SlideShare a Scribd company logo
Multispektral-Pankromatik
Görüntülerin
Kaynaştırılması
IHS
DÖNÜŞÜMÜ
Burak Berat YILDIZ
Burak Can KARA
Halil İbrahim YILDIZ
SUNUM İÇERİĞİ
IHS NEDİR?
IHS İŞLEM ADIMLARI
IHS DÖNÜŞÜMÜNE AİT FORMÜLLER
LANDSAT BANT ÖZELLİKLERİ
LANDSAT BANT KOMBİNASYONLARI
ERDAS IMAGINE İLE YAPILAN ÖRNEK UYGULAMA
MATLAB İLE YAPILAN ÖRNEK UYGULAMA
KAYNAKÇA
IHS NEDİR?
HSV renk uzayı 1978 yılında Alvy Ray Smith tarafından tanımlandı.
Amacı RGB uzayına göre insan görü düzeneğine daha yakın bir yapı
oluşturmaktı. HSV, RGB renk uzayından doğrusal olmayan bir
dönüşüm ile elde edilir.
IHS bu çatıda ilgilenilen bir dönüşüm işleminin ismidir.
IHS NEDİR?
Yansıma şiddeti (intensity-I) görüntünün toplam parlaklığını
belirtir. Yani rengin aydınlığını,içindeki beyaz oranını
belirler. Renk beyaz ile ne kadar seyreltilmiş bize bunu
anlatan kısımdır.
0-100 arasından değişir.
Şekildeki V yani value
değeri burada I ile
belirtilen değerin ifadesi
olarak algılanabilir.
Renklerin seyreltilme
derecesini bize gösterir.
IHS NEDİR?
Renk özü veya Renk Tonu (Hue-H) görüntüyü oluşturan
ışığın ortalama dalga boyunu ifade eder. Rengin baskın
dalga uzunluğunu belirler, örneğin sarı, mavi, yeşil, vb.
Açısal bir değerdir 0° - 360°, bazı uygulamalarda ise 0-100
arası olağanlaştırılır.
Görüldüğü gibi renkler
uzayında açısal olarak
ilgili görüntüde hangi
tonun baskın olduğunu
belirtir.
IHS NEDİR?
Doygunluk, rengin «canlılığını» veya «saflığını» belirler.
Yüksek doygunluk canlı renklere neden olurken, düşük
olasılık rengin gri tonlarına yaklaşmasına neden olur.
0-100 arasında değişir.
S değeri rengin
görüldüğü üzere her renk
tonunu gri ile kendi renk
skalası arasında hangi
bölgede olduğunu belirtir.
DAHA İYİ ANLAYALIM
Aşağıda Windows kullanıcılarının sıklıkla uğraştığı pencere
rengi bölümünün bir parçasını görmektesiniz.
H
S
V(I)
Görüldüğü gibi S değeri
rengin kendi skalasında
ne kadar saf olduğunu
veya ne kadar doygun
olduğunu gösterir. En
düşükte beyaza yakın
en parlakta ise canlı
dolgun renklere sahip
olur. H ise 360
derecelik renk
uzayında nerede
olduğumuzu verecektir.
V ise parlaklık
değerimizdir.
Görüntü Kaynaştırma Nedir?
Uzaktan algılamada, çok bantlı renkli uydu görüntülerinin
konumsal çözünürlüklerinin aynı bölgeye ait daha iyi
konumsal çözünürlüğü olan pankromatik görüntülerle
iyileştirilmesi işlemine görüntü kaynaştırma denilmektedir.
Pankromatik görüntüdeki konumsal detay çok bantlı
görüntüye aktarılırsa ve çok bantlı görüntüdeki spektral
içerik orijinal görüntüdekine uygun olarak saklanırsa,
görüntü kaynaştırma yöntemi başarılı olarak kabul edilir.
IHS DÖNÜŞÜMÜNÜN AMACI
Son dönemde yüksek mekânsal çözünürlüklü ve çok bantlı
(multispektral) uydu görüntülerindeki artış, piksel tabanlı
sınıflandırma uygulamalarını da olumlu etkilemektedir.
Kullanıcılar uygulamalarında hem yüksek mekânsal
çözünürlükten hem de yüksek spektral çözünürlükten elde
ettiği bilgilerden vazgeçmek istememektedirler. Bu durum
tek bantlı yüksek mekânsal çözünürlüklü görüntünün, çok
bantlı yüksek spektral çözünürlüklü görüntü ile
kaynaştırılmasına (Pan Sharpening) olan talebi üst
düzeylere getirmiştir.
Bu yüzden kullanıcılar bu kaynaştırma yöntemlerini tercih
etmektedirler. Amacımız yüksek mekânsal çözünürlük ile
spectral çözünürlüğü birleştirmektir.
IHS DÖNÜŞÜMÜNÜN İŞLEMADIMLARI NELERDİR?
Renk Tonu, Doygunluk Dönüşümü (Intensity Hue
Saturation - IHS) olarak bilinen IHS yöntemi düşük
mekansal çözünürlüğe sahip kırmızı, yeşil ve mavi (RGB)
olmak üzere üç renk ile temsil edilen sayısal görüntülerin
seçilen üç bandını kullanarak veriyi IHS bileşenlerine
dönüştürür. Bu yöntem genellikle 4 ayrı adım içermektedir.
1. RGB–IHS donuşumu;
2. PAN görüntüsüne ait histogramı I ile uyuşumlu hale
getirme işlemi.
3. I bileşenini PAN ile değiştirerek H ve S bileşenlerini en
yüksek çözünürlüğe tekrar örneklemesi işlemi.
4. IHS – RGB ters dönüşümü.
(NIKOLAKOPOULOS, 2008)
IHS DÖNÜŞÜMÜNÜN İŞLEMADIMLARI NELERDİR?
IHS DÖNÜŞÜM AYRINTILAR
Adım 1.
Multispectral görüntümüzün sahip olduğu bantların(RGB) piksel
değerlerinin her biri yukarıda gösterilen işleme tabi tutulur.
Uydu tabanlı uzaktan algılamada, genelde çok bantlı
görüntülerde en az 4 bant bulunur ve I hesaplanmasında ağırlıklı
ortalamalar kullanmak renk anlamında daha iyi sonuçlar verebilir.
Bu ağırlıklar büyük oranda algılayıcıya bağlıdır. Yazılımlarda
algılayıcı tipi seçeceğimiz bölümler bulunmaktadır.
IHS DÖNÜŞÜM AYRINTILAR
Adım 2.
İkinci adımda I bileşeni ile pankromatik görüntümüzü
birleştiriyoruz. Aslında bir çok bantlı görüntüye ait I bileşeni
konumsal bilgiyi (Chibani ve Houacine 2002) içermektedir.
Burada F kaynaştırılmış görüntüyü ifade etmektedir.
IHS DÖNÜŞÜM AYRINTILAR
Adım 3.
H ve S bileşenleri H = atan (V2 / V1) ve S = 𝑉𝑉𝑉2 + 𝑉𝑉𝑉2
bağıntılarından elde edilir.
UYGULAMALAR
Erdas Imagine Yazılımı ile Görüntü Kaynaştırma
• Uydu: L7 ETM+ SLC-on (1999-2003)
• Tarih: 30.07.2002
• Bant : 6. Termal 8.Pankromatik
• Çözünürlük : MultiSpectral (30m) – Pankromatik (15m)
Matlab Yazılımı ile Görüntü Kaynaştırma
• Bir adet fotoğraf
• Matlab ile kodlanmış IHS Spec-Pan Kaynaştırıcı
LANDSAT UYDUSUNU TANIYALIM
Landsat uydusuna ait bilgileri internet üzerinden bulabiliriz.
Çalışmanız için uygun olan görüntüleri elde edebilmek sizin
uyduları ne kadar tanıdığınıza bağlıdır. Bir uyduyu
seçmişseniz eğer sonrasında hangi bandlar ile
çalışacağınız konusunda doğru seçimi yapabilmek için yine
bu uydunun bant özelliklerini bilmelisiniz.
Bizim kullandığımız Landsat Enhanced Thematic Mapper Plus
(ETM+) uydusunun bant özelliklerini inceleyecek olursak.
LANDSAT UYDUSUNU TANIYALIM
0.45-2.35 µm dalga boyu aralığında kayıt yapan 7 bant vardır.
En küçük dalga boyu aralığıdır ve geçirgenliği en fazladır. Bu yüzden sucul
ekosistemin izlenmesinde tercih edilir. (Tortulu Sular,Mercan Kayalıkları vs.) Fakat ne
yazıkki atmosferik saçılma en fazla olduğu için gürültüsü farklıdır.
1. Bantla çok fazla olmasada benzer özelliklerdedir. Bitki örtüsü izlediğimizde dalga
boyları eşleştiği için tercih edilir.
Bitki örtüsü kırmızı ışığın neredeyse tamamını emer. Toprak ile bitki örtüsünün
ayrımında veya bitkilerin sağlıklarının kontrol edilmesinde kullanılır.
Su neredeyse bu dalga boyunun tamamını emer. Toprak ise tam tersi olarak neredeyse
tamamını yansıtır. Bu iki zıtlıktan faydalanarak kıyı şeridi belirlenmesi vs. Gibi uygulamalarda
kullanılabilir.
Bu dalga boyunun neme duyarlılığı çok fazladır. Bu sebeple toprak ve bitkilerdeki nemin
belirlenmesinde kullanılır. Ayrıca bulut ve kar bileşenlerini ayırmak için kullanılır.
Bu bant sıcaklık ölçümü için kullanılan termal banttır. Yüzey sıcaklığını ölçmek için kullanılır ve
genelde jeolojik uygulamalar için idealdir. Bazen bitkilerin sıcaklık streslerini ölçmek içinde
faydalanılır. Bu bant diğer bantların yarısı kadar yani 60m çözünürlüklüdür.
Genelde bant 5 ile toprak ve jeolojik haritaları yapmak için kullanılsada bazen bitkilerin nem
oranlarını belirlemede de kullanılır.
BAND KOMBİNASYONLARINI TANIYALIM
Her bir bant RGB filtrelerine tabi tutularak çeşitli
kombinasyonlar oluşturulur. Bu kombinasyonların kendilerine
özgü avantajları ve dezavantajları vardır. Bu bant
kombinasyonlarından en sık kullanılanlarından birkaçını
inceleyelim.
BANT KOMBİNASYONLARI
Bu kombinasyon genellikle gerçek renge yakındır. Su habitatları üzerinde yapılan
çalışmalarda uygundur. Fakat dezavantajı görüntünün puslu olma eğiliminde
olmasıdır.
İçerisinde yakın kızıl ötesi bant içeren bir kombinasyondur. Kara ve su sınırlarının
ayrımında idealdir. Ayrıca çeşitli birki örtülerinin algılanmasında da kullanılır.
KAYNAK
BANT KOMBİNASYONLARI
Kara – Su kıyıları ve farklı bitki örtüleri bu kombinasyonda çok belirgindir. Ayrıca
nem değişimini ölçmek içinde bu bant kombinasyonları kullanılır.
Bitki örtüsü üzerindeki farklar büyük bir oranda belirlenir. NASA için oluşturulmuş
küresel bant kombinasyonudur.
7,4,2 ile benzer özellikler gösterir fakat bazı tarımsal bölgelerin
renklendirilmesinde kullanılan bant kombinasyonudur.
ERDAS IMAGINE
GEREKLİ AYARLARI YAPIYORUZ
Eğer tanımlı bir sensör
bulamıyorsanız CUSTOM
seçeneğinden SENSOR
dalga boyu aralıklarını
girerek kendiniz
oluşturabilirsiniz. Buradaki
6. bant aslında 7. banttır.
Görüntülerimizi Karşılaştırıyoruz.
Görüntülerimizi Karşılaştırıyoruz.
MATLAB
Deneme amaçlı olarak çözünürlüğünü Photoshop ile
düşürdüğümüz fotoğrafın ön izlemesi aşağıdadır.
MATLAB
Deneme amaçlı olarak normal çözünürlükte ve tek
bant olarak kaydedilmiş pankromatik varsayılan
görüntümüz.
MATLAB ÜZERİNDE AÇTIĞIMIZ GÖRÜNTÜMÜZE AİT GRİLİK
DEĞERLERİNİ GÖREBİLİRİZ
Uygulamamıza Resimleri Ekliyoruz
Kaynaştırdığımız Görüntüleri İzleyelim
Görüntümüzde Meydana Gelen İyileşme Bariz Bir Şekilde
Görülmektedir.
MATLAB AÇIKLAMA
IHS Dönüşümünün
daha önceki slaytlarda
anlatılan formülleri ile
her bir matris
gösterimindeki
görüntülerin her bir
pixelinin değeri
işlenerek yeni bir matris
oluşturulur. Bu matrisin
içerdiği grilik
değerleriyle kaydedilen
yeni görüntü düzeltilmiş
görüntü olarak aktarılır.
Matlab İle Uygulanmış Hali
Matlab ile uydu görüntüsü üzerinde yapılmış kaynaştırma.
KAYAKÇA
1. SPOT 5 ve Farklı Görüntü Birleştirme Algoritmaları
(Filiz BEKTAŞ BALÇIK, Çiğdem GÖKSEL)
2. An Improved Intensity-Hue-Saturation Method for IKONOS Image Fusion
(M.-J Choi¤yz , H.-C. Kimx, N. I. Chox and H. O. Kimz)
3. Görüntü Birleştirme Yöntemlerinin Spektral Değerleri ve Görüntü Kalitesini Koruma
Açısından Karşılaştırılması: Worldview-2 Uygulaması
(Bekir GÜL, Çağlar YILDIRMIŞ, Abdullah DEĞER, Mustafa ERDOĞAN, Ali ULUBAY)
4. IKONOS uydu görüntüleri ile yeni bir görüntü kaynaştırma yöntemi
(Deniz Yıldırım, Oğuz Güngör)
5. The IHS Transformations Based Image Fusion
(Firouz Abdullah Al-Wassai1, N.V. Kalyankar2, Ali A. Al-Zuky3)
6. The Use of Intensity-Hue-Saturation Transformation of Landsat-5 Thematic Mapper Data
for Burned Land Mapping
(Nikos Koutsias, Michael Karteris, and Emlllo Chuvieco)
7. http://www.math.ucla.edu/~wittman/pansharpening/
8. http://landsat.usgs.gov/panchromatic_image_sharpening.php
TEŞEKKÜRLER
Burak Berat YILDIZ
Burak Can KARA
Halil İbrahim YILDIZ

More Related Content

What's hot

Data fusion
Data fusionData fusion
Data fusion
yousef emami
 
CBIR by deep learning
CBIR by deep learningCBIR by deep learning
CBIR by deep learning
Vigen Sahakyan
 
Breast cancer classification
Breast cancer classificationBreast cancer classification
Breast cancer classification
Ashwan Abdulmunem
 
Restricted Boltzmann Machine - A comprehensive study with a focus on Deep Bel...
Restricted Boltzmann Machine - A comprehensive study with a focus on Deep Bel...Restricted Boltzmann Machine - A comprehensive study with a focus on Deep Bel...
Restricted Boltzmann Machine - A comprehensive study with a focus on Deep Bel...
Indraneel Pole
 
Feature Engineering
Feature EngineeringFeature Engineering
Feature Engineering
Sri Ambati
 
Predictive Analysis of Breast Cancer Detection using Classification Algorithm
Predictive Analysis of Breast Cancer Detection using Classification AlgorithmPredictive Analysis of Breast Cancer Detection using Classification Algorithm
Predictive Analysis of Breast Cancer Detection using Classification Algorithm
Sushanti Acharya
 
Image recognition
Image recognitionImage recognition
Image recognition
Aseed Usmani
 
Activation functions and Training Algorithms for Deep Neural network
Activation functions and Training Algorithms for Deep Neural networkActivation functions and Training Algorithms for Deep Neural network
Activation functions and Training Algorithms for Deep Neural network
Gayatri Khanvilkar
 
Survey of Super Resolution Task (SISR Only)
Survey of Super Resolution Task (SISR Only)Survey of Super Resolution Task (SISR Only)
Survey of Super Resolution Task (SISR Only)
MYEONGGYU LEE
 
Face recognition using artificial neural network
Face recognition using artificial neural networkFace recognition using artificial neural network
Face recognition using artificial neural network
Sumeet Kakani
 
AI技術を利用した果樹園の樹列検出
AI技術を利用した果樹園の樹列検出AI技術を利用した果樹園の樹列検出
AI技術を利用した果樹園の樹列検出
Masahiro Tsukano
 
Derin Öğrenme (Deep Learning) Nedir?
Derin Öğrenme (Deep Learning) Nedir?Derin Öğrenme (Deep Learning) Nedir?
Derin Öğrenme (Deep Learning) Nedir?
eburhan
 
Deep learning tutorial 9/2019
Deep learning tutorial 9/2019Deep learning tutorial 9/2019
Deep learning tutorial 9/2019
Amr Rashed
 
Face recognition
Face recognitionFace recognition
Face recognition
2IA15Kelompok4
 
Automated Face Detection System
Automated Face Detection SystemAutomated Face Detection System
Automated Face Detection System
Abhiroop Ghatak
 
GANs Presentation.pptx
GANs Presentation.pptxGANs Presentation.pptx
GANs Presentation.pptx
MAHMOUD729246
 
Hog and sift
Hog and siftHog and sift
Hog and sift
AnandShinde47
 
Introduction to Convolutional Neural Networks
Introduction to Convolutional Neural NetworksIntroduction to Convolutional Neural Networks
Introduction to Convolutional Neural Networks
ParrotAI
 
Artificial neural network
Artificial neural networkArtificial neural network
Artificial neural network
nainabhatt2
 

What's hot (20)

Data fusion
Data fusionData fusion
Data fusion
 
CBIR by deep learning
CBIR by deep learningCBIR by deep learning
CBIR by deep learning
 
Yapay sinir agları
Yapay sinir aglarıYapay sinir agları
Yapay sinir agları
 
Breast cancer classification
Breast cancer classificationBreast cancer classification
Breast cancer classification
 
Restricted Boltzmann Machine - A comprehensive study with a focus on Deep Bel...
Restricted Boltzmann Machine - A comprehensive study with a focus on Deep Bel...Restricted Boltzmann Machine - A comprehensive study with a focus on Deep Bel...
Restricted Boltzmann Machine - A comprehensive study with a focus on Deep Bel...
 
Feature Engineering
Feature EngineeringFeature Engineering
Feature Engineering
 
Predictive Analysis of Breast Cancer Detection using Classification Algorithm
Predictive Analysis of Breast Cancer Detection using Classification AlgorithmPredictive Analysis of Breast Cancer Detection using Classification Algorithm
Predictive Analysis of Breast Cancer Detection using Classification Algorithm
 
Image recognition
Image recognitionImage recognition
Image recognition
 
Activation functions and Training Algorithms for Deep Neural network
Activation functions and Training Algorithms for Deep Neural networkActivation functions and Training Algorithms for Deep Neural network
Activation functions and Training Algorithms for Deep Neural network
 
Survey of Super Resolution Task (SISR Only)
Survey of Super Resolution Task (SISR Only)Survey of Super Resolution Task (SISR Only)
Survey of Super Resolution Task (SISR Only)
 
Face recognition using artificial neural network
Face recognition using artificial neural networkFace recognition using artificial neural network
Face recognition using artificial neural network
 
AI技術を利用した果樹園の樹列検出
AI技術を利用した果樹園の樹列検出AI技術を利用した果樹園の樹列検出
AI技術を利用した果樹園の樹列検出
 
Derin Öğrenme (Deep Learning) Nedir?
Derin Öğrenme (Deep Learning) Nedir?Derin Öğrenme (Deep Learning) Nedir?
Derin Öğrenme (Deep Learning) Nedir?
 
Deep learning tutorial 9/2019
Deep learning tutorial 9/2019Deep learning tutorial 9/2019
Deep learning tutorial 9/2019
 
Face recognition
Face recognitionFace recognition
Face recognition
 
Automated Face Detection System
Automated Face Detection SystemAutomated Face Detection System
Automated Face Detection System
 
GANs Presentation.pptx
GANs Presentation.pptxGANs Presentation.pptx
GANs Presentation.pptx
 
Hog and sift
Hog and siftHog and sift
Hog and sift
 
Introduction to Convolutional Neural Networks
Introduction to Convolutional Neural NetworksIntroduction to Convolutional Neural Networks
Introduction to Convolutional Neural Networks
 
Artificial neural network
Artificial neural networkArtificial neural network
Artificial neural network
 

Viewers also liked

IKONOS uydu görüntüleri ile yeni bir görüntü kaynaştırma yöntemi
IKONOS uydu görüntüleri ile yeni bir görüntü kaynaştırma yöntemiIKONOS uydu görüntüleri ile yeni bir görüntü kaynaştırma yöntemi
IKONOS uydu görüntüleri ile yeni bir görüntü kaynaştırma yöntemi
BCanKARA
 
Ray tracing-Işın İzleme Ders Sunumu
Ray tracing-Işın İzleme Ders SunumuRay tracing-Işın İzleme Ders Sunumu
Ray tracing-Işın İzleme Ders Sunumu
Beyhan Gül
 
resim birleştirme-image fusion
resim birleştirme-image fusionresim birleştirme-image fusion
resim birleştirme-image fusion
Beyhan Gül
 
Matlab Image Restoration Techniques
Matlab Image Restoration TechniquesMatlab Image Restoration Techniques
Matlab Image Restoration Techniques
matlab Content
 
Erdas Imagine
Erdas ImagineErdas Imagine
Erdas Imagine
BCanKARA
 
Sharpening spatial filters
Sharpening spatial filtersSharpening spatial filters
Özgür Yazılımlarla Görüntü İşleme
Özgür Yazılımlarla Görüntü İşlemeÖzgür Yazılımlarla Görüntü İşleme
Özgür Yazılımlarla Görüntü İşleme
Enes Ateş
 

Viewers also liked (7)

IKONOS uydu görüntüleri ile yeni bir görüntü kaynaştırma yöntemi
IKONOS uydu görüntüleri ile yeni bir görüntü kaynaştırma yöntemiIKONOS uydu görüntüleri ile yeni bir görüntü kaynaştırma yöntemi
IKONOS uydu görüntüleri ile yeni bir görüntü kaynaştırma yöntemi
 
Ray tracing-Işın İzleme Ders Sunumu
Ray tracing-Işın İzleme Ders SunumuRay tracing-Işın İzleme Ders Sunumu
Ray tracing-Işın İzleme Ders Sunumu
 
resim birleştirme-image fusion
resim birleştirme-image fusionresim birleştirme-image fusion
resim birleştirme-image fusion
 
Matlab Image Restoration Techniques
Matlab Image Restoration TechniquesMatlab Image Restoration Techniques
Matlab Image Restoration Techniques
 
Erdas Imagine
Erdas ImagineErdas Imagine
Erdas Imagine
 
Sharpening spatial filters
Sharpening spatial filtersSharpening spatial filters
Sharpening spatial filters
 
Özgür Yazılımlarla Görüntü İşleme
Özgür Yazılımlarla Görüntü İşlemeÖzgür Yazılımlarla Görüntü İşleme
Özgür Yazılımlarla Görüntü İşleme
 

More from BCanKARA

Algebra Fx Kullanma Klavuzu 2
Algebra Fx Kullanma Klavuzu 2Algebra Fx Kullanma Klavuzu 2
Algebra Fx Kullanma Klavuzu 2
BCanKARA
 
Marshall Planı
Marshall PlanıMarshall Planı
Marshall Planı
BCanKARA
 
Algebra Fx2 Kullanma Klavuzu
Algebra Fx2 Kullanma KlavuzuAlgebra Fx2 Kullanma Klavuzu
Algebra Fx2 Kullanma Klavuzu
BCanKARA
 
Gps Ölçü ve Hesaplarını Etkileyen Hata Kaynakları
Gps Ölçü ve Hesaplarını Etkileyen Hata KaynaklarıGps Ölçü ve Hesaplarını Etkileyen Hata Kaynakları
Gps Ölçü ve Hesaplarını Etkileyen Hata Kaynakları
BCanKARA
 
Netcad de Projeksiyon ve Dönüşümleri
Netcad de Projeksiyon ve DönüşümleriNetcad de Projeksiyon ve Dönüşümleri
Netcad de Projeksiyon ve Dönüşümleri
BCanKARA
 
CAD' Verisini GIS Veri Formatına Dönüştürme
CAD' Verisini GIS Veri Formatına DönüştürmeCAD' Verisini GIS Veri Formatına Dönüştürme
CAD' Verisini GIS Veri Formatına Dönüştürme
BCanKARA
 
Kadastro 2014
Kadastro 2014Kadastro 2014
Kadastro 2014
BCanKARA
 
DOP ile İlgili Genel İlkeler
DOP ile İlgili Genel İlkelerDOP ile İlgili Genel İlkeler
DOP ile İlgili Genel İlkeler
BCanKARA
 
3D Görüş ve Ölçüm
3D Görüş ve Ölçüm3D Görüş ve Ölçüm
3D Görüş ve Ölçüm
BCanKARA
 
3D Görüş Yöntemleri ve Ölçüm(Sunum)
3D Görüş Yöntemleri ve Ölçüm(Sunum)3D Görüş Yöntemleri ve Ölçüm(Sunum)
3D Görüş Yöntemleri ve Ölçüm(Sunum)
BCanKARA
 
3D Görüş Yöntemleri ve Ölçüm
3D Görüş Yöntemleri ve Ölçüm3D Görüş Yöntemleri ve Ölçüm
3D Görüş Yöntemleri ve Ölçüm
BCanKARA
 

More from BCanKARA (13)

Algebra Fx Kullanma Klavuzu 2
Algebra Fx Kullanma Klavuzu 2Algebra Fx Kullanma Klavuzu 2
Algebra Fx Kullanma Klavuzu 2
 
Marshall
MarshallMarshall
Marshall
 
Marshall Planı
Marshall PlanıMarshall Planı
Marshall Planı
 
Algebra Fx2 Kullanma Klavuzu
Algebra Fx2 Kullanma KlavuzuAlgebra Fx2 Kullanma Klavuzu
Algebra Fx2 Kullanma Klavuzu
 
Gps Ölçü ve Hesaplarını Etkileyen Hata Kaynakları
Gps Ölçü ve Hesaplarını Etkileyen Hata KaynaklarıGps Ölçü ve Hesaplarını Etkileyen Hata Kaynakları
Gps Ölçü ve Hesaplarını Etkileyen Hata Kaynakları
 
Netcad de Projeksiyon ve Dönüşümleri
Netcad de Projeksiyon ve DönüşümleriNetcad de Projeksiyon ve Dönüşümleri
Netcad de Projeksiyon ve Dönüşümleri
 
CAD' Verisini GIS Veri Formatına Dönüştürme
CAD' Verisini GIS Veri Formatına DönüştürmeCAD' Verisini GIS Veri Formatına Dönüştürme
CAD' Verisini GIS Veri Formatına Dönüştürme
 
Kadastro 2014
Kadastro 2014Kadastro 2014
Kadastro 2014
 
DOP ile İlgili Genel İlkeler
DOP ile İlgili Genel İlkelerDOP ile İlgili Genel İlkeler
DOP ile İlgili Genel İlkeler
 
İslam
İslamİslam
İslam
 
3D Görüş ve Ölçüm
3D Görüş ve Ölçüm3D Görüş ve Ölçüm
3D Görüş ve Ölçüm
 
3D Görüş Yöntemleri ve Ölçüm(Sunum)
3D Görüş Yöntemleri ve Ölçüm(Sunum)3D Görüş Yöntemleri ve Ölçüm(Sunum)
3D Görüş Yöntemleri ve Ölçüm(Sunum)
 
3D Görüş Yöntemleri ve Ölçüm
3D Görüş Yöntemleri ve Ölçüm3D Görüş Yöntemleri ve Ölçüm
3D Görüş Yöntemleri ve Ölçüm
 

IHS Dönüşümü

  • 2. SUNUM İÇERİĞİ IHS NEDİR? IHS İŞLEM ADIMLARI IHS DÖNÜŞÜMÜNE AİT FORMÜLLER LANDSAT BANT ÖZELLİKLERİ LANDSAT BANT KOMBİNASYONLARI ERDAS IMAGINE İLE YAPILAN ÖRNEK UYGULAMA MATLAB İLE YAPILAN ÖRNEK UYGULAMA KAYNAKÇA
  • 3. IHS NEDİR? HSV renk uzayı 1978 yılında Alvy Ray Smith tarafından tanımlandı. Amacı RGB uzayına göre insan görü düzeneğine daha yakın bir yapı oluşturmaktı. HSV, RGB renk uzayından doğrusal olmayan bir dönüşüm ile elde edilir. IHS bu çatıda ilgilenilen bir dönüşüm işleminin ismidir.
  • 4. IHS NEDİR? Yansıma şiddeti (intensity-I) görüntünün toplam parlaklığını belirtir. Yani rengin aydınlığını,içindeki beyaz oranını belirler. Renk beyaz ile ne kadar seyreltilmiş bize bunu anlatan kısımdır. 0-100 arasından değişir. Şekildeki V yani value değeri burada I ile belirtilen değerin ifadesi olarak algılanabilir. Renklerin seyreltilme derecesini bize gösterir.
  • 5. IHS NEDİR? Renk özü veya Renk Tonu (Hue-H) görüntüyü oluşturan ışığın ortalama dalga boyunu ifade eder. Rengin baskın dalga uzunluğunu belirler, örneğin sarı, mavi, yeşil, vb. Açısal bir değerdir 0° - 360°, bazı uygulamalarda ise 0-100 arası olağanlaştırılır. Görüldüğü gibi renkler uzayında açısal olarak ilgili görüntüde hangi tonun baskın olduğunu belirtir.
  • 6. IHS NEDİR? Doygunluk, rengin «canlılığını» veya «saflığını» belirler. Yüksek doygunluk canlı renklere neden olurken, düşük olasılık rengin gri tonlarına yaklaşmasına neden olur. 0-100 arasında değişir. S değeri rengin görüldüğü üzere her renk tonunu gri ile kendi renk skalası arasında hangi bölgede olduğunu belirtir.
  • 7. DAHA İYİ ANLAYALIM Aşağıda Windows kullanıcılarının sıklıkla uğraştığı pencere rengi bölümünün bir parçasını görmektesiniz. H S V(I) Görüldüğü gibi S değeri rengin kendi skalasında ne kadar saf olduğunu veya ne kadar doygun olduğunu gösterir. En düşükte beyaza yakın en parlakta ise canlı dolgun renklere sahip olur. H ise 360 derecelik renk uzayında nerede olduğumuzu verecektir. V ise parlaklık değerimizdir.
  • 8. Görüntü Kaynaştırma Nedir? Uzaktan algılamada, çok bantlı renkli uydu görüntülerinin konumsal çözünürlüklerinin aynı bölgeye ait daha iyi konumsal çözünürlüğü olan pankromatik görüntülerle iyileştirilmesi işlemine görüntü kaynaştırma denilmektedir. Pankromatik görüntüdeki konumsal detay çok bantlı görüntüye aktarılırsa ve çok bantlı görüntüdeki spektral içerik orijinal görüntüdekine uygun olarak saklanırsa, görüntü kaynaştırma yöntemi başarılı olarak kabul edilir.
  • 9. IHS DÖNÜŞÜMÜNÜN AMACI Son dönemde yüksek mekânsal çözünürlüklü ve çok bantlı (multispektral) uydu görüntülerindeki artış, piksel tabanlı sınıflandırma uygulamalarını da olumlu etkilemektedir. Kullanıcılar uygulamalarında hem yüksek mekânsal çözünürlükten hem de yüksek spektral çözünürlükten elde ettiği bilgilerden vazgeçmek istememektedirler. Bu durum tek bantlı yüksek mekânsal çözünürlüklü görüntünün, çok bantlı yüksek spektral çözünürlüklü görüntü ile kaynaştırılmasına (Pan Sharpening) olan talebi üst düzeylere getirmiştir. Bu yüzden kullanıcılar bu kaynaştırma yöntemlerini tercih etmektedirler. Amacımız yüksek mekânsal çözünürlük ile spectral çözünürlüğü birleştirmektir.
  • 10. IHS DÖNÜŞÜMÜNÜN İŞLEMADIMLARI NELERDİR? Renk Tonu, Doygunluk Dönüşümü (Intensity Hue Saturation - IHS) olarak bilinen IHS yöntemi düşük mekansal çözünürlüğe sahip kırmızı, yeşil ve mavi (RGB) olmak üzere üç renk ile temsil edilen sayısal görüntülerin seçilen üç bandını kullanarak veriyi IHS bileşenlerine dönüştürür. Bu yöntem genellikle 4 ayrı adım içermektedir. 1. RGB–IHS donuşumu; 2. PAN görüntüsüne ait histogramı I ile uyuşumlu hale getirme işlemi. 3. I bileşenini PAN ile değiştirerek H ve S bileşenlerini en yüksek çözünürlüğe tekrar örneklemesi işlemi. 4. IHS – RGB ters dönüşümü. (NIKOLAKOPOULOS, 2008)
  • 12. IHS DÖNÜŞÜM AYRINTILAR Adım 1. Multispectral görüntümüzün sahip olduğu bantların(RGB) piksel değerlerinin her biri yukarıda gösterilen işleme tabi tutulur. Uydu tabanlı uzaktan algılamada, genelde çok bantlı görüntülerde en az 4 bant bulunur ve I hesaplanmasında ağırlıklı ortalamalar kullanmak renk anlamında daha iyi sonuçlar verebilir. Bu ağırlıklar büyük oranda algılayıcıya bağlıdır. Yazılımlarda algılayıcı tipi seçeceğimiz bölümler bulunmaktadır.
  • 13. IHS DÖNÜŞÜM AYRINTILAR Adım 2. İkinci adımda I bileşeni ile pankromatik görüntümüzü birleştiriyoruz. Aslında bir çok bantlı görüntüye ait I bileşeni konumsal bilgiyi (Chibani ve Houacine 2002) içermektedir. Burada F kaynaştırılmış görüntüyü ifade etmektedir.
  • 14. IHS DÖNÜŞÜM AYRINTILAR Adım 3. H ve S bileşenleri H = atan (V2 / V1) ve S = 𝑉𝑉𝑉2 + 𝑉𝑉𝑉2 bağıntılarından elde edilir.
  • 15. UYGULAMALAR Erdas Imagine Yazılımı ile Görüntü Kaynaştırma • Uydu: L7 ETM+ SLC-on (1999-2003) • Tarih: 30.07.2002 • Bant : 6. Termal 8.Pankromatik • Çözünürlük : MultiSpectral (30m) – Pankromatik (15m) Matlab Yazılımı ile Görüntü Kaynaştırma • Bir adet fotoğraf • Matlab ile kodlanmış IHS Spec-Pan Kaynaştırıcı
  • 16. LANDSAT UYDUSUNU TANIYALIM Landsat uydusuna ait bilgileri internet üzerinden bulabiliriz. Çalışmanız için uygun olan görüntüleri elde edebilmek sizin uyduları ne kadar tanıdığınıza bağlıdır. Bir uyduyu seçmişseniz eğer sonrasında hangi bandlar ile çalışacağınız konusunda doğru seçimi yapabilmek için yine bu uydunun bant özelliklerini bilmelisiniz. Bizim kullandığımız Landsat Enhanced Thematic Mapper Plus (ETM+) uydusunun bant özelliklerini inceleyecek olursak.
  • 17. LANDSAT UYDUSUNU TANIYALIM 0.45-2.35 µm dalga boyu aralığında kayıt yapan 7 bant vardır. En küçük dalga boyu aralığıdır ve geçirgenliği en fazladır. Bu yüzden sucul ekosistemin izlenmesinde tercih edilir. (Tortulu Sular,Mercan Kayalıkları vs.) Fakat ne yazıkki atmosferik saçılma en fazla olduğu için gürültüsü farklıdır. 1. Bantla çok fazla olmasada benzer özelliklerdedir. Bitki örtüsü izlediğimizde dalga boyları eşleştiği için tercih edilir. Bitki örtüsü kırmızı ışığın neredeyse tamamını emer. Toprak ile bitki örtüsünün ayrımında veya bitkilerin sağlıklarının kontrol edilmesinde kullanılır.
  • 18. Su neredeyse bu dalga boyunun tamamını emer. Toprak ise tam tersi olarak neredeyse tamamını yansıtır. Bu iki zıtlıktan faydalanarak kıyı şeridi belirlenmesi vs. Gibi uygulamalarda kullanılabilir. Bu dalga boyunun neme duyarlılığı çok fazladır. Bu sebeple toprak ve bitkilerdeki nemin belirlenmesinde kullanılır. Ayrıca bulut ve kar bileşenlerini ayırmak için kullanılır. Bu bant sıcaklık ölçümü için kullanılan termal banttır. Yüzey sıcaklığını ölçmek için kullanılır ve genelde jeolojik uygulamalar için idealdir. Bazen bitkilerin sıcaklık streslerini ölçmek içinde faydalanılır. Bu bant diğer bantların yarısı kadar yani 60m çözünürlüklüdür. Genelde bant 5 ile toprak ve jeolojik haritaları yapmak için kullanılsada bazen bitkilerin nem oranlarını belirlemede de kullanılır.
  • 19. BAND KOMBİNASYONLARINI TANIYALIM Her bir bant RGB filtrelerine tabi tutularak çeşitli kombinasyonlar oluşturulur. Bu kombinasyonların kendilerine özgü avantajları ve dezavantajları vardır. Bu bant kombinasyonlarından en sık kullanılanlarından birkaçını inceleyelim.
  • 20. BANT KOMBİNASYONLARI Bu kombinasyon genellikle gerçek renge yakındır. Su habitatları üzerinde yapılan çalışmalarda uygundur. Fakat dezavantajı görüntünün puslu olma eğiliminde olmasıdır. İçerisinde yakın kızıl ötesi bant içeren bir kombinasyondur. Kara ve su sınırlarının ayrımında idealdir. Ayrıca çeşitli birki örtülerinin algılanmasında da kullanılır. KAYNAK
  • 21. BANT KOMBİNASYONLARI Kara – Su kıyıları ve farklı bitki örtüleri bu kombinasyonda çok belirgindir. Ayrıca nem değişimini ölçmek içinde bu bant kombinasyonları kullanılır. Bitki örtüsü üzerindeki farklar büyük bir oranda belirlenir. NASA için oluşturulmuş küresel bant kombinasyonudur. 7,4,2 ile benzer özellikler gösterir fakat bazı tarımsal bölgelerin renklendirilmesinde kullanılan bant kombinasyonudur.
  • 23. GEREKLİ AYARLARI YAPIYORUZ Eğer tanımlı bir sensör bulamıyorsanız CUSTOM seçeneğinden SENSOR dalga boyu aralıklarını girerek kendiniz oluşturabilirsiniz. Buradaki 6. bant aslında 7. banttır.
  • 26. MATLAB Deneme amaçlı olarak çözünürlüğünü Photoshop ile düşürdüğümüz fotoğrafın ön izlemesi aşağıdadır.
  • 27. MATLAB Deneme amaçlı olarak normal çözünürlükte ve tek bant olarak kaydedilmiş pankromatik varsayılan görüntümüz.
  • 28.
  • 29. MATLAB ÜZERİNDE AÇTIĞIMIZ GÖRÜNTÜMÜZE AİT GRİLİK DEĞERLERİNİ GÖREBİLİRİZ
  • 32. Görüntümüzde Meydana Gelen İyileşme Bariz Bir Şekilde Görülmektedir.
  • 33. MATLAB AÇIKLAMA IHS Dönüşümünün daha önceki slaytlarda anlatılan formülleri ile her bir matris gösterimindeki görüntülerin her bir pixelinin değeri işlenerek yeni bir matris oluşturulur. Bu matrisin içerdiği grilik değerleriyle kaydedilen yeni görüntü düzeltilmiş görüntü olarak aktarılır.
  • 34. Matlab İle Uygulanmış Hali Matlab ile uydu görüntüsü üzerinde yapılmış kaynaştırma.
  • 35.
  • 36. KAYAKÇA 1. SPOT 5 ve Farklı Görüntü Birleştirme Algoritmaları (Filiz BEKTAŞ BALÇIK, Çiğdem GÖKSEL) 2. An Improved Intensity-Hue-Saturation Method for IKONOS Image Fusion (M.-J Choi¤yz , H.-C. Kimx, N. I. Chox and H. O. Kimz) 3. Görüntü Birleştirme Yöntemlerinin Spektral Değerleri ve Görüntü Kalitesini Koruma Açısından Karşılaştırılması: Worldview-2 Uygulaması (Bekir GÜL, Çağlar YILDIRMIŞ, Abdullah DEĞER, Mustafa ERDOĞAN, Ali ULUBAY) 4. IKONOS uydu görüntüleri ile yeni bir görüntü kaynaştırma yöntemi (Deniz Yıldırım, Oğuz Güngör) 5. The IHS Transformations Based Image Fusion (Firouz Abdullah Al-Wassai1, N.V. Kalyankar2, Ali A. Al-Zuky3) 6. The Use of Intensity-Hue-Saturation Transformation of Landsat-5 Thematic Mapper Data for Burned Land Mapping (Nikos Koutsias, Michael Karteris, and Emlllo Chuvieco) 7. http://www.math.ucla.edu/~wittman/pansharpening/ 8. http://landsat.usgs.gov/panchromatic_image_sharpening.php
  • 37. TEŞEKKÜRLER Burak Berat YILDIZ Burak Can KARA Halil İbrahim YILDIZ