DOKU ANALİZİ, SINIFLANDIRMA VE BÖLÜTLEME İCİN YÖNTEMLER
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: İstanbul Teknik Üniversitesi, Uçak Ve Uzay Bilimleri, Uçak Mühendisliği, Türkiye
Tezin Onay Tarihi: 2000
Tezin Dili: Türkçe
Öğrenci: Osman Nuri Uslu
Danışman: Beytullah Gültekin Çetiner
Özet:
DOKU ANALİZİ, SINIFLANDIRMA VE BÖLÜTLEME İÇİN YÖNTEMLER ÖZET
Son yıllarda örüntü tanımaya ilişkin uygulamaların çoğu, görüntülerin analiz ve yorumlanmasıyla ilgili bulunmaktadır. Bu alanın temel amacı, etkin yöntemler geliştirmek suretiyle sayısal görüntülerin analizi ve anlaşılmasını sağlamaktır. Bu tezdeki araştırmada temel amaç da dokusal görüntülerin analizi ve sınıflandırılması için etkin yöntemler geliştirmekti. Yeni teknik ile uzun öznitelik çıkarma zamanı veya düşük sınıflandırma performansını bertaraf etme amaçlanmakta olup asıl amaç doğru sınıflandırmayı artırmaktı. İkinci bölüm iki kısımdan oluşmaktadır. İlk kısımda doku analiz tekniklerine yönelik bir tarama verilmektedir. İkinci kısımda ise klasik sınıflandırıcılar ve sinir ağları tartışılmaktadır. Üçüncü bölümde uzaysal gri ton bağımlılık (UGTB) ve gri ton farkları (GTF) yöntemi ayrıntılı açıklanmaktadır. Bu kısımdaki çalışmada UGTB ve GTF yöntemleri Afrika kıtası üzerinden alınan görüntülerin doku analizinde karşılaştırılmış ve öznitelik vektörlerinin tanınması için yapay sinir ağı temelli bir uygulama tanımlanmıştır. UGTB yöntemine ilişkin enerji, entropi, korelasyon, yerel özdeşlik ve atalet isimli görüntüden elde edilen 5 genel öznitelik görüntüdeki dokuyu sınıflandırmak için kullanılmışlardır. Sıkıştırılmış gri ton birlikte oluşum matrisleri de öznitelikleri temsil amacıyla her hangi bir öznitelik çıkarmadan dolaysız olarak kullanılmıştır. Gri Ton Fark (GTF) istatistikleri deniz, kara ve diğer (bulut) isimli sınıflara ait görüntüyü tanımlamak için tanımlanan ikinci yöntemdi. Çok Katmanlı Perseptron (ÇKP) sinir ağları dokusal öznitelik vektörlerini sınıflamak için kullanıldı. ÇKP ağları ile elde edilen sonuçlar birlikte oluşum matrislerinin dolaysız herhangi bir öznitelik hesaplama yapılmaksızın kullanılması durumunda daha zengin doku bilgisi verdiğini göstermektedir. Her iki yöntemden elde edilen performans birbirine çok benzemektedir. GTF öznitelikleri Afrika kıtası üzerinden alınan görüntüler üzerinde, birlikte-oluşum matrisleri kadar başarılıydı. Dördüncü bölüm bu tez içinde geliştirilen Gri Ton Ortalama Histogramları (GTOH) isimli yeni bir doku analizi yöntemini ve yapay sinir ağı temelli doku sınıflama yöntemini tanımlamaktadır. Bu yöntem, belli bir aralıkta ve belli bir döndürme altında birbirine komşu ilişkili piksellerin gri tonları arasındaki farklara ait histogramlardan elde edilen birinci derece istatistikler üzerine kurulmuştur. Yöntemle basit birinci derece istatistikleri hesabı xiii arasındaki fark şudur: Basit birinci derece istatistiklerde aralık, konum ve döndürme bilgisine ait pikseller arasında herhangi bir ilişki göz önüne alınmamaktadır. Gri Ton Ortalama Histogram elde edildikten sonra histogramdan 6 öznitelik Kontrast, Açısal ikinci moment, Entropi, Ortalama, Ortalama Entropi ve Ters Moment hesaplanır. Öğrenme için kullanılan örnekler Brodatz albümündeki 16 adet görüntüden elde edilen 6 öznitelik vektörünü içermektedir. Her görüntü bir doku sınıfinı temsil etmektedir. Görüntüler 256 gri ton ve 128x128 piksel boyutunda seçilmiştir. Bir görüntüden on altı tane 32x32 boyutunda örtüşmeyen pencere işleme tâbi tutulmuş, elde edilen özniteliklerin rasgele seçilen yarısı öğretilme örneği olarak seçilmiştir. Kalan öznitelikler eğitilmiş sınıflandırıcının başarı oranını ölçmek için kullanılmıştır. Üç katmanlı ÇKP ağın, giriş katında 6 özellik vektörünü temsilen 6 nöron, çıkış katında 16 doku sınıfı için 16 nöron ve gizli katmanda 11 nöron vardı. Gizli katmandaki nöron sayısı deneyimle bulunmuştur. Ağın öğretilmesi için yaklaşık 1600 epok kullanılmış, optimum ağ ağırlıkları kaydedilerek kalan örneklerin test edilmesi için geri çağırma modunda kullanılmıştır. Geri çağırma modunda ağ ağırlıkları değişmemektedir. Beşinci bölümde geliştirilen yöntem yapay sinir ağı ile görüntü bölütleme için kullanılmıştır. Yapay sinir ağı tabanlı bölütleme, öznitelik tabanlı sınıflandırmaya benzer. Doku modelinin parametreleri veya öznitelikleri ayrı olarak çıkarılır. Bölütlemedeki ilk adım, görüntünün pencerelere bölünmesidir. Görüntüyü bölütlemek için 16x16 boyutunda pencereler seçilmiştir. Görüntünün bölünmesinden sonra, her pencere üzerinden 6 özellik vektörü hesaplanmıştır. Bölütleme için ÇKP ağı kullanılmıştır. Ağın girdisi pencerelerden hesaplanan 6 öznitelik vektörüdür. Bu çalışmada 6x7x4 şeklinde bir ağ yapısı seçildi. Ağın çıkışlarına göre, görüntünün farklı yerlerindeki aynı doku özelliğine sahip pencereler aynı numara ile etiketlenmiştir. Son adımda aynı numaraya sahip ve komşu olan pencereler birleştirilmiştir. Pencere boyutunun seçimi kabalık ve tekrarlılık gibi dokunun yapısal özniteliklerine bağlıdır. Doku kabalaştıkça pencere boyutu büyütülmelidir. Ancak pencere boyutu çok büyük olursa bu kez de ayni pencere içerisinde birden fazla doku bulunma ihtimali artacağından dokuyu karakterize etmek zorlaşacaktır. Pencere boyutu çok küçük olduğunda ise doku özelliği kaybolmaktadır. Bunun için pencere büyüklüğü dokuyu yeterince karakterize edebilecek genişlikte olmalıdır. Deneyimlerimize göre pencere genişliği, doku pencere içerisinde en az iki kez tekrar edecek miktarda olmalıdır. GTOH yönteminin kullanılabilirliğini göstermek yangın içeren dokulu bir görüntü kullanıldı. Asıl görüntü 256 gri tonlu 256x256 boyutunda idi. Maksimum gri ton seviyesi Histogram Eşitleme yöntemi ile 16 gri ton seviyesine düşürüldü. xiv Altıncı Bölümde, Ölçeklendirilmiş Gri Ton Farkları (ÖGTF) metodu açıklanmış ve yapay sinir ağı kullanılarak bölütleme uygulaması yapılmıştır. Yöntem UGTB metoduna benzemekle birlikte arada önemli farklılıklar bulunmaktadır. Yöntem ÖGTF matrisinin elemanlarının hesaplanması temeline dayanmaktadır. Matrisin her bir elemanı, matristeki uygun elemana denk düşen komşu piksellerin ölçeklendirilmiş gri tonlarının toplamıdır. Matrisin boyutunu istenilen oranda küçültmek için, gri tonları gruplara ayrılmıştır. Her yön ve komşuluk boyutu için bir matris hesaplanabilir. Komşuluk ve yön kavramı UGTB metodu ile aynıdır. Son bölümde, bu tezde tanımlanan çalışma ve elde edilen sonuçlar özetlenmiştir.