Yüksek Çözünürlüklü İnsansız Hava Aracı (İHA) Görüntülerinden Karayolların Tespiti

Abstract

Şehir planlaması, meteoroloji, ormancılık, madencilik, tarımsal jeoloji, peyzaj ve haritacılık gibi birçok alanda yüksek çözünürlüklü görüntülerde bulunan bilgilere çeşitli amaçlar için ihtiyaç duyulmaktadır. Yüksek çözünürlüğe sahip görüntülerde yoğun veriler bulunmaktadır ve bu yoğun verilerden istenen detayların otomatik veya yarı otomatik tespiti yapılacak çalışmaya hız, maliyet ve doğruluk açısından katkı sağlamaktadır. Gelişmiş detay çıkarma yöntemleri sayesinde otomatik detay tespiti daha hızlı ve kolay hale gelmiştir. Bu çalışmada İnsansız Hava Aracı (İHA) ile görünür bölgede (kırmızı-yeşil-mavi bant) elde edilen yüksek çözünürlüklü ham veriler değerlendirilip nesne tabanlı sınıflandırma yaklaşımı ile otomatik karayolu tespiti yapılmıştır. Nesne tabanlı sınıflandırma yöntemiyle; konumsal, spektral ve bağlamsal bilgi gibi farklı nesne özelliklerine göre sınıflandırılmanın mümkün olduğu gösterilmiştir. Çalışma sonucunda, karayoluna ait ortofoto görüntüsünden nesne tabanlı yaklaşım ile tespit edilen yol ağının yer gerçeği ile ne kadar uyumlu olduğunu belirlemek için iki farklı analiz yapılmıştır. Sınıflandırma kalitesini kontrol etmek için TTA maskesine dayalı hata matrisi yaklaşımı, halihazır harita ile uyumunu araştırmak için ise hata matrisi (Confusion-matrix) ile analiz yapılmıştır. Analiz sonucunda kapa istatistiği 0.7958, genel doğruluk ve üretici doğruluğu ise sırasıyla 0.7520, 0.8158 hesaplanmıştır.

Keywords

• İHA
• Yol Tespiti
• Karayolu Tespiti
• Detay Çıkartma
• Nesne Tabanlı Sınıflandırma

Detection of Highways from High-Resolution Unmanned Aerial Vehicle (UAV) Images

Abstract

Information contained in high-resolution images in many areas such as urban planning, meteorology, forestry, mining, agriculture, geology, landscaping, and land surveying is needed for various purposes. There are dense data in images with high resolution, and automatic or semi-automatic detection of the details requested from this dense data contributes to the work to be done in terms of speed, cost, and accuracy. Automatic detail detection has become faster and easier thanks to advanced detail extraction methods. In this study, high-resolution raw data obtained in the visible spectrum (red-green-blue band) with Unmanned Aerial Vehicle (UAV) were evaluated and automatic road detection was made with an object-based classification approach. With the object-oriented classification method, it has been shown that it is possible to classify according to different object properties such as spatial, spectral, and contextual information. As a result of the study, two different analyzes were made to determine the compatibility of the road network detected by the object-oriented approach from the orthophoto image of the highway with the ground reality. Error matrix based on TTA mask approach was used to check the classification quality, and analysis was performed with an error matrix (Confusion matrix) to investigate its compatibility with the existing map. As a result of the analysis, the kappa statistic was 0.7958, the general accuracy and the manufacturer's accuracy were calculated as 0.7520, 0.8158, respectively.

Keywords

• UAV
• Road Detection
• Highway Detection
• Detail Extraction
• Object-Based Classification

References

1. Çelik C. 2007. AB ulaştırma politikasına uyum sürecinde Türkiye’de kara ulaşımı trafik güvenliği. Doktora tezi, Bahçe şehir Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul, 175.
2. Ozan C. 2012. İyileştirilmiş pekiştirmeli öğrenme yöntemi ve dinamik yükleme ile kentiçi ulaşım ağlarının tasarımı, Doktora Tezi, Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü, 186.
3. Demirel A.Ş. 2010. Sayısal görüntü arşivi bilgi sistemi. Doktora tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, 96.
4. Kavzoglu T., Yildiz M. 2014. Parameter-based performance analysis of object-based image analysis using aerial and quikbird-2 images. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, II-7, 31-37.
5. Demir İ, 2012. Hadoop tabanlı büyük ölçekli görüntü işleme altyapısı. Yüksek Lisans Tezi, Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, 87.
6. Polat N., Kaya Y. 2021. Çok Bantlı Uydu Görüntüleriyle Orman Yangınlarının Belirlenmesi ve Hasar Tespiti. Bartın Orman Fakültesi Dergisi, 23(1).
7. Huang X., Zhang L. 2009. Road centreline extraction from high-resolution imagery based on multiscale structural features and support vector machines. International Journal of Remote Sensing, 30, 1977–1987.
8. Polat N., Kaya Y. 2021. Investigation of the Performance of Different Pixel-Based Classification Methods in Land Use/Land Cover (LULC) Determination. Türkiye İnsansız Hava Araçları Dergisi, 3(1), 1-6.

9. Bergsjö J. 2014. Object based change detection in urban area using KTH-SEG. Bachelor Thesis, Kth Royal Instıtute Of Technology, Stockholm.
10. Gamba P., Dell'Acqua F., Lisini G. 2006. Improving urban road extraction in high‐resolution images exploiting directional filtering, perceptual grouping, and simple topological concepts. IEEE Geoscience and Remote Sensing, 3, 387–391.
11. Binaghi E., Gallo I., Pepe M. 2003. A cognitive pyramid for contextual classification of remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 41, 2906–2922.
12. Long H., Zhao Z. 2005. Urban road extraction from high‐resolution optical satellite images. International Journal of Remote Sensing, 26, 4907–4921.
13. Zhu C., Shi W., Pesaresi M., Liu L., Chen X., King B. 2005. The recognition of road network from high‐resolution satellite remotely sensed data using image morphological characteristics. International Journal of Remote Sensing, 26, 5493–5508.
14. Polat, N., & Uysal, M. (2020). An investigation of tree extraction from UAV-based photogrammetric dense point cloud. Arabian Journal of Geosciences, 13(17), 1-8.
15. Bacher U., Mayer H. 2005. Automatic road extraction from multispectral high resolution satellite ımages. IAPRS, 36, Vienna, Austria, August 29-30, 2005.
16. Wang R. Hu Y., Zhang X. 2005. Extraction of road networks using pan-sharpened multispectral and panchromatic quickbird images. Geomatica, 59 (3), 1-28.
17. Tapan K.S., Bölme M., Eker O. 2015. Görüntülerden sınıflandırma yöntemlerini kullanarak detayların otomatik olarak belirlenmesi: renkli kızılötesi hava fotoğraflarından ormanlık alanlarda yolların belirlenmesi için bir sınıflandırma uygulaması, TUFUAB VIII. Teknik Sempozyumu, Konya.
18. Ural S., Shana J., Romeroa M.A., Tarkoa A. 2015. Road and roadside feature extraction using imagery and lidar data for transportation operation. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, II-3/W4, 239-246.
19. Becker C., H¨ani N., Rosinskaya E., d’Angelo E., Strecha C. 2017. Classification of aerial photogrammetric 3D point clouds. arXiv:1705.08374v1.
20. Sabuncu A., Sunar F. 2017. Ortofotolar ile nesne tabanlı görüntü sınıflandırma uygulaması: Van- erciş depremi örneği. Artvin Çoruh Üniversitesi Doğal Afetler Uygulama ve Araştırma Merkezi Doğal Afetler ve Çevre Dergisi, 1, 1-8.
21. Widyaningrum E., Lindenbergh R.C. 2019. Skeleton-based automatic road network extraction from an orthophoto colored point cloud. The 40th Asian onference on Remote Sensing (ACRS 2019), Daejeon, Korea.
22. Geng R., Jin S., Fu B., Wang B. 2021. Object-Based Wetland Classification Using Multi-Feature Combination of Ultra-High Spatial Resolution Multispectral Images. Canadian Journal of Remote Sensing, 1-27.
23. Zeybek M. 2021. Classification of UAV point clouds by random forest machine learning algorithm. Turkish Journal of Engineering, 5(2), 48-57
24. Marangoz A.M. 2009. Uydu görüntülerinden kentsel ayrıntıların nesne-tabanlı sınıflandırma yöntemiyle belirlenmesi ve CBS ortamında bütünleştirilmesi, Doktora tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 133.
25. Bilgilioğlu B.B. 2015. Uzaktan algılanmış görüntülerden faydalınalarak nesne tabanlı sınıflandırma yöntemi ile kent merkezlerindeki detayların çıkarımı ve yorumlanması. Yüksek Lisans Tezi, Aksaray Üniversitesi, Fen Bilimleri Enstitüsü, Aksaray, 79.
26. Kaya Y., Polat N. 2020. Investigation Of Phenological Stages of Wheat Plant Using Vegetation Index. Mersin Photogrammetry Journal, 2(1), 24-28.
27. Hoffman R., Jain A.K. 1987. Segmentation and classification of range images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 9, 608–620.
28. Kaya Y., Polat N. 2021. Bitki İndeksleri Kullanarak Buğday Bitkisinin Rekolte Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12(1), 99-110.
29. Baatz M., Schäpe A. 1999. Object-oriented and multiscale image analysis in semantic networks. In: Proc. Of the 2nd International Symposium on Operalization of Remote Sensing, August 16th-20th, Enschede. ITC.
30. Çömert R., Matcı D.K., Avdan U. 2017. Yıkılmış Binaların Nesne Tabanlı Sınıflandırma ile İnsansız Hava Aracı Verilerinden Tespit Edilmesi, 4. Uluslararası Deprem Mühendisliği ve Sismoloji Konferansı, Eskişehir.
31. Woebbecke D.M., Meyer G.E., Von B.K., Mortensen D.A. 1995. Color indices for weed identification under various soil, residue, and lighting conditions. Trans. ASAE 38, 259–269.
32. Sonnentag O., Hufkens K., Teshera-Sterne C., Young A.M., Friedl M., Braswell B. H., et al. 2012. Digital repeat photography for phenological research in forest ecosystems. Agricultural and Forest Meteorology, 152, 159–177.
33. Motohka T., Nasahara K.N., Oguma H., Tsuchida S. 2010. Applicability of green-red vegetation index for remote sensing of vegetation phenology. Remote Sensing, 2, 2369-2387.
34. Gitelson A.Y., Kaufman Y.J., Merzylak M. 1996. Use of a green channel in remote sensing of global vegetation from eos-modis. Remote Sensing of Environment, 58, 289-298.
35. Mao W., Wang Y., Wang Y. 2003. Real-time detection of between-row weeds using machine vision, In 2003 ASAE Annual Meeting (p. 1). American Society of Agricultural and Biological Engineers.
36. Lu D., Mausel P., Brondi´zio E., Moran E. 2004. Change detection techniques. INT. J. Remote Sensing, 25 (12), 2365–2407.
37. Yiğit A.Y., Uysal M. 2020. Automatic road detection from orthophoto images. Mersin Photogrammetry Journal, 2 (1), 10-17.
38. Çölkesen İ., Sesli F.A. 2007. Kıyı çizgisinde meydana gelen zamansal değişimlerin bilgi teknolojileri ile belirlenmesi: Trabzon örneği. TMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi, KTÜ, Trabzon.
39. Musaoğlu N. 1999. Elektro-optik ve aktif mikrodalga algılayıcılardan elde edilen uydu verilerinden orman alanlarında meşcere tiplerinin ve yetişme ortamı birimlerinin belirlenme olanakları, Doktora Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 127.
40. Muñoz N., Bosch F.X., De Sanjosé S., Herrero R., Castellsagué X., Shah K.V., Meijer C.J. 2003. Epidemiologic classification of human papillomavirus types associated with cervical cancer. New England journal of medicine, 348 (6), 518-527.
41. Belgiu M., Draagut L. 2016. Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 114: pp. 24–31.
42. Tian Y., Jia M., Wang Z., Mao D., Du B., Wang C. 2020. Monitoring invasion process of Spartina alterniflora by seasonal Sentinel-2 imagery and an object-based random forest classification. Remote Sensing, Vol. 12(No. 9): pp. 1383.
43. Pande-Chhetri R., Abd-Elrahman A., Liu T., Morton J., Wilhelm V.L. 2017. Object-based classification of wetland vegetation using very high-resolution unmanned air system imagery. European Journal of Remote Sensing, 50(1), 564-576.
44. Definiens. 2008. Definiens Developer 7.0. User Guide, Munich, Germany.
45. Definiens. 2012. Definiens Developer XD 2.0.4. Reference Book, Definiens AG München, Germany.
46. Tiwari A., Sharma S.K., Dixit A., Mishra V. 2020. UAV Remote Sensing for Campus Monitoring: A Comparative Evaluation of Nearest Neighbor and Rule-Based Classification. Journal of the Indian Society of Remote Sensing, 1-13.