Uydu Görüntülerinin Da˘gıtık Mimaride Vektörle¸stirilmesi

Bu bölüm, ¸Sekil 4.1’de verilen mimarinin dördüncü adımını açıklamaktadır. Bu alt bölümde uydu görüntülerinin vektörle¸stirilmesinden bahsedilecektir. Uydu görüntülerinden nesne çıkarımı (yol, köprü, bina vb.) da uzaktan algılama görüntü i¸sleme ara¸stırma alanlarından biridir [90, 91]. Literatürde sulu alanlar içinde kalan bölgelerden kara parçalarının (ada gibi) çıkarılması [92], veya kara parçaları üzerinde kalan sulu kısımların çıkarılması (göl, akarsu vs. gibi) nesne çıkarımı alt alanları içerisinde incelenmektedir [93–95]. Burada ada gibi nesnelerin kenar bulma tabanlı olarak çıkarılması ve vektörizasyonu incelenmektedir. Vektör hale getirilen görüntüler üzerinde uzamsal analizler yapmak ve bu görüntüleri makineler arası efektif bir ¸sekilde transfer etmek mümkündür [96].

Uydu sensörlerinin uzamsal, spektral ve zamansal çözünürlüklerinin hızlı bir ¸sekilde artması ile birlikte uydu görüntülerinin büyüklü˘gü ve karma¸sıklı˘gı da üstel olarak artmı¸stır. Görüntülerin boyutunun çok büyük olmasından dolayı onları i¸slemek için ihtiyaç duyulan i¸slem-gücü ve bellek büyüklü˘gü gereksinimi de artmaktadır. Bu da, i¸slemlerin tek makinada (merkezi) gerçeklenebilmesini imkansız kılmaktadır. Son zamanlarda bu tür büyük verilerin da˘gıtık ve paralel olarak i¸slenmesine olanak tanıyan Hadoop, Spark [97], H2O2 gibi açık kaynak yazılımlar ve altyapılar ara¸stırmacılar tarafından sunulmu¸stur. Amacımız çok sayıda uydu görüntüsünün da˘gıtık olarak vektörle¸stirilmesini sa˘glayacak bir hesaplama mimarisinin gerçeklenmesidir. Mimarinin temeli E¸sle/˙Indirge paradigmasına dayanmaktadır. E¸sle/˙Indirge yönteminin yaygın kullanımına bakıldı˘gında genelde web tabanlı verilerin da˘gıtık olarak kaydedilmesi ve kaydedilen veriler üzerinde aramalar yapılabilmesini sa˘glamak amaçlıdır. Bundan dolayı dosya giri¸s-çıkı¸s formatlarının uydu görüntülerini i¸sleyecek ¸sekilde de˘gi¸stirilmesi gerekmektedir.

Virginia Üniversitesi, Hadoop mimarisini temel alarak büyük boyuttaki görüntü verilerininin da˘gıtık olarak i¸slenmesini sa˘glayan HIPI altyapısını gerçeklemi¸stir. [98]. Normal platformlarda büyük ölçekli görüntülerin i¸slenmesi oldukça zordur; ancak HIPI ile yapılan uygulamalar kullanıcıların büyük ölçekli görüntüleri kolayca i¸slemelerini sa˘glamaktadır. HIPI ile ilgili literatürde var olan çalı¸smalar ¸su ¸sekildedir: Wilder ve di˘g. [99] HIPI tüm görüntü formatlarını desteklemedi˘ginden TIFF veya GeoTIFF formatındaki görüntüleri i¸sleyebilmek için HIPI’ye eklenti geli¸stirmi¸slerdir. LandSat 7 uydu görüntüleri üzerinde temel bile¸sen analizini test etmi¸slerdir. Sunny ve di˘g. [100] çok büyük çözünürlükteki cerrahi ameliyat videolarındaki kullanılan cerrahi aletleri tanımlamak için Hadoop’u kullanan bir cerrahi video analizi sistemi önermi¸slerdir. Video çerçeveleri HIB formatına çevrildikten sonra SIFT, SURF ve Haralick doku tanımlayıcıları vasıtasıyla cerrahi aletler tanınmı¸stır. Akkoyunlu ve di˘g. [101] ise farklı iki veriseti üzerinden yüz bölgelerine ait biometrilerin saptaması ile ilgili performans incelemesi yapmı¸slardır.

Tez kapsamında, uydu görüntülerinin vektörle¸stirilmesi için girdi/çıktı ve kayıt okuma/yazma sınıfları gerçeklenmi¸stir. Landsat-8 uydu görüntüleri; gri görüntüye dönü¸stürme, ikili görüntüye dönü¸stürme, morfolojik i¸slemler, ikili görüntüdeki bo¸sluk-bölgelerin doldurulması, sınır piksellerinin takibine dayalı vektörle¸stirme i¸slemlerine tabi tutularak poligon-vektör modelleri olu¸sturulmu¸stur. Tüm i¸slemler E¸sle metodunda gerçekle¸stirilmi¸stir. Ayrıca indirge metodu kullanılmamı¸stır. Vektörle¸stirme için kullanılan algoritmanın sözde kodu Algoritma 4’te verilmi¸stir.

Algoritma 4: Vektörle¸stirme Algoritması

1 Function Eşle(key,value):

Input: key:NullWritable value: MatImageWritable Output: key: NullWritable value: MatImageWritable

2 girdi görüntüyü grayscale’e dönü¸stür (a)

3 a için otomatik e¸sik de˘geri hesapla. (thresh = graythresh(a)) 4 a’yı ikili görüntüye dönü¸stür. (a to bw)

5 bw üzerinde morfolojik kapama (closing) uygula 6 bw üzerinde morfolojik açma (openning) uygula 7 son görüntü üzerinde kontur sapta (vektor) 8 output(null, vektor)

¸

Sekil 5.1’de raster ve vektörle¸stirme i¸sleminden geçmi¸s uydu görüntüsü sunulmu¸stur. Tablo 5.1’de otuz çalı¸stırma sonucunda iki makine ve dört makineden olu¸san Hadoop kümeleri ile tek makine üzerinde sıralı Matlab koduna ait vektörle¸stirme yatay ölçeklenebilirlik istatistiksel sonuçları gösterilmi¸stir. Her makinede tek çekirdekli Intel

Core i7-950 3.0 GHz i¸slemci, 8GB DRAM bellek ve 1TB SATA2 7200RPM sabit disk vardır. Makinelere i¸sletim sistemi Ubuntu Linux 10.10 kurulmu¸stur.

(a) (b)

¸Sekil 5.1. Vektörle¸stirme örne˘gi a) Örnek bir raster LandSat-8 mozai˘gi b) Vektörize edilmi¸s LandSat-8 mozai˘gi

Tablo 5.1. Vektörizasyon ölçeklenebilirlik istatistiksel sonuçları (sn)

Yöntem Mozaik adet σ σ2 ort min max

Matlab versiyon 3 3,7 13,71 66,8 60,17 73,42 2 makinede E¸sle/˙Indirge 3 2,21 4,9 55,29 50,66 59,78 4 makinede E¸sle/˙Indirge 3 1,99 3,98 54,75 50,93 57,88 Matlab versiyon 20 3,23 10,48 583,61 580,62 588,04 2 makinede E¸sle/˙Indirge 20 3,15 9,98 314,99 309,46 322,42 4 makinede E¸sle/˙Indirge 20 2,88 8,33 260,95 254,26 264,97

Ayrıca ¸Sekil 5.2’de vektörizasyon yatay ölçeklenebilirlik sonuçları verilmi¸stir. Her bir görüntü yakla¸sık olarak 7000x7000 pikselden olu¸smaktadır. Her üç senaryoda da görüntü sayısının artı¸sıyla çalı¸sma sürelerinin artı¸sı gözlemlenmi¸stir. Da˘gıtık olmayan tek bir makina üzerindeki çalı¸sma süreleri da˘gıtık mimaridekinden daha fazladır. Da˘gıtık mimaride paralel çalı¸san makina sayısının artı¸sıyla çalı¸sma sürelerinin dü¸südü de gözlenmektedir.

3 20 0 100 200 300 400 500 600 Zaman (sn) Mozaik adedi Matlab versiyon

2 makine Hadoop kume 4 makine Hadoop kume

¸Sekil 5.2. Vektörizasyon yatay ölçeklenebilirlik analizi

Uydu görüntülerinin da˘gıtık i¸slenmesi alanında çalı¸smalar yapan ara¸stırmacılara örnek olması açısından uydu görüntülerinden geni¸sletilmi¸s HIPI mimarisi ile çe¸sitli lokal ve global özelliklerin çıkarılması çalı¸smaları da yapılmı¸stır [102]. Özellik çıkarımı; nesne algılama [73], hedef izleme [103], görüntü e¸sleme [104, 105], görüntü birle¸stirme/birle¸stirme ve benzeri farklı uygulama alanları için uzaktan algılamanın en önemli adımlarından biridir. Çıkarılan özellikler iki ana kategoriye ayrılabilir: genel görüntü özellikleri ve yerel görüntü özellikleri [106]. Genel görüntü özellikleri (renk histogramları, temel bile¸sen analizi ve di˘gerleri) bir görüntüyü bütün olarak tarif ederken, yerel özellikler görüntü yamalarını/parçalarını temsil eder. Genel görüntü özellikleri tek bir vektörle tüm bir nesneyi genelle¸stirme yetene˘gine sahiptir. Dolayısıyla genel görüntü özellikleri resimdeki nesne veya sahne için belirgin olan yerel bölgeleri e¸sle¸stirmeye yetmez.

Yerel görüntü özellikleri görüntüdeki birden çok noktada hesaplanır ve bu nedenle kapsama, kapatma ve aydınlatma de˘gi¸sikli˘gi için daha sa˘glamdır. Ayrıca; yerel görüntü özelliklerinin öteleme, döndürme, ölçekleme, affin dönü¸sümü ve gürültü varlı˘gı, bulanıklık vb. etkilere kar¸sı de˘gi¸smezlikleri (invariant) söz konusudur. Yerel görüntü özellikleri ayrıca iki sınıfa ayrılır: çizgi ve bölge/yuvarlak özellikleri ve nokta özellikleri. Nokta/kö¸se, kenar, bölge gibi özellikler ile SIFT, SURF, FAST, ORB gibi özellik tanımlayıcıların da˘gıtık bir mimaride çıkarılması sa˘glanmı¸stır. ˙I¸slem süreleri ve elde edilen özellik adetleri kar¸sıla¸stırılmı¸stır [107].