Python - Uydu Görüntülerinde Gölge Alanların Bulunması

Uydu görüntülerinde uzamsal çözünürlüğün artması, metre(hatta cm) mesafelerine kadar düşmesi nispeten küçük nesnelerin de algılanabilmesine olanak sağlamıştır. Uzamsal çözünürlüğü yüksek olan bu görüntüler kullanılarak kent alanlarınındaki değişikliklerin analizi, otomatik gözlemlenmesi gibi çalışmalarda kullanılabilmektedir. Bunun için uzaktan algılama görüntülerinde binaların tespit edilmesi üzerine bir hayli çalışma gerçekleştirilmiştir. Binaların tespit edilmesinde yararlanılan önemli bir özellik ise binaların oluşturduğu gölgelerdir. Bu görüntülerin gündüz vakti çekildiği düşünüldüğünde gölgelerden hareket edilmesi suretiyle binaların tespit edilmesine yönelik çalışmalar gerçekleştirilmiş ve başarılı sonuçlar alınmıştır. 

Gölge bulmanın neden önemli olduğunu bina örneğinden yola çıkarak açıklamış olduk(Tabi ki sadece bununla kısıtlanamaz). Bu yazı kapsamında size "Multi-spectral False Color Shadow Detection" makalesinde açıklanan gölge alanların çıkarılması algoritmasını açıklamaya çalışacağım.

Uygulamanın gerçekleştirilmesinde kullanılan uydu görüntüleri

http://biz.nevsehir.edu.tr/ozgunok/tr/407

adresinden alınmıştır.

Yukarıda linkini verdiğimiz veri seti içerisindeki bir görüntüyü açmak için gerekli Pyton kodları aşağıda verilmiştir. .tif uzantılı görüntüleri açmak için osgeo kütüphanesinden faydalanılmıştır. Bu kütüphane ile görüntüyü numpy array olarak okuyunca eksenler kaymış yönünü şaşırmış olarak geliyor :) Bunun için swapaxes komutu ile ufak bir ayar çekiyoruz. Daha sonra ise RGB ve NIR bandlarını ayrı ayrı matrislerde tutuyoruz. ( Not: tif dosyasındaki görüntülerin band sırası B-G-R-NIR, ayrıntılı bilgi için tıklayınız )

import numpy as np from osgeo import gdal import matplotlib.pyplot as plt im = gdal.Open('Ali_ozgun_ok_benchmark/dataset/testPatch4.tif') im = im.ReadAsArray() im = np.swapaxes(im,0,2) im = np.swapaxes(im,0,1) x,y,d = im.shape imRGB = np.ones((x , y, 3)) imRGB[:,:,0] = im[:,:,2] imRGB[:,:,1] = im[:,:,1] imRGB[:,:,2] = im[:,:,0] image = np.uint8(imRGB/8) nir = im[:,:,3] plt.figure(0) plt.title('Goruntu') plt.imshow(image)

Önerilen algoritmda ilk olarak gölgelerin daha net anlaşılabilmesi için B bandının yerine NIR bandı yerleştirilerek, NIR-R-G (False color) görüntüsü elde edilir.

Daha sonra bu NIR-R-G görüntüsü Renk tonu-doygunluk-yoğunluk(HSI) renk uzayına dönüştürülür.

Dönüştürülen bu uzayda S ve I bandları yeşil yani bitki alanları ve koyu alanlar için benzer değerleri verecektir. Bundan dolayı HSI renk uzayındaki S ve I bandları normalize edilerek bitkisel ve koyu alanların haritası aşağıdaki formülle çıkarılır.

Bu görüntüye Otsu metodu uygulanarak, koyu ve bitkisel alanlar matrisi elde edilmiş olur.


import numpy as np import matplotlib.pyplot as plt from skimage.filters import threshold_otsu def HSI(A): R, G, B = A[0], A[1], A[2] dRG, dRB, dGB = R - G, R - B, G - B # all belongs to [0,255] dRG[dRG == 0.0] = 0.5 dRB[dRB == 0.0] = 0.5 dGB[dGB == 0.0] = 0.5 imI = im_NIR_R_G.mean(axis = 2) Imin = im_NIR_R_G.min(axis = 2) imI[imI == 0.0] = 1 imS = 1 - Imin / imI return imS,imI im_NIR_R_G = np.ones((x,y,3),dtype=np.float) im_NIR_R_G[:,:,0] = nir im_NIR_R_G[:,:,1] = imRGB[:,:,0] im_NIR_R_G[:,:,2] = imRGB[:,:,1] imS,imI = HSI(im_NIR_R_G) imS = imS / np.max(imS) imI = imI / np.max(imI) # golge ve vegetation maskesi imratio = ( imS - imI ) / ( imS + imI ) thresh = threshold_otsu(imratio) imratio_binary = imratio > thresh

Böylelikle gölge ve bitkisel alanların haritası elde edilmiş olur.

Daha sonra ise Normalize fark bitki örtüsü indeksinden (NDVI) yararlanılarak sadece bitki alanlarını veren harita elde edilir. Bitkisel ve koyu alanları veren haritadan, NDVI haritasının çıkarılması ile Gölge haritası ( Shadow_map ) elde edilmiş olur.


ndvi = ( imRGB[:,:,0] - nir ) / ( imRGB[:,:,0] + nir ) thresh = threshold_otsu(ndvi) ndvi = ndvi > thresh Shadow_map = imratio_binary * ndvi imratio_binary = np.uint8(imratio_binary) ndvi = np.uint8(ndvi) Shadow_map = np.uint8(Shadow_map)