Geri Dön

Doku analizi sınıflandırma ve bölütleme için yöntemler

Techniques for texture analysis, segmentation and classification

PDF İndir

  1. Tez No: 100840
  2. Yazar: OSMAN NURİ USLU
  3. Danışmanlar: DOÇ. DR. B. GÜLTEKİN ÇETİNER
  4. Tez Türü: Doktora
  5. Konular: Uçak Mühendisliği, Aircraft Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2000
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 145

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 Histogramlan (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 xiiiarasındaki 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 sınıfını 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 sınırlandırıcının 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 1 1 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 aynı 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. XIVAltıncı 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.

Özet (Çeviri)

In the past two decades, much of the work on applications of pattern recognition has dealt with the analysis and interpretation of images. The major aim of this field is to develop effective procedures so that computers can be used for the analysis and understanding of digital images. The main objective of the research described in this thesis was to develop effective techniques and algorithms for analysis and classification of texture images. The new technique is aimed at overcoming the drawbacks of existing techniques which are either their long feature extraction time or low classification accuracies although improving accuracy was the primary objective of the work. The second chapter is divided into two main parts. The first part gives a survey of texture analysis techniques. In the second part, conventional classifiers and neural networks are discussed. In the third chapter, the Spatial Grey Level Dependence (SGLD) method and Grey Level Difference (GLD) method are explained in detail. The work in this chapter compares (SGLD) method with (GLD) method over the satellite image taken over Africa for texture analysis and describes the application of artificial neural network (ANN) based classification technique to the recognition of feature vectors. Five common features of SGLD method, namely the energy, entropy, correlation, local homogeneity and inertia in an image, are employed to classify the texture of an image. Compressed grey level co-occurrence matrices were also used to represent the features, without deriving any further features from them. Grey Level Difference (GLD) statistics was the second method for describing the features vectors of 3 image classes namely sea, land and other (cloud). Multi-layer perceptron (MLP) neural networks were used to classify textural feature vectors. The results obtained with MLP neural networks show that the feature vectors comprising the co-occurrence matrix elements provide richer texture information than feature vectors constructed from co-occurrence matrices. XVIThe performances from both methods are very similar. GLD features did almost equally well as the co-occurrence features and co-occurrence matrices for classification of satellite image taken over Africa. The fourth chapter describes a new texture analysis method based on the statistics of Grey Level Average Histograms (GLAH) and the use of an artificial neural network based texture classification. This method is based on the first-order statistics computed from the histograms of grey level averages of neighbouring pixels lying on a specified rotation with a specified distance. The difference between the new technique and the simple first- order statistics method is that all pixels within an image window is employed for computing first-order statistics without any rotation or distance information whereas the new method computes the histogram of grey level averages by considering the rotation and distance information. After the grey level average histogram is established the six features; Contrast, Angular Second Moment, Entropy, Mean, Average Entropy and Inverse Moment are computed from the histogram The training examples were 6 feature vectors obtained for image windows framed from sixteen images of Brodatz' album. Each image represented one texture class. The resolution was 128x128 pixels of 256 grey levels. Sixteen non-overlapping 32x32 windows were formed from one image. Half of the feature vectors were selected randomly and employed as training examples. The remainders were used to test the classification accuracy of the trained classifiers. The MLP used was a three layered network consisting of 6 neurones in the input layer corresponding to the six feature, 11 neurones in the hidden layer and 16 output neurones in the output layer for the 16 texture classes. This number of neurones in the hidden layer was found empirically to give the best performance. On the completion of the training of neural network for nearly 1600 epochs, the optimised weights of neural network was saved to use for classification the remainder examples, during recall session in which the network weights are no more changed. In the fifth chapter, the developed method was applied to textured image segmentation using neural network. Neural network based texture segmentation resembles feature based texture segmentation. Features are extracted separately, or as parameters of texture model. The firs step in the segmentation is to divide the image into windows. To segment the image, the window size is chosen as 16x16 pixels. XVUAfter dividing the image, 6 features over the window about the textural structure are extracted. MLP employed to segment image. The inputs to the network are the 6 feature of the feature vector extracted from each sliding window. The network architecture used in this study is the 6x7x4. According to outputs of network, regions with same texture but in different parts of an image are labelled by the same label. In last step all windows having same label and are neighbourhood merged. The choice of window size usually depends on the structural properties of texture such as the coarseness and the periodicity. In general, the coarser the texture, the larger should also be the window size. The window should be large enough to ensure the accuracy of the texture features derived on it. On the other hand, if the window is too large, the ambiguity will be increased in the boundary region. According to our experience, the window should be large enough to cover at least two texels. A textured image containing fire was also used to show the usability of the GLAH method. The original image size was 256x256 with 256 grey levels. The maximum number of grey levels in the image was reduced to 16 grey levels using Histogram Equalisation method. In the sixth chapter, the Scaled Grey Tone Differences (SGTD) method is explained and applied to image segmentation using neural network. The method is similar to the SGLD method but has a number of important differences. Comparative results are given for both methods. The method involves computing SGTD matrices, each element of which is the sum of scaled grey level differences between neighbouring pixels having grey levels appropriate to the position of the element in the matrix. Grey levels are divided into groups to reduce the dimensions of the matrix. For each, orientation and neighbourhood size, a matrix can be computed. The concepts of neighbourhood and orientation are the same as in SGLD method. In the last chapter, the work described in the thesis and the conclusions reached are reviewed.

Benzer Tezler

  1. Tez No

    415219

    Change detection of buildings from high resolution satellite imagery and existing map data using object based classification

    Nesne tabanlı sınıflandırma ile yüksek çözünürlüklü uydu görüntüleri ve mevcut harita verilerinden bina değişimlerinin tespiti

    FATEMEH SAFARLOU

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Jeodezi ve FotogrametriHacettepe Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA TÜRKER

  2. Tez No

    599395

    Detection and classification of nuclei in histopathological images

    Histopatolojik görüntülerde çekirdek tespiti ve sınıflandırılması

    ROAA SAFI ABED ALAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN BİLGİN

  3. Tez No

    517473

    Ortofoto haritalardan ağaç türlerinin otomatik olarak bölütlenmesi

    Tree species classification from high resolution digital orthophoto maps

    AKHTAR JAMIL

    Doktora

    Türkçe

    Türkçe

    2018

    Jeodezi ve FotogrametriYıldız Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. BÜLENT BAYRAM

  4. Tez No

    545482

    An innovative and accurate deep learning based HER2 scoring method HER2-unet

    HER2 tümör hücrelerinin segmentasyon için derin öğrenme tabanlı yeni bir yaklaşım

    FARIBA DAMBAND KHAMENEH

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  5. Tez No

    748584

    Machine and deep learning based analysis of tumors on FDG-PET images

    FDG-PET görüntülerindeki tümörlerin makine ve derin öğrenme tabanlı analizi

    OĞUZHAN AYYILDIZ

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiAbdullah Gül Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BÜLENT YILMAZ

Geri Dön