Çoklu zamanlı uydu görüntülerinde çoklu ölçekli bileteral süzgeç ve sıft akışı ile değişiklik tespiti

Geçtiğimiz on yılda, yörüngedeki uyduların sayısı katlanarak artmıştır. Bu uyduların kullanımı, iletişim, güvenlik ve ordudan iklim takibine ve daha birçok alana kadar çeşitli amaç ve uygulamalarda değişiklik göstermektedir. Dünyanın yüzeyini gözlemleyen uyduların sayısındaki bu artış, elde edilen verilerde ve uydu görüntülerinde artışa neden olmuştur. Ayrıca, sensör teknolojisinin yakın zamanda gelişmesi, uydulardan alınan görüntülerin çözünürlüklerinin artmasına, daha güvenilir ve doğru bir şekilde elde edilmesine imkan sağlamıştır. Yüksek çözünürlüklü algılayıcılara sahip uydular sayesinde, önceden elde edilemeyecek kadar yüksek çözünürlükte görüntüler elde edilmesi mümkün olmuştur. Değişim tespiti, iki öğe arasındaki farkı belirleme sürecidir. Çoklu-zamansal uydu görüntüleri, aynı coğrafi bölgeden farklı zamanlarda alınan en az iki görüntüden oluşan kümelerin genel adıdır. Zamansal uydu görüntülerinde değişim saptama ise; bu kümedeki aynı coğrafi bölgeye ait resimler arasındaki farkların bulunmasıdır. Uydulardan elde edilen görüntülerindeki değişim tespiti, iklim değişikliği, afet tahmini, hava durumu izleme, şehir planlaması ve tarımsal arazi değişimi takibi gibi birçok farklı alanda kullanılmaktadır. Uydu görüntülerinde değişim tespiti konusu verimli, güvenilir, hızlı ve doğru değişim tespiti algoritmalarına duyulan ihtiyaç nedeniyle hızla gelişmektedir. Bununla birlikte, değişim tespitine ait akademik literatürün zengin olmasına rağmen, literatürde önerilen yöntemler genelde hızlı ve tutarlı sonuçlar vermemekte, yavaş ve karmaşık kalmaktadırlar. Bu çalışmada literatürde karşılaşılan bu tarz problemleri ortadan kaldırmaya yönelik yöntemler önerilmiştir. Amaç, gürbüz, denetlenmeyen ve kolayca uygulanabilir hızlı bir değişim tespiti algoritması ortaya koymaktır. Varolan değişim tespit algoritmaları genelde 2 farklı zamanda alınmış görüntü farkı ile oluşturulan fark görüntüsünün kümelenmesi ya da kümeleme öncesi wavelet ya da contourlet dönüşümü gibi çoklu çözünürlük yöntemleri ile iyileştirilerek, ardından kümelenmesine dayanmaktadır. Ancak bu yöntemler arasında en iyi sonuç veren Contourlet tabanlı yöntemde görüntü çok ölçek ve yön bilgisi içeren alt görüntülere ayrılmakta ve çeşitli eşikleme ve füzyon adımları sonucunda iyileştirilmiş fark görüntüsü elde edilmektedir. Yöntem iyi sonuç vermesine rağmen süresi uzundur, gerçek zamanlı uygulamalar için uygun değildir. Bu çalışmada fark görüntüsünü iyileştirmek için çoklu çözünürlüklü bilateral süzgece dayanan yeni, hızlı ve basit bir yöntem önerilmiştir. Fark görüntüsü bilateral süzgeç ile bir dizi detay ve kalıntı görüntüsüne ayrıştırılmakta, detay görüntüleri uygun katsayılarla çarpılarak kuvvetlendirilmektedir. Sonuçta değiştirilmiş detay görüntüleri ve kalıntı görüntüsü toplanarak iyileştirilmiş fark görüntüsü oluşturulabilmektedir. Önerilen yöntem ile aynı şartlar altında daha iyi performans elde edilmiş ve hız büyük ölçüde artmıştır. Önerilen bilateral filtre metodunda bahsi geçen filtre doğrusal xxv olmayan ve ortalama alan bir filtredir: Yani, bilateral filtre, hedeflenen pikseli komşularının ağırlıklı ortalaması ile değiştirir; Bununla birlikte, bu piksellerin yoğunluklarındaki farkı dikkate alır. Bu özellik, bilateral filtrenin kenarları korurken görüntüleri düzleştirmesini sağlar. Fark görseli tabanlı değişim tespiti algoritmaları basitlikleri ve ideal şartlar altında gösterdikleri iyi performanslarına rağmen gerçeğe daha yakın görseller kullanılarak testler yapıldığında ideal duruma göre daha kötü performans sergilemektedirler. Fark görseli tabanlı algoritmalardaki problem,mküçük ve tutarlı değişimler gösteren görsellerdeki başarılarını büyük ve gerçek görsellerde gösterememeleridir. Bu çalışmada önerilen ikinci yöntem ise yoğun eşleme tabanlı görüntü eşlemeye dayanmaktadır. Daha spesifik olarak, değişim tespiti için SIFT Flow algoritmasını kullanılmıştır. Video işlemede daha yaygın olarak kullanılan SIFT Flow algoritması, verilen herhangi iki görüntüdeki pikselleri eşleştirmek için ölçekten bağımsız öznitelik dönüşümü (SIFT) kullanır. SIFT Flow son derece gürbüz ve hızlı çalışan bir algoritmadır. SIFT Flow temel olarak görüntü eşleştirme amacıyla tasarlanmıştır. Hareket tahmini, yüz tanıma, video sabitleme ve diğer birçok alanda uygulanmıştır. Bu çalışmada, değişim kestirimde SIFT akış algoritmasını kullanmanın yeni, ilginç ve basit bir yolunu önerilmiştir. Eğer iki farklı zaman diliminde çekilen aynı coğrafi konumdaki iki kayıtlı görüntüyü eşleştirmek için SIFT akışını kullanırsa, bu görüntülerin değişmeyen alanları birbiriyle eşleşecektir, böylece SIFT özellikleri akış konumlarında gözlenmeyecektir. Halbuki, değişen alanlar etrafında SIFT özellik akışı bulunacaktır. Değişiklik tespit algoritması olarak SIFT Flow algoritmasının gerçeğe yakın koşullar altında iyi çalışması, bu algoritmanın değişiklik tespitinde kullanılabileceğini göstermektedir. Ancak SIFT Flow, değişim haritalarında biraz abartılı ve genel sonuçlar vermektedir. Algoritmaları test etmek için iki veri seti kullanılmıştır. İlk veri seti, üç çift optik görüntüden oluşmaktadır. Bu veri setine internetten ulaşılabilmesi nedeniyle en son değişim tespit algoritmalarını test etmek için yaygın bir şekilde kullanılmaktadır. İkinci veri seti, yerel olarak elde edilir. Üç çift landsat görüntüden oluşur. 1988 ve 2013 yıllarında Antalya'da bölgeleri yakalamaktadır Bu veri seti daha gerçekçi ve algoritmalar için daha büyük bir zorluğu temsil ediyor. Sonuçların sayısal olarak temsil edilmesi söz konusu olduğunda, referans değişim haritasının olmaması bir problemdir.Bu yuzden, bilateral süzgeç tabanlı algoritma artifakt eklenmiş görüntüler üzerinde denenmiştir. Elde edilen değişim haritaları bilateral tabanlı yöntemin literatürde varolan benzer yöntemlere olan üstünlüğünü ortaya koymuştur. Ancak SIFT akış algoritması görsel olarak değerlendirilmiştir. Artifakt eklemenin literatürde yaygın bir yöntem olmasına rağmen, SIFT akışını bu şekilde değerlendirmek uygun değildir. SIFT akışı karmaşık veri kümelerinde iyi performans göstermekte, ancak yapay nesnelerin neden olduğu gibi görüntüdeki piksel seviyesi değişikliklerini belirlemede başarısız olmaktadır. Her 2 algoritmada farklı durumlarda başarılı olduğundan sonraki çalışmalarda ardarda kullanılmışlardır. Bu durumda edilen değişim haritaları, her bir algoritmadan sağlanan faydalara sahiptir. Bu iki algoritmayı birleştirmenin yararlarını daha iyi göstermek için değişim haritaları yerine ısı haritalarını kullanılmıştır. Değişim haritaları ikili olsa da, ısı haritaları, 0 ile 1 arasında bir değişimi temsil eder. Bu şekilde, iki algoritma birleştirildiğinde, daha az değişimin olduğu bölgeler, değişimin daha şiddetli olduğu xxvi bölgelere kaybolmaktadır. Böylelikle, genel değişim bölgesi ve en aşırı değişimin tam yeri hakkında eş zamanlı bir şekilde görülebilmektedir. Sonuç olarak kısaca özetlemek gerekirse, bu çalışmada küçük değişimlerde başarılı sonuçlar verip büyük değişimlerde nispeten daha az başarılı olan algoritma ile küçük değişimlerde nispeten daha az başarılı olup büyük değişimlerde daha başarılı sonuçlar veren iki ayrı algoritma ortaya konulmuştur. Böylelikle iki algoritma birbiriyle uyumlu çalışacak hale getirilirse, birbirini tamamlayarak daha iyi sonuçlar elde edilebilecektir. SIFT Flow algoritması ile büyük değişimler bulunurken, bilateral tabanlı yöntem ile küçük değişimler saptanabilir. Böylelikle önerilen bilateral filtre tabanlı algoritma ve SIFT Flow algoritmasının birbirlerini tamamlayacak şekilde birleştirilmesiyle yüksek hız ve verimde çalışacak, gürbüz ve istenen sonuçları verecek bir algoritma elde edilmiştir.