Uyarlamal Bilateral Filtre Kullanlarak

Denetlemesiz Hiperspektral Goruntu Bolutlemesi

Unsupervised Hyperspectral Image Segmentation
Using Adaptive Bilateral Filtering

O. Ozdil, A. Gunes

Department of Information and Security Technologies

Havelsan A.S., Ankara, Turkey
(e-mail: oozdil,agunes@bgt.havelsan.com.tr)

Ozetce Bu bildiride, hiperspektral goruntulerin uyarlamal
bilateral filtre kullanlarak bolutlenmesi onerilmistir. Spektral
bantlarn bilgi icerme miktarlarna gore ayklanmas sonrasnda
piksellerin uzamsal iliskilerini guclendirmek icin bilateral filtre
uygulanmstr. Bulunan sonuclar basarl bolutleme yuzdesi ek- yontem gelistirilmistir. Bu yontemler bolutleme haritas [8], [9]
seninde degerlendirilmis ve yontemin k-means bolutlemesinde
performans arttrdg gosterilmistir.
Anahtar KelimelerHiperspektral goruntu isleme, bolutleme,
bilateral filter, k-means algoritmas.
AbstractThis paper proposes the use of adaptive bilateral
filter for the segmentation of hyperspectral images. First, the
spectral bands are selected according to the information con-
tained in each band. Then on each band, adaptive bilateral filter
is applied in order to increase the spatial correlation of each pixel.
The results are evaluated based on the successful segmentation
percentage. It is shown that the segmentation accuracy of k-means
clustering algorithm is increased.
KeywordsHyperspectral image processing, segmentation, bi-
lateral filter, k-means algorithm.
I. G IRIS
Hiperspektral goruntuleme tarm [1], arkeoloji [2], tp [3],
adli tp [4], uzaktan alglama [5] ve hedef tespiti [6] gibi alan-
larda uygulamalar gittikce yaygnlasan bir teknolojidir. Hiper-
spektral kameralar elektromanyetik spektrumu yuzlerce dar
banta bolerek, bu bantlara karslk gelen iki boyutlu katman-
larn ust uste getirilmesiyle olusturulur. Yuksek saydaki spek-
tral bant says sayesinde malzemelerin reflektans (yanstma)
karaketeristiklerini kullanarak tanmlamak ve snflandrmak
mumkundur [7].
Hiperspektral goruntulerdeki her bir piksel reflektans spek-
trumu sunar. Boylece iki boyutu uzamsal, bir boyutu da
spektral olmak uzere uc boyutlu bir verikupu olusur. Yuksek
miktardaki spektral veri ile yuksek uzamsal boyut says
birlestiginde tum veriyi islemek buyuk bir problem haline
gelir. Bu problemin ustesinden gelebilmek icin bolutleme veya
snflandrma yontemleri kullanlr.
c
978-1-4799-4874-1/14/$31.00
2015 IEEE onemli olcude arttrmaktadr. Bundan dolay bantlarn farkl
Goruntu bolutleme goruntunun benzer ozelliklere sahip
piksel kumelerine ayrstrlmasdr. Boylece goruntu daha ko-
lay islenebilir. Hiperspektral goruntulere uygulanan bir cok
denetlemeli (supervised) ve yar-denetlemeli (semi-supervised)
veya malzemelerin imzas [10] gibi a priori bilgilere sahip
olundugu varsaymyla calsmaktadrlar. Ancak ack alanda
cekilen ortamlardaki imzalarla kontrollu olarak toplanan
imzalar arasnda uyusmazlk vardr [11]. Ayrca, gercek prob-
lemlerde bolutleme haritas bilinmeyen ve aranan bir parame-
tredir. Yani bu varsaymlar gercekte karslaslan problem-
lerde gecerli degildir. Bu nedenlerle denetlemesiz bolutleme
uzerinde calslmstr. Literaturde, uyarlamal faz korelasyonu
[12], simpleks (simplex) buyutme algoritmas (SGA) destekli
k-means algoritmas [13], histogram ile esik degeri tabanl [14]
ve bagmsz bilesen analizi (ICA) [15] ile denetsiz bolutleme
uygulamlar bulunmaktadr.
Piksel buyutme (piksel growing) yontemleri denetleme-
siz bolutlemede kullanlan yontemlerden birisidir [12]. An-
cak ayn bolute ait pikseller uzamsal olarak komsu olmayan
birden fazla bolgedeyseler bu yaklasm yetersiz kalr. Bun-
dan dolay bolutlemenin spektral olarak yaplmas gerekir.
Bu islemden once verikupunu uzamsal olarak filtreleyerek
pikseller arasndaki uzamsal iliskiyi arttrmak bolutlemenin
basarmn arttrabilir. Bilateral filtre (BF) bolutlerin ke-
narlarn korudugundan dolay bu islemde kullanlabilecek
bir filtre olarak one ckmaktadr. BF tanmlanan bir pencere
bolgesindeki piksellerin degerlerini kenar bilgisini de goz
onunde bulundurarak yumusatr. Boylece farkl bolutlerin
degerlerinin biribirine karsmas engellenmis olur [16]. BFnin
filtrelemekte zorlandg noktasal anomalileri de yok edebilen
BFnin uyarlamal hale getirilmis daha guclu bir versiyonu da
optik retina koherens tomografisine (OCT) uygulanmstr [17].
Bu calsmada, birisi sentetik birisi gercek veri seti olmak uzere,
iki farkl ornek goruntu uzerinde, ABF filtresinin k-means al-
goritmasnn bolutleme performansn arttrdg gosterilmistir.
II. H IPERSPEKTRAL B OL UTLEME
A. Bant Ayklama
Spektral bantlarn tumununun kullanlmas hesap yukunu
ozelliklerinden faydalanlarak bantlarn ayklanarak saylarnn
azaltlmas hiperspektral goruntu isleme alannda cok kul-
lanlan on isleme yontemlerinden birisidir. Literaturde bir cok
bant ayklama (BA) algoritmas onerilmistir [16], [18], [19].
Bu calsmada, bantlardaki gereksiz fazla bilgiyi yok etmek
icin bilesik entropiye dayal bir yontem secilmistir [19]. Bu
yontemde bantlar ayklanrken her bir spektral bant secilmis
olan bantlarla karslastrlr. Eger secilen bant secilmis olan
bantlardan herhangi birisinden daha fazla entropi artsna ne-
den oluyorsa daha az bilgi cesitliligi yaratan bant yerine yeni
bant secilir. Bu sekilde bantlar arasndan Nbands adet bant
secilir. Bu yaklasmn ayrntlar [16], [18]da bulunabilir.
B. Uyarlamal Bilateral Filtre (ABF)
Bolutlerdeki piksellerin spektrumlar benzer ozellikler
gostermekle birlikte, gurultu veya anomalilerden dolay ayn
bolut icinde olmas gereken, uzamsal olarak da yakn olan
pikseller, farkl bolutlerde gosterilebilir. Bu hatay azaltmak
icin uzamsal yumusatma amacl filtreler uygulanabilir. An-
cak bu filtreler genellikle alcak geciren filtreler olduklarndan
dolay kenar ozellikleri tasyan bolgelere duyarl olmaya-
bilirler. Bu durum ise bolutlerin kenarlarnda hata oran-
larnn yukselmesine yol acar. Kenarlar koruyan, geri kalan
bolgeleriyse yumusatan filtreler bu etkiyi gostermeyecektir. BF
ve onun turevi olarak onerilen ABF, kenarlar koruyan bir
filtrelerdir [16]. BFnin genel denklemi
denklemine gore hesaplanr. ABFnin ayrntlar [17]da bulu-
nabilir.
Denklemlerden de gorulebilecegu uzere p ve q degiskenleri
spektrum vektorleri olarak alnp ABF tum goruntuye bir kere
uygulanabilecegi gibi her bir spektral katman ayr ayr ele
alnp filtrelenebilir. Bantlar ayklandgndan dolay bantlardaki
bilginin kaybolmamas icin her banda ayr ayr uygulamann
daha iyi sonuc verecegi degerlendirilmistir.
C. k-means Bolutlemesi
k-means algoritmas bolutleme icin yaygn olarak kullanlr
[20]. Bu calsmada, son adm olarak k-means algoritmas
Oklid mesafesinin karesi (SEM) metrigiyle kullanlmstr. SEM
asagdaki gibi hesaplanr:
T
SEM (x1 , x2 ) = (x1 x2 ) (x1 x2 ) (7)
III. D ENEYSEL S ONUCLAR
Onerilen yaklasmn degerlendirilmesi icin iki farkl prob-
lem ele alnmstr. Bunlardan birincisi sentetik veri seti
digeri ise Salinas veri setidir. Simulasyonda malzemelerin
hiperspektral imzalar genel olarak kabul goren dogrusal
karsm modeline gore karstrlarak asagdaki denkleme gore
olusturulmuslardr [7].

1 X
BF [Ip ] = w(p, q) GS (kp qk) Gr (|Ip Iq |) Iq
wp (q)
qS
(1)
seklindedir. Buradaki GS uzamsal yaknlk fonksiyonu, Gr
de benzerlik fonksiyonudur. Bu iki fonksiyon standard sap-
malar S ve r olan Gaus fonksiyonlar olarak secilmistir.
Ip , S komsulugundan yararlanlarak hesaplanan pikselin
yeni degeridir. wp (q) normalizasyon icin kullanlr. w(p, q)
agrlklar BF icin 1dir. ABFde ise her bir piksel icin q
komsuluguna bagl olarak degisir. S yerel entropi ile
X = SA + N (8)
Buradaki S goruntuyu olusturmak icin kullanlan imzalarn
matrisi, A imzalarn karsm oranlarn gosteren bolluk matrisi
ve X verikupunden alnan pikseller ve spektrumlardr. N de
beyaz Gaus gurultusudur. Sentetik goruntude Sinyal-Gurultu-
Oran 30dB olarak alnmstr. Goruntu olusturulurken USGS
kutuphanesinden rastgele 5 reflektans imzas secilip (9)daki
bolluk matrisine gore karstrlr. Buradan elde edilen 7 bolut
uzamsal olarak daglm Sekil.1de goruldugu gibidir.

X 10
H[Ip ] = P r(q) log2 P r(q) (2)
qS 20

I[I] 30
wH = (3)
max(H[I]) 40
S = Smax Smin wH + Smin
!

(4) 50

60
seklinde hesaplanr. Buradaki P r() histogram saysdr, wH
agrlk matrisidir, da bir siyah degeri temsil eder. 70

Benzerlik fonksiyonunun r parametresi de 80

90

r = (max(I) min(I)) (5) 100

20 40 60 80 100 120 140

seklinde piksel siddetlerinden yararlanlarak hesaplanabilir.

Sonucta goruntu Sekil 1: Sentetik problemin bolut dogruluk haritas.

(9) esitligindeki bolluk matrisindeki U [0, a], 0 ve a arasnda

Ib = (1 wH )BF I, Smin , r +wH BF [I, Smax , r ] (6) duzgun (uniform) olaslk daglmn gosterir. r(i) ise her
 
 r(1)

0.1 + U (0, 0.2) 0 0.2 + U (0, 0.2) 0

0 0.3 + U (0, 0.2) 0.1 + U (0, 0.1) r(2) 0

0.6 + U (0, 0.1)
0.1 + U (0, 0.1) 0 r(3) 0

A=
0 0 r(4) 0 0.6 + U (0, 0.1)
(9)
0.2 + U (0, 0.2)
0.2 + U (0, 0.1) 0 r(5) 0

0.4 + U (0, 0.2) 0.1 + U (0, 0.1) 0 r(6) 0
0 0.3 + U (0, 0.2) r(7) 0.3 + U (0, 0.1) 0

satrdaki, diger sutunlardaki bolluk miktarlar belirlendikten

sonra kalan miktarlarn 1e tamamlanmas icin gereken kalnt
miktarlardr ve asagdaki gibi hesaplanr:

5
X
r(i) = 1 Aij (10)
i=1,i6=col(r i )

Buradaki col r(i) operatoru i. satrdaki kalntnn sutun nu-

!

marasn belirtir. Veritabanndaki imzalarn spektral band says
204tur. Bunlardan secilen band says Nbands = 16dr.
Simulasyonlardan birisinde rastgele secilmis olan 5 imza
Sekil.2de gosterilmistir.

Sekil 3: Salinas veri setinin bolut dogruluk haritas.

2.5

50
1.5
100

150
1

200

0.5 250

300
0
0 50 100 150 200 250 350

400

Sekil 2: Bir kosum icin veritabanndan rastgele secilen imzalar. 450

500
Salinas veri seti, hiperspektral goruntu isleme alannda 20 40 60 80 100 120 140 160 180 200
skca kullanlan bir verikubudur. Bu calsmada atmosferik
etkilerden arndrlms hali kullanlmstr. Salinasn bolut
dogruluk haritas Sekil.3de gosterilmistir. Salinas verikubunun Sekil 4: Bantlarn ortalamas alnarak cizilmis olan Salinas
bantlarnn ortalamas alnarak gri seviyeli olarak gosterimi de goruntusu.
Sekil.4de gorulmektedir.
Salinas verikubunde 204 spektral band bulunmaktadr.
Bunlar arasndan da Nbands = 16 adet band secilmistir. Sentetik goruntudeki basarm, Salinastakinden daha
yuksektir. Bunun nedeninin sentetik veride her piksel icin
Algoritmalarn degerlendirilmesi icin Bolutleme Has- bolluk oranlar degisse de malzemelerin ayn kalmas oldugu
sasiyeti (BH) performans metrigi olarak belirlenmistir. BH tahmin edilmektedir. Diger taraftan Sekil.4 Sekil.5te de
dogru etiketlenen piksellerin saysnn tum piksellerdeki goruldugu uzere Salinas verisinde genis alanlarda homojenlik
yuzdesi olarak tanmlanmstr. ABF uygulanmasnn her iki bozuldugundan dolay bolutleme hatal ckmstr. Buna ragmen
problemde de ortalama olarak basarm arttrdg Tablo Ide ABF homojenlige katkda bulunarak her iki problemde de
gorunmektedir. sonuclar iyilestirebilmistir.
 Sentetik Goruntu Salinas [8] B. Ayerdi, I. Marques, and M. Grana, Spatially regularized semisuper-
k-means 84.11 59.51 vised ensembles of extreme learning machines for hyperspectral image
k-means + BS 87.45 56.66 segmentation, Neurocomputing, vol. 149, pp. 373 386, 2015.
k-means + BS + ABF 98.99 66.58 [9] J. Li, J. M. Bioucas-Dias, and A. Plaza, Hyperspectral image seg-
mentation using a new bayesian approach with active learning, IEEE
Transactions on Geoscience and Remote Sensing, vol. 49, no. 10, pp.
Tablo I: Farkl algoritmalar ve problemler icin 20 kosum 3947 3960, October 2011.
sonunda elde edilen ortalama performans sonuclar. [10] M.-D. Iordache, J. M. Bioucas-Dias, and A. Plaza, Total variation
spatial regularization for sparse hyperspectral unmixing, IEEE Trans-
actions on Geoscience and Remote Sensing, vol. 50, no. 11, pp. 4484
4502, 2012.
[11] B. Somers, M. Zortea, A. Plaza, and G. P. Asner, Automated extraction
50 of image-based endmember bundles for improved spectral unmixing,
IEEE Journal of Selec, vol. 5, no. 2, pp. 396 408, April 2012.
100
[12] A. Erturk and S. Erturk, Unsupervised segmentation of hyperspectral
150
images using modified phase correlation, IEEE Geoscience and Remote
Sensing Letters, vol. 3, no. 4, pp. 527 531, October 2006.
200 [13] X. Xu, X. Tong, L. Zhang, H. Jiao, and H. Xie, Unsupervised
classification strategy utilizing an endmember extraction technique for
250 airborne hyperspectral remotely sensed imagery, Journal of Applied
Remote Sensing, vol. 8, pp. 1 14, October 2014.
300
[14] J. Silverman, C. E. Caefer, J. M. Mooney, M. M. Weeks, and P. Yip,
350 An automated clustering/segmentation of hyperspectral images based
on histogram thresholding, Proceedings of SPIE, vol. 4480, pp. 65
400 75, 2002.
[15] C. A. Shah, M. K. Arora, and P. K. Varshney, Unsupervised classifi-
450
cation of hyperspectral data: An ICA mixture model based approach,
International Journal of Remote Sensing, vol. 20, pp. 481 487, 2004.
500
20 40 60 80 100 120 140 160 180 200
[16] S. Chaudri and K. Kotwal, Hyperspectral Image Fusion. Springer New
York, 2013.
[17] N. Anantrasirichai, L. Nicholson, J. E. Morgan, I. Erchova, K. Mortlock,
R. V. North, J. Albon, and A. Achim, Adaptive-weighted bilateral
Sekil 5: Salinas bolutlenmesinin sonucu ve renk kodlarna gore filtering and other pre-processing techniques for optical coherence
etiketlerin daglm. tomography, Computerized Medical Imaging and Graphics, vol. 38,
pp. 526 539, 2014.
[18] Q. Du and H. Yang, Similarity-based unsupervised band selection for
hyperspectral image analysis, IEEE Geoscience, vol. 5, no. 4, pp. 564
IV. S ONUCLAR 568, 2008.
Sekil.5te de goruldugu gibi, bolutler homojen bolgelerden [19] B. Guo, S. R. Gunn, R. I. Damper, and J. D. B. Nelson, Band selection
for hyperspectral image classification using mutual information, IEEE
olusmasna ragmen, farkl etiketlerin karstg bir cok Geoscience and Remo, vol. 3, no. 4, pp. 522 526, 2006.
bolge bulunmaktadr. Bu karsm bolgelerinin homojen [20] E. Alpaydin, Introduction to Machine Learning, 2nd ed. MIT Press,
olarak etiketlenmesi icin uzamsal olarak ABFden daha 2010.
guclu bir filtreleme yonteminin kullanlmas dusunulmektedir.
Bunun sonucunda, bu hatalarn da ortadan kaldralabilecegi
degerlendirilmektedir. Bu kapsamda calsmalara devam edil-
erek bolutleme basarmnn arttrlmas hedeflenmektedir.

K AYNAKCA
[1] P. S. Thenkabail, J. G. Lyon, and A. Huete, Hyperspectral remote
sensing of vegetation. CRC Press, 2011.
[2] H. Liang, Advances in multispectral and hyperspectral imaging for
archaeology and art conservation, Applied Physics A, vol. 106, no. 2,
pp. 309 323, 2012.
[3] G. Lu and B. Fei, Medical hyperspectral imaging: A review, Journal
of Biomedical Optics, vol. 19, no. 1, pp. 1 23, 2014.
[4] L. L. Randeberg, I. Baarstad, T. Loke, P. Kaspersen, and L. O.
Svaasand, Hyperspectral imaging of bruised skin, Proceedings of
SPIE: Photonic Therapeutics and Diagnostics II, vol. 6078, 2006.
[5] Z. Lee, K. L. Carder, C. D. Mobley, R. G. Steward, and J. S. Patch,
Hyperspectral remote sensing for shallow waters: 2. deriving bottom
depths and water properties by optimization, Applied Optics, vol. 38,
no. 18, pp. 3831 3843, 1999.
[6] D. Manolakis, D. Marden, and G. A. Shaw, Hyperspectral image pro-
cessing for automatic target detection applications, Lincoln Laboratory
Journal, vol. 14, no. 1, pp. 79 116, 2003.
[7] C.-I. Chang, Hyperspectral Data Processing. Wiley, NJ, 2013.