Geometrik olmayan nesnelerin gri değerler yardımıyla otomatik olarak belirlenmesi

Abstract

Bu çalışmanın amacı digital görüntülerde geometrik olmayan nesnelerin otomatik olarak ölçülmesi olmuştur. Bu amaçla digital görüntülerin yapılan incelenmiştir. Özellikle digital görüntülerin yapıtaşları olan pikseller arasındaki komşuluklar üzerinde çalışılan önemli konulardan birisi olmuştur. Digital görüntülerde pikseller arasında farklı komşuluk ilişkileri bulunmaktadır. Bunlar: - 4'lü Komşuluk - 8'li Komşuluk - 6'h Komşuluk'tur. Piksellerin biribirlerine göre kartezyen konumda yer aldıkları ilk iki komşuluk şekli düzgün yapıda komşuluk olarak adlandırılmaktadır. Bunun yamnda üçüncü komşuluğa sahip pikseller ise hekzagonal yapıda bir komşuluk ilişkisindedirler. Digital fotogrametride kullanılan görüntülerde pikseller 8'li komşuluk ilişkisine sahiptirler. Digital görüntülerin diğer önemli bir özelliği de renk'tir. Bu özellik farklı şekilde karşımıza çıkmaktadır. Bu formlardan en önemlileri gri tonlu görüntü ve RGB olarak adlandırılan kırmızı (Red), yeşil (Green), mavi (Blue) tonlu görüntülerdir. Gri renk tonlu bir görüntüdeki pikseller 0 ile 255 arasında bir tamsayı olan gri tonu bilgisini taşımaktadırlar. Burada 0 siyah, 255 ise beyaz rengi temsil etmektedir. RGB tonlu görüntülerde ise bu özellik her renk kanalı için orteye çıkmaktadır. Bunun anlamı ise RGB tonlu bir görüntüyü oluşturan piksellerin her kanal için toplam üç ayrı renk bilgisini taşımasıdır. Bu sebeple RGB tonlu görüntüler bilgisayar ortamında gri renk tonlu görüntülere oranla daha büyük yer kaplarlar. Bu çalışmanın uygulama safhasında digital fotogrametrinin birçok uygulamasında olduğu gibi gri renk tonlu görüntüler üzerinde çalışılmıştır. Amaç, digital görüntü içeriğindeki detayların sınırlarının belirlenmesidir. Bunun için Visual Basic 5.0 programlama dilinde bir bilgisayar programı yazılmıştır. Bu işlem esnasında en önemli adım, hedeflenen amacı gerçekleştirebilecek algoritmanın saptanması olmuştur. Birçok algoritma üzerinde çalışılmış ancak bunlardan üç tanesi seçilmiş ve kodlanarak denenmiştir. Bu algoritmalardan aşağıda bahsedilmiştir: - Sekizli Komşuluk Algoritması: Bu algoritmada durulan piksele komşu olan sekiz pikselin tamamı aynı döngü içine alınmıştır. Durulan piksele KD yönündeki piksel 1 Vİİİ olarak numaralandırılmış ve diğerleri 2'den 8'e kadar saat yönünde numaralandırılmıştır. Şekil 1.: Sekizli Komşuluk Algoritmasında Komşuluklann Numaralandınlması İlgili detayın sınırlarının belirlenmesi amacıyla digital görüntüye ait matris içerisinden 1 numaralı komşuluğun grilik değeri alınmaktadır. Eğer alınan grilik değeri kullanıcı tarafından belirlenen sınırlar içerisinde kalıyor ise bu piksel işaretlenir. Bunun aksi durumda aynı işlem 2 numaralı komşuluk için tekrarlanır. Bu işleme hedef piksel işaretlenene kadar devam edilir. Herhangi bir piksel işaretlenir ise, bu piksel bir sonraki arama işleminde durulan piksel olarak belirlenir. Bir sonraki arama işleminde de grilik değeri ilk olarak 1 numaralı komşuluğa sorulur. Kullanışlı bir algoritma olarak görünmesine rağmen, detayı belirleyen sınırın yön değiştirmesi esnasında önemli problemlerle karşılaşılmaktadır. Bu durumlarda ölü alanlarla karşılaşılmaktadır. - İkili Dörtlü Komşuluk Algoritması: Bu algoritmada iki farklı döngü ile çalışılmıştır. Şekil 2. 'de görüldüğü gibi sekiz komşuluk iki döngüye bölünmüştür. Şekil 2.: İkili Dörtlü Komşuluk Algoritmasında Komşuluklann Numaralandınlması Şekil 2. 'de pikselleri ifade eden numaralarda ilk rakam döngü numasrasını, ikinci rakam ise komşuluk numarasını ifade eder. Şu ana kadar anlatılan iki algoritma arasındaki temel farklılık, ikinci algoritmadaki aramanın bir önceki aramanın sonuçlandığı döngü içerisindeki 1 numaralı komşuluk ile başlıyor olmasıdır. İlk algoritmadaki ölü alan problemi, ikinci algoritmada kısmen çözülmüştür, ancak otomatik olarak belirlenecek olan nesnenin geometrisine bağlı olarak devam etmektedir. IX - Dörtlü Üçlü Komşuluk Algoritması: Bu algoritmada K, G, D, B yönlerinde birer tane ortak yön içeren dört farklı döngü ile üzerinde çalışılmıştır. İlk iki algoritmada karşılaşılan ölü alan probleminin giderilmesi için ardışık döngüler içerisinde ana yönlerde ortak komşuluklar olmasına karar verilmiştir. Bu algoritmada kullanılan komşuluklar ve numaralandınması Şekil 3. 'de gösterilmiştir. 4.2 4.1 3.3 3.2 3.1 2.3 2.2 Şekil 3.: Dörtlü Üçlü Komşuluk Algoritmasında Komşulukların Numaralandınlması Arama işlemi temel mantığında ikinci algoritma ile çok yakındır. Aralarındaki farklılık ise herhangi bir döngünün 1 numaralı komşuluğunda hedef piksel bulunduğu takdirde, bu pikselin bir önceki döngünün 3 numaralı komşuluğu ile işaretleniyor olmasıdır. Bu şekilde arama işlemi her yöne dönebilmekte ve istenen her nesne amaca uygun olarak belirlenebilmektedir. Bu çalışma esnasında önemli adımlarda bir de, arama sonucunda bilgisayar belleğine kaydedilen data dosyasının boyutunun küçültülmesi olmuştur. Bu amaçla belirlenen hat üzerinde her noktada eğim hesaplanmış ve eğimin değiştiği kırılma noktalan belirlenerek diğer noktalar ayıklanmıştır. Bu şekilde data dosyası yaklaşık olarak 1 Mbyte boyutundan 30-40 Kbyte mertebelerine kadar küçültülmüştür. Yukarıda anlatılan adımlar, bu çalışmanın önemli safhalarım oluşturmaktadır. Ancak önemli olan bazı noktalar daha bulunmaktadır. Bu işlemleri doğru bir şekilde gerçekleştirmek için digital görüntülerin elde edilmelerine ve yapılarına bağlı olarak bazı özelliklere sahip olmaları gerekmektedir. Fotogrametrik modelin oluşturulacağı görüntüler yaklaşık aynı açıdan çekilmelidir. Bu işlemleri etkileyen diğer bir parametre ise digital görüntü üzerinde noise olarak tanımlanan düzensiz hatalardır. Görüntü histogramlannı kullanarak bu hata elemine edilebilir. Eğer digital bir görüntüye ait histogram normal dağılıma uymakta ise, görüntü kalitesi daha iyi olmaktadır. Görüntü kalitesinin dışında görüntü içeriği de önemli bir noktadır. İçeriğe bağlı olarak hat izleme esnasında birtakım istenmeyen sonuçlarla karşılaşılabilir. Cj j jrf- Z ?"» If Li ?Si - ">1 ? 'f ' """ - - >hMhl ^EE J*.ÇT- 1 ^r^.«#TT- ass*** - ^ ".» ?# j*.**' ?- ?* * j »j Şekil 4.: Görüntü İçeriğine Bağlı Olarak Karşılaşılan Hatalı Hat İzleme Şekil 4. 'de gösterildiği gibi, yol çevresindeki düzensiz yapıdaki ağaçlar sebebiyle hatalı hat izleme ile karşılaşılabilmektedir. Bu gibi hatalardan kullanıcı müdahalesi ile veya ileri programlama tekniklerinde kullanılan yapay sinir ağlarının programa dahil edilmesi ile korunulabilir.

The aim of this study is to measure the non-geometric items automatically in digital images. In order to achieve this aim, structure of digital images is studied. Especially neighbourhood features between pixels, which are one of the structural elements of a digital image, was the most important object that is worked on. Digital images have some kinds of neighbourhoods. These are: - 4-neighbourhood - 8-neighbourhood - 6-neighbourhood The first two neighbourhoods are known as ordered neighbourhood, in which the pixels have the location in a Cartesian form to each other. But pixels having the third neighbourhood are located in a Hexagonal form. Normally, digital images used in digital photogrammetry are in the 8-neighbourhood form. Another property of a digital image is the colour. This property comes out in several forms. Two and the most important forms are greyscale form and RGB form, which refers to Red, Green and Blue form. A pixel in an image has the grey value between 0 and 255 when it is in greyscale form, where 0 is black and 255 is white. In RGB form, this value comes out for every three colours channels. That means a pixel in a RGB image has three different colour values. This is the reason for a big size of RGB images in digital form. In this application, as in the most applications of photogrammetry, digital images having greyscale form are studied. Our aim is to match the lines, which belongs to the details in digital images. For this purpose a computer programme is coded using Visual Basic 5.0. The most important point in this programme was to develop the algorithm. Several algorithms are worked on. But only three of these algorithms are coded in order to realise the purpose. These algorithms are discussed below: - Eight-Neighbourhood Algorithm: In this algorithm, all the eight pixels are directly in the same circle around the pixel to be examined. The pixel located in NE position to the standing pixel is numerated as 1 and to others from 2 to 8 in clockwise direction. xu Fig.l.: Numbers of pixel neighbourhoods in eight neighbourhood algorithm Aiming matching the borderline of the detail, grey value of the 1st neighbourhood has taken from the array, which belongs to the image. If the difference of grey values between standing pixel and the 1st neighbour is in the difference border given by the user, this pixel is matched. In the other case the same process is done with the pixel located in the 2nd neighbourhood. This process is used until the target pixel is matched. If any pixel is matched, this pixel is the standing point for the second search. In the case of matching any pixel, search continuies begin with the 1st neighbourhood. In spite of seeming as a useful algorithm, it has some difficulties when the borderline of the detail changes the rotation. Some dead areas are coming out. Two Times Four-Neighbour Algorithm: In this algorithm, two different circles are worked on. All of the eight-neighbourhoods are divided into two circles as shown in ?%2. Fig.2: Numbers of pixel neighbourhoods in two times four-neighbourhood algorithm In Fig.2. the first numbers are referring to the circle number, where the seconds are referring to the neighbourhoods. The difference between these two algorithms is that, in the second algorithm the search process begins with the 1st neighbourhood of the circle, which is used by the previous search. The problem in the above first algorithm has solved in this way. But in some cases depending on the geometry of the detail, some dead areas cames also out. Four Times Three Neighbourhood Algorithm: In this algorithm, four circles are studied, which have the same rotation in N, E, W and S. Regarding the problems in the first two algorithms, it has been exposed that every circle must have the same neighbourhood in the basic rotations. The neighbourhoods are shown in Fig.3. X1U 3.1 2.3 Fig. 3: Numbers of pixel neighbourhoods in four times three-neighbourhood algorithm The main process is very similar to the second algorithm: The difference is that the pixel is matched with the 3rd neighbourhood of the previous circles, if it is founded using a 1st neighbourhood of the present circle. In that way, the search process can be changed in any rotation and every borderline can be matched. Another process is that the data size after this algorithm is so large that it slows down the computer process speed. In order to avoide this problem, only break points of the borderline are selected. For this purpose, gradient of this borderline is determined in every point and the points, by which this numerical value has changed, are taken to the data. In that way, the size of the data is minimised approx. from 1 Mbytes to 30- 40 Kbytes. These are the main points of the study. But there are some important points. In order to make these processes; images must have some features depending on the acquisition geometry and their structural properties. Images, from which the photogrammetric model is generated, must be captured approximately in the same angle relative to the object, which will be evaluated. Another parameter, which effects this process, is noise on the image. Noise is described as random error in the image depending on the grey values of pixels. Using histograms we can avoide this problems also aside. If the histogram fits to the normal distribution, the image quality is improved. Except the image quality, content of the image is another important point. Related with content, there can be some false feature matching. XIV MütalGelikörah/.:^"-^*^:'^ Cü. MtfW«f. JIKTı üUüw. jocı*ai££«: y^tmte&j&sj^hfLgasm An ? »lariatftafaMfc*-* e 'iib. j^ u«. ta f ''r*"t »...*-- ^'t,^ - J "Ü _!?! F%4ıJEalseJEeature Matching Related With Image-Content As shown in Fig.4., the trees are unordinary objects on the road, this fact causes that the matching line to follow the other border of the road. These kind of errors can be corrected by the user or other logical algorithms which should be developed in the advanced part of this study.