Sabit görüntülerde görüntü işleme teknikleri ile orman yangını tespiti

Abstract

Son istatistiklere göre [1] her yıl ortalama Dünya'da 5 milyon, Avrupa'da 550 bin, Türkiye'de ise 10 bin hektar alan, orman yangınlarında zarar görmektedir. Orman yangınları ile mücadelede erken uyarı, hızlı ve etkin müdahale çok önemlidir. Bizim çözümümüz orman yangınlarının insansız hava araçları ile tespit ve takip edilmesidir. Birçok insanız hava aracı (İHA) orman alanı üzerinde uçacak ve bir yangın olduğunda otomatik olarak tespit edip merkeze haber verecektir. İHA'lar üzerinde kamera ve bilgisayar sistemi bulunacaktır. Bu tezde hareketli platformlar üzerine kurulacak kameralı sistemler için geliştirilen orman yangınlarını bilgisayarlı görü teknikleri ile tespit yöntemi anlatılmaktadır. Burada en büyük problem kameranın hareketli, işlem gücünün az olmasıdır. Sunulan çalışmada amaç; orman yangınlarını en iyi modelleyen renk uzaylarının, özniteliklerin ve sınıflandırıcıların seçilmesidir. Yapılan işler sırası ile; veritabanındaki görüntülerde yangın ve duman bölgelerinin el ile işaretlenmesi, her bir görüntünün 7 farklı renk uzayına dönüştürülmesi ve renk kanallarının histogramlarının oluşturulması, histogramların normalize edilmesi ve benzer değerlerin gruplanarak taramalı tabloların ( look-up table ) oluşturulmasından oluşur. Taramalı tablodaki bilgiler her bir renk kanalı için değer aralığı ve yangın olma olasılığından oluşur. Görüntünün ( x, y ) noktasındaki pikselin yangın ve duman olma olasılığı her bir kanalının yangın/duman olma olasılığının çarpılması ile hesaplanır. Yangın ve duman bölgeleri işaretlendikten sonra, her bir görüntünün her bir renk kanalı ve yangın ve duman için 5 tane öznitelik çıkartılır. Bu 5 öznitelik; ortalama olasılık değeri, ortalama kenar pürüzlülüğü, toplam piksel sayısı, toplam alan sayısı ve ortalama varyansıdır. Her bir görüntü 70 boyutlu öznitelik vektörü ile temsil edilir. Çok boyutluluğun sistemin başarımını düşürmesinden dolayı çeşitli öznitelik seçme yöntemleri uygulanmıştır. Bunlar Temel Bileşenler Analizi, K-ortalama ve bağlı entropidir. En iyi öznitelikler seçildikten sonra sınıflandırma işlemi uygulanmıştır. Sunulan çalışmada çeşitli sınıflandırıcıların başarımları değerlendirilmiştir. Bu sınıflandırıcılar Destek Vektör Makineleri, K En Yakın Komşu, Yapay Sinir Ağları ve Algılayıcıdır. Sistemin başarımı 3 test ile ölçülmüştür. Bunlar en iyi renk uzayının bulunması, en iyi öznitelik setinin bulunması ve en iyi sınıflandırıcının bulunmasıdır.

According to recent statistics [1], about 5 million hectares of land in the world and about 550 thousand hectares of land in Europe have been damaged every year by forest fire. Both efficient and effective detection methods for forest fire are therefore necessary for several aspects. Our solution for detecting and tracing forest fire is through unmanned air vehicles (UAV). Generally, UAVs fly over the forest area and automatically detect the forest fire and give the alarm. There is a camera and computer system on the mobile platform. At this thesis we proposed a solution for detecting the forest fire by using image processing techniques on the UAV. The major problem of detecting forest fire on mobile platforms is the unavailability of using motion information and low processing power. The purpose of the proposed study is to select the most suitable color space, features and classifiers for the fire classification. Works, respectively, database imaging fire and smoke region manually marking, 7 different color space conversions, creating histogram and create the lookup table, which denotes the likelihood of each pixel belonging to fire. Based on this information, we mark potential fire regions. Given a set of potential fire regions, we then generate the following features: the average likelihood values, number of pixels, boundary roughness, and variance. The feature set of the image then includes these 5 features: the average likelihood, the average boundary roughness and the average variance for all marked fire regions, the total number of fire pixels and the total number of potential fire regions in the image. Each image is represented by a 70-dimensional feature vector. Because of the curse of dimensionality we use some feature selection algorithm which are principal component analysis, K-means and relative entropy. After selecting the best features, they are applied to the classification process. Finally, the input image is classified as either fire or non-fire through various classification methods, such as SVM, K-Nearest Neighbor, and Neural Networks.