırdır. Kenar belirleme aktif araştırma

bölgesinden görüntüden bilgi kurtarmanın ilk adımıdır. Görüntüdeki bir kenar,

parlaklık değerindeki dikkate değer bir değişimle belirlenebilir. Bu değişim ya

süreksizliğin tespit edilmesiyle ya da görüntü parlaklığının birinci türeviyle belirlenir

(Jain ve ark., 1995).

Görüntü parlaklığındaki süreksizlik, basamak süreksizliği türünde ise, görüntünün

bir tarafındaki değer ile diğer tarafındaki değer ani bir değişim gösterir. Doğru

süreksizliği türünde ise, parlaklık değeri aniden değişir ve kısa bir mesafe sonra

başlangıç değerine geri döner. Şekil 4.2’de kenar süreksizlik türleri gösterilmiştir (Jain

ve ark., 1995).

38

Basamak

Doğru

Çatı

Rampa

Şekil 4.2. Kenar Süreksizlikleri (Jain ve ark., 1995).

Nesnelerin sınırları genellikle kenar belirleme maskeleri (kenar arama

operatörleri) ile belirlenir. Bölüm 2.5.2.2.’de maske çeşitlerinden bahsedilmektedir.

Kenar belirlemede yaygın olarak kullanılan [ ]33× boyutlu maskeler Frei ve Chen

tarafından geliştirilmiştir.

Kenar belirleme amaçlı maskeler;

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−−=

121000121

221

1k ⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡−−

=101

202101

221

2k

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−−

−=

012101210

221

3k ⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−−

−=

210101012

221

4k

Doğru belirleme amaçlı maskeler;

39

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡−−=010101

010

21

5k ⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−

−=

101000101

21

6k

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−−−

−=

121242

121

61

7k ⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−−

−−=

212141212

61

8k

Ortalama değerin belirlenmesi için ise verilen konvolusyon maskesi;

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡=

111111111

91

9k

olarak tanımlanmıştır (Sağıroğluve ark., 2003).

Bazı kenar arama maskeleri, parlaklık değişimi dışında bu değişimin yönünü de

aramaktadır. Maske uygulamaları gürültü etkisi olan görüntülerde uygun sonuçlar

vermeyebilir. Öncelikle gürültünün giderilmesi için bir ön işlem yapılmalıdır. Örneğin,

görüntüyü filtrelemek görüntüdeki gürültülerin azaltılmasına yardımcı olur. Maske

boyutunu küçük tutmak, kenar aramayı gürültülerden daha çok korur.

Kenar arama operatörleri görüntüdeki piksellerin komşularıyla parlaklık

değerlerini karşılaştırır. Piksel parlaklık değerleri arasında, belirgin bir fark varsa

burada bir kenar olması muhtemeldir. İdealinde bir kenar ani ve belirgin gri düzey

farkıyla ortaya çıkar ancak pratikte böyle ani değişimler yerine renk tonları

oluşmaktadır.

4.1.2.2. Eğim (Gradient) Temelli Yöntemler

Eğim değerleri bir pikselin bir kenara ait olma olasılığı ile ilgili bilgi verirler. Bir

görüntünün eğim fonksiyonu;

40

[ ]⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

∂∂∂∂

=⎥⎦

⎤⎢⎣

⎡=

yfxf

GG

yxfGy

x),(

şeklindedir. Eğim ile iki önemli özellik tanımlanır. Birincisi; [ ]),( yxfG vektörüdür ve

bu vektör fonksiyonunun birim uzaklıktaki maksimum artış oranını gösterir.

İkincisi;

),( yxf

[ ] 22),( yx GGyxfG += olarak verilen eşitliktir ve eğimin sayısal değerini

gösterir (Jain ve ark., 1995).

Son yıllarda yaygın olarak kullanılan eğim temelli sınır belirleme

yaklaşımlarından bazıları; Robert operatörü, Sobel operatörü, Prewitt operatörüdür.

Robert operatörü, eğimi hesaplarken mümkün olan en küçük farkları kullanan bir

filtrelemedir (Jahne, 2000).

Rober operatörü; aşağıdaki filtrelerle tanımlanır (Ritter and Wilson, 2000).

⎥⎦

⎤⎢⎣

⎡−

=− 1001

yxD ⎥⎦

⎤⎢⎣

⎡−

=+ 0110

yxD

Sobel operatörü; pikseller arasında [ ]33× komşuluğunu kullanarak, eğim

miktarını aşağıdaki fonksiyonla hesaplar;

22yx SSM +=

Fonksiyondaki kısmi türevler hesaplanır;

)()( 670432 acaaacaaSx ++−++=

)()( 456210 acaaacaaS y ++−++=

c = 2 (sabit)

Diğer eğim operatörleri gibi ve konvolusyon maskeleri kullanarak uygulanır. xS yS

41

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−−−

=101202101

xS ⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−−−=

121000121

yS

Prewitt operatörü, Sobel operatörü ile c = 1 sabiti hariç aynı denklemleri kullanır.

Dolayısıyla, Prewitt konvolusyon maskeleri; ve aşağıdaki gibidir (Jain ve ark.,

1995).

xS yS

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−−−

=101101101

xS⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−−−=

111000111

yS

4.1.2.3. İkinci Türev Operatörleri

Sayısal görüntü doğrular içeriyorsa ve görüntüdeki ardışık değişimler doğusal ise

kenar verilerinin elde edilmesi için ikinci dereceden türev operatörleri kullanılır. Kenar

noktalarının birinci türevinde bir tepe noktası, ikinci türevinde sıfır kesişim (zero

crossing) olabilir. İkinci türev operatöleri olarak, Laplasyen operatörleri, direkt olarak

ikinci türeve dayalı operatörler, Log operatorleri aşağıda incelenmektedir.

Laplasyen (Laplacian) Operatörleri;

2

2

2

22

yf

xff

∂∂

+∂∂

=∇

fonksiyonu ile tanımlanır. Laplasyen operatörleri;

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡−≈∇

010141010

2 ⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡−≈∇

1414204141

2

matrisleri ile ifade edilebilir.

Direkt olarak ikinci türeve dayalı operatörler;

42

22

22

2

2 2

yx

yyyxyyxxxx

fffffffff

n +

++=

∂∂

fonksiyonu ile elde edilir.

İkinci türeve dayalı sıfır kesişim metodu, kenar noktalarını parlaklıklar ile

belirlerken, gürültüye çok duyarlıdır. Dolayısıyla gürültüleri azaltmak için filtrelenmesi

istenir. Bunu yapmak için Marr ve Hildreth Gauss filtresi ile Laplasyen kenar belirleme

yöntemini birleştirilmiş ve bu yönteme LoG (Laplacian of Gaussian) adı verilmiştir. Bu

yaklaşımla; görüntüye ilk önce Gauss filtresiyle konvolusyon işlemi uygulanır. Bu

adımla görüntü düzeltilir ve gürültüler azaltılır. Ayrılmış gürültü noktaları ve küçük

yapılar çıkarılır. Düzeltme sonucu kenarlar yayılır ve kenar belirleme operatörü

kenarları yalnızca yerel eğimi en fazla olanları dikkate alır. Bu ikinci türevin sıfır

kesişimi ile başarılır.

LoG operatorü sonucu elde edilen fonksiyonu aşağıdadır: ),( yxh

( )[ ]),(),(),( 2 yxfyxgyxh ×∇=

Yukarıdaki fonksiyona, konvolusyon için türev kuralı uygulanarak aşağıdaki fonksiyon

elde edilir (Jain ve ark., 1995).

[ ] ),(),(),( 2 yxfyxgyxh ×∇=

4.1.3. Bölge Temelli Yaklaşımlar

Sayısal bir görüntüde bölge, benzer özellikler ile bağlantılı pikseller topluluğu

olarak tanımlanır. Bölgeler bir görüntünün yorumlanmasında, görüntüdeki nesnelerle

olan ilişkisinden dolayı önemlidir. Bir görüntü birkaç nesne içerebilir ve her nesnenin

farklı bölümlerinde birkaç bölge bulunabilir. Bir görüntünün doğru bir şekilde

yorumlanabilmesi için görüntü nesnelere ya da nesnelerin bölümlerine ayrılmalıdır.

Ancak nesnelerin mükemmel olamaması sonucu oluşan bölümleme hatalarından dolayı,

43

nesne belirleme bilgisi görüntü yorumlamanın daha sonraki aşamalarında

kullanılmalıdır (Jain ve ark., 1995).

Bölge temelli yaklaşımlar bölge çıkartma, bölge ayırma, bölge birleştirme ve

bölge geliştirme algoritmalarının ya da bunların bir arada kullanılarak sayısal

görüntülere uygulanmasını içerir.

Bölge temelli yaklaşımlar, görüntüyü bölgelere ayırma esasına dayanır. Örneğin

giriş görüntüsü R ise, alt bölgeler olarak gösterilebilir. Her piksel

tanımlı bir bölgeye dahil olmalıdır, bölümleme işlemi tamamlandığında piksel, bir

bölgede gösterilmelidir ( ). İkinci koşul olarak bir bölgedeki noktalar bağlanmalıdır

( , i=1,2,...,n). Bölgeler ayrık olmalıdır (

nRRRR ..,,.........,, 321

i

n

iRU

1=

iR =∩ ji RR ∅ , ji ≠ ). Bölgeler belirlenen bir

özelliğe göre bölümlenebilir. Örneğin, bu özellik bölgedeki tüm piksellerin aynı

parlaklık değerine sahip olması olabilir. Bu durumda, trueRP i =)( gibi bir koşul

koyulabilir. Son koşul olarak da bölgeler ve , farklı olarak gösterilir

( ,

iR jR

falseRRP ji =∪ )( ji ≠ ) (Gonzalez, 1987).

Eşikleme sistem tarafından otomatik seçilebilirse, bölümleme işlemi daha

güvenilir olacaktır. Görüntüdeki nesneler hakkındaki bilgiler, bölümleme

algoritmasında kullanılırsa eşikleme değeriyle bölümlemeye oranla daha doğru

sonuçlara ulaşılabilir. Nesnelerin parlaklık değerleri, nesnelerin boyutları, nesnelerin

kesişimleri, görüntüde görünen faklı tipteki nesnelerin sayısı gibi bilgiler, yardımcı

olabilecek bilgilerdir (Jain ve ark.,1995).

Bölümlemede bölge çıkartma veya bölge geliştirme aynı niteliklere sahip ve

komşulukları bulunan piksellerin, sınırları tanımlanabilir bir küme içerisinde

toplanmasını ifade eder. Bölge bölme veya ayrıma işlemi, tanımlanmış bölgeleri daha

küçük alt bölgelere ayırmayı amaçlar (Sağıroğlu ve ark., 2003).

Bölgeler pek çok bağlamda kullanılan birçok şekilde temsil edilebilir. Farklı

temsiller farklı uygulamalar için elverişlidir. Bazı uygulamalar yalnızca bir tek bir bölge

için hesaplama yapmayı gerektirirken, bazıları görüntüdeki bölgeler arasındaki ilişkileri

dikkate almayı gerektirir. En çok kullanılan temsil şekilleri; dizi temsili, hiyerarşik

temsil ve sembolik temsildir (Jain ve ark., 1995).

44

Bölge birleştirme, gerçekte aynı alanların bölümleri olan parçalara ayrılmış

bölgeleri bir araya getirmekte, bölge sayısını azaltmada kullanılır. İşlem bitişik iki

pikselin arasındaki gri düzey farkındaki düşüşle yapılır. Belirlenen eşikleme değeri T ile

düşüşler tanımlanabilir. T eşik değerinin nasıl belirlendiği bölüm 4.1.1.’de ifade

edilmektedir.

⎩⎨⎧

><

=TsTs

w01

Düşme olan her bölgenin sınır uzunlukları ölçülmek istenir ve bunlara ,

denirse, bölgeler arasında uzunluk boyunca düşüşün toplamının hesaplanması ile

ifade edilir. Bu durumda;

1b 2b

ws

),(min 21 bbimumw

ws ∑=

olarak gösterilebilir. Eğer bu değer eşik değerinden daha büyük ise ortaya çıkan

iki bölge birleştirilir.

Bölgelerin piksel parlaklık değerlerinin ortalamaları karşılaştırıldığında, aralarında

belirlenen bir referans değere göre anlamlı bir fark yoksa, bu bölgeler benzerdir ve

birleşmeye adaydır denilebilir. Bitişik bölgelerin piksel parlaklık değerlerinin olasılık

dağılım fonksiyonları incelenerek, parlaklık değerlerini değerlendirmek diğer bir

yaklaşımdır. Bu yaklaşım bitişik bölgelerin benzerliği ve daha detaylı tartışılması için

hipotez testinde ve değerlendirmede kullanılmaktadır (Jain ve ark., 1995).

Bölge ayırma işlemini gerçekleştirmenin araçlarından biri gri düzey histogramıdır.

Histogram bölgelerin duyarlığıyla ilgili iyi bir yol göstericidir. Görüntü normal renkli

(RGB) ise üç adet renk histogramı elde edilmelidir. Histogramlardaki tepeler ve

aralarındaki çukurlar histogramlar incelenerek tanımlanmalıdır. Bazı tepeler

diğerlerinden daha yüksek olabilir, en yüksek olanı dikkate alınmalıdır.

Bölge geliştirme teknikleri, belirlenmesi zor kenarları bulunan gürültülü

görüntüleri genel olarak iyileştirmektir. Bölge geliştirmede ana bölümleme kriteri,

45

bölgelerin özelliklerine dayanan homojenliktir. Homojenlik kriteri, gri düzey, doku ya

da herhangi bir semantik bilgiyi kullanan bir model olabilir (Sonka ve ark., 1995).

Kent alanlarının sayısal görüntülerinin elde edilmesi ile birlikte görüntü ayırma

yöntemleri önemli bir hale gelmiştir. Bu yöntemler, binalar, yollar, arabalar gibi kendi

özellikleri, geometrileri ve dolayısıyla modelleri olan bileşenlerin belirlenmesini

sağlayabilmektedir. Bölge temelli bölümleme yaklaşımı, kent alanlarının belirli

özelliklerini ön plana çıkarması nedeniyle doğru yaklaşımdır. El yapımı yapıların,

genelde tek madde ile inşa edilmelerinden dolayı sabit yüzeyleri vardır. Bölge temelli

yaklaşımlardan ayırma ve birleştirme tekniklerinin, tutarlı ve sağlam bölümler

üretebildiği görülmüştür.

4.2.Görüntü Sınıflandırmasına İlişkin Bulgular ve Tartışma

Sayısal görüntüleri sınıflandırmanın amacı; pikselleri spektral değerlere göre

gruplandırmak, benzer spektral değerleri taşıyan nesneleri ayırt edebilmek,

tanımlayabilmektir.

Görüntü sınıflandırmanın, uzaktan algılama, görüntü analizleri ve patern tanıma

alanlarında önemli bir yeri vardır. Sınıflandırma işlemi bir karar verme işlemidir.

İşlemde amaçlanan, bir görüntüdeki bütün pikselleri arazide karşılık geldikleri sınıflar

içine otomatik olarak atamaktır.

Sınıflandırma, seçilen sınıflandırma algoritmalarına göre iki ana başlıkta

toplanabilir. İlki eğitimsiz diğeri eğitimli sınıflandırmadır.

Eğitimli sınıflandırma olarak adlandırılan sınıflandırma yöntemi, olası sınıfların,

özellikleri bilinen karakteristik alıştırma örneklemlerine (eğitim örneklerine) göre

tanımlandığı, her ölçme vektörünün, belirlenmiş bir karar kuralına göre sınıflandırıldığı

bir işlemdir. Eğitimsiz sınıflandırma ise eğitimli sınıflandırmanın tersine olası sınıfların

alıştırma örneklemlerinden ziyade doğal veri karakteristiklerine göre tanımlandığı, her

ölçme vektörünün belirlenmiş bir karar kuralına göre sınıflandırıldığı bir işlemdir

(Maktav ve Sunar, 1991).

Sınıflar ölçme uzayında birbirlerini örtebilirler, yani bir sınıftaki bazı ölçüler diğer

sınıftakinden ayırt edilemeyebilir. Böyle durumlarda istatistiksel patern tanıma

46

yöntemleri ile en sık ya da en olasılıklı doğru sınıflandırmalar elde edilir. Bu

yöntemlerde genellikle patern sınıflarının olasılık fonksiyonlarından yararlanılır. Ancak

alıştırma fonksiyonları genelde bilinmez ve bir dizi alıştırma paterninden kestirilmek

zorundadır. Bazı durumlarda da olasılık fonksiyonlarının şeklinin bilindiği varsayılır ve

sadece fonksiyonların belirli parametrelerinin, alıştırma paternlerinden ortalamalar ve

varyanslarla kestirilmesi gerekir. Bu durumda yönteme parametrik denir (Maktav ve

Sunar, 1991). Parametrik sınıflandırma algoritması sınıflandırmayı yaparak sınıfları

belirleyen en etkili iteratif algoritmadır. Diğer bir parametrik yaklaşım verilen bilginin

dağılımının matematiksel ifadesidir. Normal dağılım ya da Rayleigh dağılımı gibi.

Parametrik olmayan yaklaşımda ise ne sınıflandırıcı kriteri ne de dağılım

matematiksel biçimde ifade edilmez. Onun yerine örnekler yoğunluk fonksiyonunun

grafiğinin çukurlarına göre seçilir. Çukurlar doğal sınır olarak dikkate alınabilir. Bu

sınır karmaşık olabilir ve parametrik bir biçimde ifade edilemeyebilir (Fukunaga, 1990).

4.2.1. Eğitimsiz Sınıflandırma (Unsupervised Classification)

Eğitimsiz sınıflandırma işlemi, benzer spektral değerlere sahip pikselleri

gruplandırma işlemidir. Benzer piksellerden oluşan her grup, spektral sınıf olarak

adlandırılır. Bu spektral sınıfların, örtü tipleriyle; örneğin mera tipli, sulak arazi tipli

gibi, ilişkili olduğu varsayılır. Eğitimsiz sınıflandırma işlemi, sınıflandırma öncesinde,

varolan örtü tipi bilgisini gerektirmez. Bu durum görüntünün ait olduğu bölgeyi

tanımayan bir analizci için avantaj olabilir (Verbyla, 1995).

Sınıflandırma algoritması, verinin doğasına göre belirlenir. Genellikle analizci,

görüntüde kaç sınıf göründüğüne bakarak; istenilen sınıf sayısı, sınıflar arası ayırma

uzaklığı gibi parametreleri belirler (http://dweb.ccrs.nrcan.gc.ca/ccrs/db).

Eğitimsiz sınıflandırma, bilgi içeren sınıfları karakterize etmede genel olarak

eğitimli sınıflandırma kadar etkin bir yöntem değildir. Bilgi içeren sınıfların ölçme

uzayında sadece marjinal ayrılabilir olduğu zaman uygulanması tercih edilmelidir

(örn.,ararlarında çok az spektral fark olan iki ürün cinsi ). Bu nedenle eğitimsiz

sınıflandırma analizi bilgi içeren sınıfların çok spektrumlu verilerde kolaylıkla ayırt

edilebilmesi halinde güvenilir sonuçlar verebilir. Genellikle analiz edilecek alanlar

47

geniş ve heterojen yapıdadır. Bölgedeki yer örtüsünü karakterize etmek için yeterli

sayıda alıştırma örneklemleri toplamak pek mümkün olmamaktadır. Bu durum fiziksel

olarak mümkün de olmayabilir. Ayrıca bilgi içeren sınıfların doğal örneklemlerini

hassas olarak belirlemek zordur. Böyle verilerin optimum analizini sağlamak için

eğitimli ve eğitimsiz analizin karması melez (hibrit) olan prosedürler geliştirilmiştir

(Maktav ve Sunar, 1991).

Eğitimsiz sınıflandırma işleminde sınıflandırmadan önce görüntüdeki örtü türleri

ile ilgili bilgi gerekli değildir. Eğitimsiz sınıflandırma sonucunda aynı örtü türüne ya da

nesneye ait pikseller farklı sınıflarda sınıflanmış olabilir ya da tersine birkaç nesneye

veya örtü türüne ait pikseller tek bir sınıfta sınıflanmış olabilir. Bu eğitimsiz

sınıflandırmanın bir dezavantajıdır. Sınıflandırma işleminden sonra uygun görülen

sınıflar birleştirilebilir.

A B

Şekil 4.3. Eğitimsiz Sınıflandırma (http://dweb.ccrs.nrcan.gc.ca/ccrs/db)

Şekil 4.3. (A)’da RGB olarak gösterilen sayısal görüntünün, eğitimsiz

sınıflandırma işlemi uygulandıktan sonraki hali Şekil 4.3. (B)’de gösterilmektedir.

Eğitimsiz sınıflandırma yöntemlerinden en çok bilinenleri histogram tabanlı

eğitimsiz sınıflandırma, K- ortalamalı kümeleme yöntemi, Isodata(Iterative Self

Organizing Data Analysis Tecnique) yöntemi olarak sıralanabilir. Bu araştırmada

Isodata yöntemine ve histogram tabanlı eğitimsiz sınıflandırma yöntemlerine

değinilecektir.

48

4.2.1.1. Histogram Tabanlı Eğitimsiz Sınıflandırma

Histogram tabanlı eğitimsiz sınıflandırma, görüntüyü çan eğrisi şeklinde

varsayılan histogramlarla spektral sınıflara ayırmaya yardımcı olur. İşlemde öncelikle

görüntünün sayısal değerleri ile oluşturulan histogramdaki tepe noktaları belirlenir.

Histogramdaki her tepe noktası spektral bir sınıfla ilgilidir. Bir sonraki adım her

spektral sınıfın sınırlarının belirlenmesidir. Karar sınırları kullanılır. Histogram tabanlı

sınıflandırma çok bantlı görüntülere de uygulanabilir. Örneğin iki bantlı görüntü varsa,

histogramdaki tepeler,sürekli olacaktır ve (iki boyutlu) bir tepe gibi olacaktır (Verbyla,

1995).

Özetle histogram tabanlı sınıflandırmada görüntü bölümleme yaklaşımlarından

eşiklemede olduğu gibi görüntünün histogramı incelenerek, histogramda ani bir değişim

var ise farklı nesnelere ait olabileceği söylenebilir.

4.2.1.2. Isodata Yöntemi (Iterative Self Organizing Data Analysis Tecnique)

Isodata yöntemi, iteratif bir sınıflandırma yöntemidir. Isodata yönteminin

algoritması,deneyimler ile geliştirilmiştir. Isodata kendi kendine sınıflandırma (self-

organizing) yöntemidir (Jensen,1996).

Isodata yöntemi iteratif bir yöntemdir. Başlangıçta tüm görüntü tek bir sınıf olarak

varsayılır. Bir Isodata algoritması oluşturulurken genellikle analizcinin belirlemesi

gereken kriterler vardır. Bu kriterler ile sınıflandırma şartları oluşturulur. Kriterler

koyulmaz ise, işlem sürekli devam eder ve 256 kadar sınıf ortaya çıkabilir.Bu

sınıflandırma kriterleri analizcinin insiyatifindedir. Aşağıda bu sınıflandırma

kriterlerinin neler olduğu açıklanmıştır;

1. : Algoritmada tanımlanan maksimum sınıf sayısıdır.(örneğin;20). Sınıf

birleştirme ve ayırma işlemlerinden sonra bu sayının değişmesi sık karşılaşılan

bir durumdur.

maxC

2. T: İterasyonlar arasında sınıf spektral değerlerinin, değişmez kalan piksellerinin

maksimum spektrum yüzdesi. Bu sayıya ulaşıldığında Isodata algoritması

sonlanır. Bazı durumlarda asla arzu edilen değişmez yüzdeye ulaşılmayabilir.

49

Böyle bir durum olduğunda, işlemi kesmek ve parametreleri düzenlemek

gerekir.

3. M: Piksellerin sınıflandırılması ve küme ortalama vektörünün yeniden

hesaplanması için Isodata’nın maksimum tekrarlanma sayısı. Yani bu sayı

iterasyon sayısı olarak da adlandırılabilir. Bu sayıya ulaşıldığında Isodata

algoritması sonlanır.

4. Bir sınıftaki en az üye sayısı kriteri: Eğer bir sınıf, üyelerin minimum

yüzdesinden daha az elemanlıysa, silinir ve üyelere alternatif bir sınıf

oluşturulur. Oluşacak sınıflardan, bir sınıfta en az kaç eleman olması gerektiğini

analizci bu kriterle tanımlar.

5. Maksimum standart sapma: Bir sınıfın standart sapması belirlenen maksimum

standart sapmayı aştığında ve sınıftaki üye sayısı, bir sınıftaki üye sayısı

kriterinden ikinci kez daha büyük olursa, sınıf iki sınıfa bölünür. İki yeni sınıf

için ortalama vektörler; eski sınıf merkezlerinden 1 standart sapmadır.

Genellikle standart sapma sınır değeri 4,5 ile 7 arasında seçilir.

Örneğin iki bantlı bir görüntüde ;

Xi: 1. banddaki spektral değerleri ,

Yi: 2. banddaki spektral değerleri göstersin.

Spektral sınıf ortalamaları;

,

Standart sapmalar ise;

, şeklinde hesaplanır.

50

6. Sınıf ayırma kriteri: Standart sapma değeri ile belirlenir.

7. Sınıf ortalamaları arasındaki en kısa uzaklık kriteri: Sınıflar arasındaki uzaklık

bu değerden daha az ise sınıflar birleştirilir. Yani sınıfların spektral ortalama

değerleri birbirine yakınsa bu pikseller aynı sınıfa dahil edilir. Öncül değer sıkça

3.0 kullanılır (Jensen, 1996).

Isodata yönteminde görüntüdeki tüm pikseller bir spektral sınıfın üyesi olarak

kabul edilir. Yani öncelikle tüm görüntü bir sınıf olarak varsayılır. Bir sınıfın yeni

sınıflara ayrılıp ayrılmayacağı standart sapma krtiterinin maksimum sınırını aşıp

aşmadığına bakılarak kontrol edilir. Eğer ilk sınıfın standart sapması belirlenenden

büyükse sınıf ortalamasından 1 satandart sapma uzaklıkta iki yeni sınıf merkezi

yaratılır. yani sınıf ikiye bölünerek iki yeni sınıf oluşturulur. Pikseller spektral

uzaklıkları en yakın sınıfa dahil edilirler. Yeni ortalamalar ve standart sapmalar

hesaplanır. Spektral sınıfların birleştirilip birleştirilmeyeceği kontrol edilir. Spektral

sınıflar çok yakınsa, sınıf ortalamaları arasındaki uzaklık kullanıcının belirlediğinden

daha az ise ya da bir sınıftaki üye sayısı kullanıcının belirlediğinden daha az ise sınıflar

birleştirilir. Aynı zamanda spektral sınıfların toplam sayısı kullanıcının belirlediği

değeri aşarsa yakın sınıflar birleştirilir. Yeni ortalamalar ve standart sapmalar

hesaplanır. Isodata işleminin durdurulup durdurulmayacağı kontrol edilir. Maksimum

iterasyon sayısına ulaşılmışsa ya da spektral sınıfların üye sayıları değişmemişse

iterasyon durdurulur (Verbyla,1995).

4.2.2. Eğitimli Sınıflandırma (Supervised Classification)

Eğitimli sınıflandırma yöntemi, olası sınıfların, eğitim örneklerine göre

tanımlandığı, her ölçme vektörünün, belirlenmiş bir karar kuralına göre bir sınıfa

sokulduğu bir işlemdir. Eğitimli sınıflandırma ile sınıflandırılmak istenilen spektral

sınıfların dağılımının bilinen örnek alanların dağılımı ile belirlenmesi esasına dayanır.

Bu örnekleme alanları eğitim alanları ya da alıştırma verileri olarak tanımlanır.

Alıştırma verilerinin spektral değerlerine de spektral imza (spektral signature) adı

verilmektedir. Her sınıf için spektral imzalar belirlenir.

51

Alıştırma verileri bölgeyi iyi tanımlayacak şekilde seçilmelidir. Alıştırma verileri

oluşturulurken, haritalardan, hava fotoğraflarından yararlanılabilir. Ayrıca bölge

hakkında arazi incelenerek de bilgi toplanabilir. Tüm spektral sınıfları için alıştırma

verileri oluşturulmalıdır. Alıştırma verilerinin sayısı, her sınıf için en az kullanılan band

sayısının 10 katı olmalıdır. Band sayısını azaltmak pratikte kolaylık sağlamaktadır.

Alıştırma verileri görüntüye düzgün dağılmalıdır. Alıştırma verilerinin kalitesi

sınıflandırmanın kalitesini belirleyen etkenlerdendir. Eğitimli sınıflandırmada analizci

sınıfların sayısını belirler ve bu sınıfların spektral imzalarını da tanımlar. Analizcinin

her sınıf için eğitim alanlarına ihtiyacı vardır. Eğitim alanlarının oluşturulmasında

kullanılan en yaygın yöntemler; harita sayısallaştırılması (map digitizing), ekran

üzerinden sayısallaştırma (on-screen digitizing) ve piksel seçme yaklaşımıdır (seed-

pixel approach).

Fotoğraflar ve haritalardan seçilen eğitim alanlarının doğruluğu arazide kontrol

edilebilmektedir ancak uydu görüntülerinin konum hataları bulunmaktadır.

Rektifikasyon sırasında oluşan hatalardan sayısallaştırılan eğitim alanları ile görüntüde

buna karşı gelmesi gereken yer farklı olabilmektedir.

Ekrandan sayısallaştırma yönteminde, eğitim alanlarının sınır çizgileri ekrandan

seçilerek sayısallaştırılır. Sınıfların kolay ayırt edilebilmeleri için uygun homojen

alanlar bulunamayabilir ki bu yöntemin dezavantajıdır.

Piksel seçme yaklaşımında, bir eğitim alanının tanımlanması için başlangıç

pikseli olarak temsilci bir piksel seçilir. Bu seçilen pikselin etrafındaki aday pikseller

eğitim alanı piksellerine eklenirken mümkün oldukça ardışık olanlar hesaba katılır. Bu

piksele benzerliği olmayan piksellerin eğitim alanı pikseli olması reddelirken, pektral

benzerliği olan pikseller eğitim alanı piksellerini içerir. Bu yaklaşımın en büyük

avantajı türdeş eğitim alanlarının spektral olarak tanımlanmasına yardımcı olmasıdır.

Genelde kullanıcı, bu yaklaşımla eğitim alanı tanımlamak için en iyi spektral uzaklığa

karar vermeden önce farklı spektral uzaklıklar dener. Giriş görüntüsünü sınıflandırmak

için spektral istatistikler üretebilen, her örtü tipi için bir eğitim alanı oluşturulur

(Verbyla,1995).

52

Eğitimli sınıflandırma yönteminde ise analizci, sınıf sayısını ve sınıfların

dokusunu tanımlar ve sınıflandırma öncesinde belirler. Eğer kullanıcı bölge hakkında

bilgiye sahip değilse bu durum bir dezavantajdır.

Eğitimli sınıflandırma yöntemlerine örnek olarak; en kısa uzaklık sınıflandırması

(minimum distance), pararlel kenar sınıflandırması (parallelpiped classifier), en çok

benzerlik sınıflandırması (maximum likelihood), karar ağacı sınıflandırma yöntemi ve

yapay sinir ağlarına dayalı yöntemler sayılabilir. Burada bu yöntemlerden en kısa

uzaklık yöntemi, paralel kenar yöntemi ve en çok benzerlik yönteminden

bahsedilecektir.

4.2.2.1. En Kısa Uzaklık Sınıflandırması ve Paralel Kenar Sınıflandırması

En Kısa Uzaklık yöntemi uygulanırken, her eğitim alanı için spektral sınıf

ortalama değeri hesaplanır ve bu ortalamalar herhangi bir pikselin hangi sınıfa ait

olduğunun kestiriminde kullanılabilir. Sınıflandırılacak piksellerin sınıf ortalamalarına

uzaklıkları hesaplanır ve hangi sınıfa yakınsa pikseller o sınıfa dahil edilirler.

Paralelkenar sınıflandırma yönteminde, her sınıf için hesaplanan maksimum ve

minimum değerlerin bir dikdörtgen oluşturduğu varsayılır. Görüntüdeki tüm piksellerin

bu dikdörtgenin içinde kalıp kalmadığı sorgulanır.

4.2.2.2. En Çok Benzerlik Yöntemi (Maximum Likelihood)

En çok benzerlik sınıflandırma yönteminde, sınıfların ortalama değerlerini ve

kovaryanslarını hesaplayarak sınıflar arasındaki benzerliği belirlenir. Her sınıfın sürekli,

eşit olasılıklı sınırları üretilir ve sonra her aday piksel her olasılık sınıfıyla karşılaştırılır

(Verbyla,1995).

gibi iki tane sınıfın verildiği ve şartlı olasılık yoğunluk fonksiyonlarıyla

öncül olasılıkların bilindiği varsayılırsa X detay ölçülerinden oluşan vektör olmak üzere

X’ in sınıflarından hangisine ait olduğunu bulabilmek için olasılıklara dayalı

basit bir karar kuralı;

53

)()( 21 xx ϕϕ < ise ya da 1wx∈ ise 2wx∈

şeklinde yazılabilir. Burada , verilen ’in soncul (a posteriori)

olasılığıdır. Bayes teoremi ile öncül olasılıkları ve şartlı yoğunluk

fonksiyonları ile şu şekilde hesaplanabilir:

)(/)()( xPxPPx iii =ϕ

)()( 2211 XPPXPP < ise 1wx∈ ya da

ise)()( 2211 XPPXPP > 2wx∈ olur.

ise ya da

ise şeklinde ifade edilebilir. Buradaki

ifadesine ise benzerlik oranı (likelihood) adı verilir (Doğan ve Bektaş, 1998).

⎥⎦

⎤⎢⎣

⎡ −−= 2

2

2/1

)(21exp

)2(1)|(

i

ii

xxp

i σμ

πω σ

e=exp[] ’ nin (doğal logaritmaların tabanı) belirtilmiş kuvveti

]|[ ii xE ωμ = , i sınıfındaki ölçmelerin ortalama değeri

]|)[( 22iii xE ωμσ −= , i sınıfındaki ölçmelerin varyansıdır.

En çok benzerlik sınıflandırması istatistiksel modelleme ile x’ in C sınıfına ait

olma olasılığını sorgular. )( 1 xCP ile )( 2 xCP olasılıkları karşılaştırılır. Her bir sınıf

için olasılık dağılım fonksiyonu bulunur. En çok benzerlik yönteminin en ideal

kullanımında alıştırma örnekleri normal dağılımdadır.

54

4.3. Sayısal Görüntülerin Sınıflandırılması Yöntemlerinin Uygulanmasına İlişkin Bulgular ve Tartışma

Landsat ETM görüntüsüne, Erdas Imagine görüntü işleme programında

sınıflandırma algoritmaları uygulanmıştır. Görüntüde karmaşık bir şekilde dağılmış

farklı örtü tipleri bulunmaktadır. Bu örtü tiplerinin neler olduğu belirlenmiştir.

Rektifikasyonu yapılmış UTM koordinat sistemine referanslandırılmış olan Landsat

ETM görüntüsü, farklı band kombinasyonlarında incelenmiştir.

Öncelikle eğitimsiz sınıflandırma uygulanmıştır. Eğitimsiz sınıflandırma işlemi

Erdas Imagine yazılımında üç aşamada gerçekleştirilmiştir. Isodata eğitimsiz

sınıflandırmanın seçilen kriterlerle gerçekleştirilmesi, sınıfların belirlenmesi ve

etiketlenmesi ve son olarak sınıfların birleştirilmesi ve yeniden kodlanmasıdır.

Eğitimsiz sınıflandırma yöntemi olarak ISODATA (Iterative Self Organizing Data

Analysis Tecnique) kullanılmıştır. Eğitimsiz sınıflandırmada sınıf sayısı kullanıcının

insiyatifinde olduğundan, ilk sınıflandırmada belirlenen sınıf sayısının bölgedeki örtü

tiplerini temsil etmek için çok fazla olduğu gözlenmiştir. İkinci kez eğitimsiz

sınıflandırma uygulanmıştır. Eğitimsiz sınıflandırmada konum bilgisine dayanmaksızın

spektral değerlere dayanarak sınıflandırma yapılmaktadır.

Eğitimli sınıflandırma; spektral sinyalleri tanımlamak için piksel setlerinin

toplanması, doğruluklarının değerlendirilmesi ve görüntü sınıflarına ithali aşamalarını

takiben oluşmuştur. Bu aşamalar sonunda elde edilen ürün, tematik bir görüntü olup,

takip eden muhtelif uygulamaların temelini teşgil edecektir (ErdasUserGuide, 1999).

Eğitimli sınıflandırmada, ‘En Çok Benzerlik (Maksimum Likelihood)

Algoritması’ uygulanmıştır. Alıştırma verileri mümkün oldukça tüm görüntüye

yayılacak biçimde seçilmiştir.

55

Şekil 4.4. Landsat ETM uydu görüntüsü (432:RGB)

Uygulamada UTM koordiant sistemine dönüştürülmüş, Landsat ETM uydu

görüntüsü kullanılmıştır. Şekil 4.4’de bu görüntü gösterilmektedir.

4.3.1. Farklı Band Kombinasyonlarının Oluşturulması

Landsat ETM görüntüsü için, Erdas Imagine 8.4 yazılımında çeşitli bant

kombinasyonları oluşturulmuş ve bu görüntüler incelenmiştir. Görüntüdeki renk

kontrastlığı düzenlenmiş, birbirine yakın renkte olduğundan ya da aynı sayısal

değerlere sahip olduğu halde benzer görünen dolayısıyla ayırt edilemeyen bölgeler

gözlenebilmiştir. Şekil 4.5’de görüntü çeşitli kombinasyonlarda gösterilmiştir.

56

Şekil 4.5 (a) Landsat ETM (451:RGB) Farklı Bant Kombinasyonları

Şekil 4.5. b) Landsat ETM (135:RGB) Farklı Bant Kombinasyonları

57

Şekil 4.5.c) Landsat ETM (321:RGB) Farklı Bant Kombinasyonları

Şekil 4.5 (a)’ da dere, göl ve dağlar göze çarparken, Şekil 4.5 (b)’ de orman

arazileri, tarım arazileri, yapılaşma, Şekil 4.5 (c)’ de ise yeşil alanlar dikkati

çekmektedir. Böylelikle sınıflandırma işlemi öncesinde sadece bant kombinasyonları

kullanılarak, bölgenin niteliği hakkında bilgi edinmek mümkün olmuştur.

4.3.2. Eğitimsiz Sınıflandırma

Eğitimsiz sınıflandırma yöntemi; görüntüden tematik bilgiyi çıkaran bir

sınıflandırma yöntemidir. Isodata sınıflandırma işlemi Erdas Imagine’ de üç aşamada

yapılmaktadır. Isodata’nın uygulanması, sınıfları belirlemek ve etiketlemek, sınıfları

birleştirmek veya tekrar kodlamak (Erdas User Guide, 1999).

Sınıflandırma işleminde, öncelikle ISODATA eğitimsiz sınıflandırma yöntemi ile

sınıflandırma yapılmıştır. İlk uygulamada sınıf sayısı 22, maksimum iterasyon sayısı 10

olarak seçilmiştir. Bu durumda oluşan sınıflandırılmış görüntü etiketlenmiştir (Şekil

4.6.).

58

Şekil 4.6. Isodata Eğitimsiz Sınıflandırma Uygulamasında Kullanılan Görüntü ve

Oluşan Sınıflar Hakkında Bilgiler Tablosu

59

Bu işlemde seçilen sınıf sayısının bu uydu görüntüsü için gereğinden fazla olduğu

gözlenmiştir. Aynı örtü türüne ait pikseller bu fazlalık nedeniyle farklı renklerde

görünmektedir. Örneğin yakın renk tonlarında olması gereken deniz nesnesi yaklaşık

olarak altı farklı renk ile görülmektedir. Bu durum, görüntünün ait olduğu bölge

hakkında hiç bir bilgisi olmayan bir analizcinin, denizi 6 faklı nesneymiş gibi

algılamasına neden olabilir. Orijinal görüntüye ve bant kombinasyonları yeniden

incelenerek seçilen sınıf sayısı kriterinin daha küçük olması gerektiğine karar

verilmiştir. Sınıf sayısı kriteri 12, iterasyon sayısı 5 olarak seçilmiş ve ISODATA

eğitimsiz sınıflandırma işlemi tekrarlanmıştır. Yeniden etiketleme işlemi yapılmıştır.

Şekil 4.7.’de ikinci kez yapılan eğitimsiz sınıflandırma işlemi sonucunda oluşan

görüntü ve bu görüntüye ait bilgi tablosu görülmektedir.

Eğitimsiz sınıflandırma işleminin birinci uygulamasında elde edilen görüntü ile

(Şekil 4.6) ikinci uygulamada elde edilen görüntü karşılaştırıldığında, ikinci

uygulamanın daha doğru sonuçlar sunduğu, karmaşanın azaldığı görülmektedir.

Örneğin, ikinci uygulamada elde edilen görüntüde kıyı çizgisi daha anlaşılabilirdir.

Bunun yanında analizcinin amacı doğrultusunda birinci uygulamada elde edilen görüntü

de anlamlı veriler sunabilir. Örneğin yeşil alanları kendi içinde bir çok gruba ayırmak

isteyen bir analizci için ilk görüntüyü kullanmak daha elverişli olacaktır. Bütün

bunlardan hareketle, analizcinin amacına uygun sınıf sayısı kriterini belirlemesi önerilir.

Böylelikle Landsat ETM görüntüsünün eğitimsiz sınıflandırma işlemi

tamamlanmıştır. Bu işlem sonucunda orijinal görüntüde algılanamayan veya tespit

edilemeyen nesneler etiketlenerek ayırt edilebilir hale gelmiş olurlar.

60

Şekil 4.7. Isodata Eğitimsiz Sınıflandırmanın İkinci Uygulamasında Elde Edilen

Görüntü ve Oluşan Sınıflar Hakkında Bilgiler Tablosu

61

4.3.3. Eğitimli Sınıflandırma

Orijinal görüntüye eğitimsiz sınıflandırma işleminin ardından eğitimli

sınıflandırma işlemi uygulanmıştır. Eğitimli sınıflandırma işlemi en çok benzerlik

(maksimum likelihood) yöntemi ile yapılmıştır.

Eğitimli sınıflandırma yöntemi analizcinin bölge hakkında öncül bilgilere sahip

olduğu durumlarda uygulanabilir. Görüntü üzerinde seçilen alıştırma verileri bu

bilgilere dayanarak oluşturulur. Eğitimli sınıflandırma alıştırma verilerinin

seçilmesinde, eğitimsiz sınıflandırma sonuç verilerinden, bölgeye ait 1/25000 ölçekli

haritalardan ve bölge hakkında bilinenlerden yararlanılmıştır.

Alıştırma verilerinin seçilmesi işleminde imza düzenleyicisi (signature editor)

yardımıyla ekran üzerinde, tanımlanabilen örtü tipleri sayısallaştırılmıştır. İmza

düzenleyicisi ile spektral sinyaller toplanabilmekte, depolanabilmekte ve

değerlendirilebilmektedir. Alıştırma verileri mümkün oldukça sayıca çok tutulmuş ve

görüntüye dağılmış farklı bölgelerden seçilmesi için dikkat edilmiştir.

Bölge hakkında bilinenlere dayanılarak görüntünün farklı bölgelerinde aynı

nesneye ait pikseller seçilerek işaretlenmiştir. Şekil 4.8.’de oluşturulan alıştırma

verilerine ait bilgiler görülmektedir. Bu tabloda aynı nesneye ait, görüntüde dağılmış

farklı bölgelerden seçilen piksel grupları ve onlara ait değerler verilmektedir.

62

Şekil 4.8. Alıştırma Verileri Oluşturma İşleminde Seçilen Piksel Grupları ve Bu Piksel

Gruplarına Ait Değerler

63

Şekil 4.9. Alıştırma Verilerinin Seçilmesi İşlemi

Şekil 4.9’da alıştırma verilerinin ekrandan elle sayısallaştırılmasına bir örnek

gösterilmektedir. Yeşil alan nesnesine ait piksel gruplarının seçilerek, görüntünün

manuel olarak alıştırılması (eğitilmesi) işlemi yapılmıştır. Aynı biçimde diğer tüm nesne

grupları için de alıştırma işlemi tekrarlanmıştır. Örneğin, aktif olan imza düzenleyicisi

ile Şekil 4.8.’de ‘yeşil alan 4’ olarak görünen piksel grubu seçilmiştir.

Oluşturulan imza grupları yardımıyla görüntüye en çok benzerlik sınıflandırma

yöntemi uygulanmıştır. Sınıf birleştirme (Merging classes) işlemi uygulanmış ve aynı

örtü türüne ait imza grupları birleştirilerek ana başlıklar altında birleştirilmiştir. Oluşan

görüntü sınıflarına istenilen şekilde renk verilerek sınıflar etiketlenmiştir. Şekil 4.10’da

birleştirilen sınıfların isimleri ve renk etiketleri görülmektedir. Şekil 4.11’de ise

etiketlenen sonuç görüntü görülmektedir.

Şekil 4.10. Birleştirilen Ve Etiketlenen Sınıflar

64

Şekil.4.11.. Eğitimli Sınıflandırma Uygulaması Sonucunda Oluşan Etiketlenmiş Sonuç

Görüntü

Landsat ETM uydu görüntüsüne uygulanan eğitimsiz ve eğitimli sınıflandırma işlemleri

sonucunda elde edilen görüntüler karşılaştırıldığında;

Eğitimsiz sınıflandırma işleminde sınıflandırma kriterleri subjektif olarak

belirlenmiştir. Yani sınıf sayısı, sınıf birleştirme kriterleri gibi ölçütler tamamen keyfi

olarak seçilmiştir. Bazı arazi örtü tipleri kaçınılmaz olarak farklı dokuya sahip başka

sınıflara dahil edilmiştir Eğitimli sınıflandırma işleminde görüntüdeki sınıf sayısı bölge

hakkındaki bilgiler yardımıyla belirlenmiş, görüntü üzerindeki dokular incelenmiş ve

gerçekte hangi arazi örtü tipine ait olduğu incelenmiştir. Böylelikle sınıflandırma

hataları azaltılmıştır.

65

5. SONUÇ VE ÖNERİLER Araştırmada ele alınan problem sayısal görüntü bölümleme ve sınıflandırma

yöntemlerinin yorumlanmasıdır. Bu amaçla bu yöntemler incelenmiştir. Bölümleme

yaklaşımlarının hangi durumlarda kullanılabileceğine ilişkin öneriler sunulmuş,

sınıflandırma yaklaşımlarının avantajları ve dezavantajları tartışılmıştır. Yapılan örnek

uygulama, uzaktan algılama çalışmalarında eğitimsiz ve eğitimli sınıflandırma

yaklaşımlarının araziyi doğru tanımlamaya yardımcı olduğu kanısını desteklemiştir.

Eğitimsiz sınıflandırma işlemi, sınıflandırma öncesinde, varolan örtü tipi bilgisini

gerektirmez. Bu durum görüntünün ait olduğu bölgeyi tanımayan bir analizci için

avantaj olabilir. Eğitimsiz sınıflandırma, bilgi içeren sınıfları karakterize etmede genel

olarak eğitimli sınıflandırma kadar etkin bir yöntem değildir. Bu nedenle eğitimsiz

sınıflandırma analizi bilgi içeren sınıfların çok spektrumlu verilerde kolaylıkla ayırt

edilebilmesi halinde güvenilir sonuçlar verebilir. Eğitimsiz sınıflandırma işleminde

sınıflandırmadan önce görüntüdeki örtü türleri ile ilgili bilgi gerekli değildir. Eğitimli

sınıflandırma yönteminde ise analizci, sınıf sayısını ve sınıfların dokusunu tanımlar ve

sınıflandırma öncesinde belirler. Eğer kullanıcı bölge hakkında bilgiye sahip değilse bu

durum bir dezavantajdır. Eğitimsiz sınıflandırma işleminde, analizcinin amacı

doğrultusunda sınıf sayısı kriteri belirlemesi önerilir.

Eğitimsiz sınıflandırma işleminin sonuçları, eğitimli sınıflandırma işleminde bir

yol gösterici olarak kullanılabilmektedir.

Sınıflandırma işlemi sonucunda orijinal görüntüde algılanamayan veya tespit

edilemeyen nesneler etiketlenerek ayırt edilebilir hale gelmiş olurlar.

İncelenen yaklaşımların dışında yapay sinir ağları ile sınıflandırma yaklaşımı ve

konuyla ilgili diğer yaklaşımlar incelenebilir.

66

KAYNAKLAR

Açıkgöz, R., Doğan, S. ve Banger, G., 1999. Raster Görüntülerinin Yapısı, Görüntüleme Tekniklerinin Temelleri Ve Bitmap Formatı, Harita ve Kadastro Mühendisleri Odası Yayın Organı (Sayı: 86).

Alpaslan, E. ve Aydöner, C., 2004. Tübitak Mam Ydbae’de Uçakla Dijital Fotoğraf Çekme Çalışmaları, 3. Coğrafi Bilgi Sistemleri Bilişim Günleri, 6s.

Ayhan E., Karslı F., ve Tunç E., 2003. Uzaktan Algılanmış Görüntülerde Sınıflandırma ve Analiz, Harita Genel Komutanlığı Yayınları.

Baraniuk, R., Jain, R., and Romberg, J., 1999. Modern Techniques For Image Analysis, Processing, And Enhancement, Rice University, http://www-dsp.rice.edu/courses/elec539/.

Campell, J.,B., 1996. Introduction to Remote Sensing, The Guilford Press, New York.

Castleman, K., R., 1996. Digital Image Processing, A Simon&Schuster Company, New Jersey, 665s.

Doğan, S. ve Bektaş, S., 1998. Raster Görüntülerden Şekil (Patern) Tanımaya İlişkin Temel Matematiksel Yaklaşımlar.

Erdas Imagine User Guide, 1999. ERDAS Incorporated, Geographic Imaging Made Simple, Atlanta Fukunaga, K., 1990. Introduction To Statistical Pattern Recognition, Academic Press, London, 591 s.

Gonzalez, R., C., 1987. Digital Image Processing, Wesley Publishing Company, USA, 503 s.

Jahne, B., 1995. Digital Image Processing, Springer Verlag Berlin Heidelberg, Germany.

Jahne, B., 200. Image Processing For Scientific Applications, CRC Press, USA, 415 s.

67

Jain, R., Kaustri, R. and Schunk, B,1995. Machine Vision, McGraw Hill, USA, 549 p.

Jensen, J. R., 1996. Introductry Digital Image Processing a Remote Sensing Perspective, Prentice Hall, New Jersey, 318p.

Karasar, N., 1998. Bilimsel Araştırma Yöntemi, Nobel Yayın Dağıtım, Ankara, 292s.

Körümdük C., ve Peştamalci V., 2003. Adana İlinin Kuzeyindeki Orman Alanlarının Uydu Verileri Kullanılarak Belirlenmesi, Çukurova Üniversitesi, 9s.

Li, J., Wang, H. O., Collins, L., ve Carin, L., 2000, Clustering-Based Maximum Likelihood Estimation, Duke University, U.S.A.

Maktav, D. ve Sunar, F., 1991. Uzaktan Algılamada Kantitatif Yaklaşım, Hürriyet Ofset, İstanbul, 429 s.

Örmeci, C., 1987. Uzaktan Algılama-Temel Esaslar ve Algılama Sistemleri, Teknik Üniversite Matbaası, İstanbul, 112s.

Örüklü, E., 1988. Uzaktan Algılama, Matbaa Teknisyenleri Basımevi, İstanbul, 96s.

Öztürk, D., 2002. Uydu Görüntüleri Kullanılarak Arazi Kullanımı/Arazi Örtüsündeki Değişimlerin Belirlenmesi ve Samsun Örneği, Yüksek Lisans Tezi, Ondokuz Mayıs Üniversitesi Fen Bilimleri Enstitüsü, 82s.

Parker, J.R., 1997. Algorithms Image Processing And Computer Vision, John Wiley & Sons, Inc.,USA, 413s.

Rees., W. G., 1993. Physical Principles of Remote Sensing, Cambridge University Press, New York, 247 s.

Richard, J. and Jia, X., 1999. Remote Sensing Digital Image Analysis, Springer-Verlag Berlin Heidelberg, Germany, 362 s.

Ritter, G. R., Wilson, J. N., 2000. Computure Vision Algorithms In Image Algebra, CRC Press, USA, 360s.

68

Roux, M., Registiration Of Airborn Laser Data With One Aerial Image, XX.ISPRS Congrees.

Sağıroğlu, Ş., Beşdok, E. ve Erler, M., 2003, Mühendislikte Yapay Zeka Uygulamaları –I, Kayseri, 426s.

Sesören, A., 1999. Uzaktan Algılamada Temel Kavramlar, Mart Matbaacılık, İstanbul, 126s.

Sonka, M., Hlavac, V. and Boyle, R., 1995, Image Processing Analysis and Machine Vision, Chapman & Hall Computing, London-Glasgow-Weinheim-New York-Tokyo-Melbourne-Madras, 555s.

Verbyla, D. L., 1995, Satellite Remote Sensing of Natural Resources, Lewis Publishers, New York, 198p.

Yomralıoğlu, T., 2000, Coğrafi Bilgi Sistemleri Temel Kavramlar Ve Uygulamalar, DGN Bilgi Sistemleri A.Ş. , İstanbul, 480s. Zhang, Y., and Wang, R., Multi-Resolution and Multi-Spectral Image Fusion For Urban Object Extraction, XX.ISPRS Congrees anonym// (http://www.cscrs.itu.edu.tr/page.tr.php?id=10) anonym// ( ) http://www.geo.mtu.edu/rs/back/spectrum anonym// (( ) http://www.ph.tn.tudelft.nl/Courses/FIP/frames/fip anonym// (http://geo.arc.nasa.gov/sge/landsat/l7.html anonym// http://www.nik.com.tr/new/yazilimlar/uydular/landsat.htm anonym// http://dweb.ccrs.nrcan.gc.ca/ccrs/db

69

ÖZGEÇMİŞ

1974 yılında Giresun Bulancak’ta doğdu. İlk, orta ve lise öğrenimini Samsun’da yaptı.

1992-1994 yılları arasında İstanbul Üniversitesi Astronomi ve Uzay Bilimleri

bölümünde öğrenim gördü. 1997-2001 yılları arasında Ondokuz Mayıs Üniversitesi,

Mühendislik Fakültesi, Jeodezi ve Fotogrametri Mühendisliği Bölümünde lisans

eğitimini tamamladı. Aynı yıl Ondokuz Mayıs Üniversitesi, Fen Bilimleri Enstitüsü,

Jeodezi ve Fotogrametri Mühendisliği anabilim dalında yüksek lisans öğrenimine

başladı. 2002 yılından itibaren aynı bölümde araştırma görevlisi olarak çalışmaktadır.