Geri Dön

Rastgele markov alanları ve hücresel sinir ağları ile görüntü işleme

Image processing with markow random fields and cellular neural networks

  1. Tez No: 105375
  2. Yazar: MAHMUT ŞAMİL SAĞIROĞLU
  3. Danışmanlar: DOÇ. DR. OSMAN NURİ UÇAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2001
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 144

Özet

ÖZET Bu çalışmada Markov rastgele alanları ve hücresel yapay sinir ağları kullanılarak görüntü işleme algoritmaları ele alınmıştır. Markov rasgele alanları kullanılarak ilintili görüntülerin işlenmesi konusunda çalışma yapılmış ve sonuçlar değerlendirilmiştir. Ayrıca hücresel sinir ağları ve rastgele alanlar arsındaki ilişki değerlendirilip son konuda tümleşik bir algoritma ortaya konulmaya çalışılmıştır. Bu çalışmalar yapılabilmesi için teorik incelemeler yapılmıştır. İkinci bölümde rastgele alan modellerinin görüntü analizindeki günümüz problemleri açısından nasıl bir bütünleştirici tema sağlanması gerektiğini açıklamaktadır, Rastgele alan modelleri, bölütleme ve yeniden oluşturma gibi piksel etiketleme problemlerine uzamsal içerikte bir girişe olanak tanımaktadır. Rastgele alan modelleri ayrıca görüntü tanıma ve görüntü üretme, tanımlama ve görüntüleri kesitlemek için gerekli algoritmaların oluşmasma olanak sağlar. Literatürde kaydedilmiş bazı etkileyici model baz alınmış görüntü restorasyon ve dokuma kesitleme sonuçlarına rağmen, MRF modellerinin tariflenmesi, gürültü işlemlerinin tasarlanması, performans değerlendirmesi, parametrelerin kararlaştırılması, faz geçiş fenomenleri ve alternatif prosedürlerin karşılaştırmalı analizleri gibi bir çok temel konu keşfedilmemiş olarak günümüze kadar süregelmiştir. Rastgele alan modellerinin literatürü ileriye dönük müthiş sinyaller vermektedir. Fakat uygulamalar için gerekli olan verimli algoritmalarla beraber bu konular için daha iyi bir matematiksel anlayış gerekmektedir. Bu çalışmadaki üçüncü bölüm ise, rastgele markov modeline dayalı uygulanabilir yeni bir en-iyileme yaklaşımı, önerilmektedir. Bu yaklaşım görüntü oluşturma işleminin fiziksel kanunlarına dayalıdır.“Beamforming”yöntemi ile elde edilen mesafe ve güvenilirlik bilgisinden faydalanarak, piksel-piksel birbirinin, eşleniği, olan iki ayrı görüntü oluşturulmuştur. Uzaklık ve güvenilirlik bilgisini veren ilintili bu görüntülerden yararlanarak üç boyutlu görüntü, elde edilmiştir. Bundan sonraki işlemler temelde bir çeşit görüntü onarım algoritmasıdır. Burada mevcut görüntü onarım algoritmalarından farklı olarak elimizde değerlendirebileceğimiz ikinci bir ilintili görüntü de mevcuttur. Önerilen, algoritma ile mesafe ve güvenilirlik, görüntülerinin VIIIrastgele Markov alan modellemesi ve uygulanabilirlik açısından gerçek-zamanlı analize olanak sağlayacak en-iyileme yapılmaktadır, yeniden tasarlanmış görüntü mesafe haritası ve yenilenmiş görüntülerin en uygun (Maximum. A-posteriori ihtimal eğiliminde) hesaplamalar enerji fonksiyonunu en aza indirerek gerçekleştirilir. Dördüncü bölümde Hücresel sinir ağları ele alınmıştır. Hücresel sinir ağlan temel yapısı ele alınmış ve karakteri incelenmiştir. Hücresel sinir ağlarının görüntü işleme üzerine uygulamaları üzerinde durulmuştur. Görüntü işleme algoritmalarının bazıları üzerinde uygulama yapılmış ve uygulama neticelerine göre değerlendirmeler yapılmıştır. Beşinci bölümde hücresel sinir ağları ile markov rastgele alanları anlatılan konular ışığında beraber ele alınmış ve birleşik bir algoritma ortaya konulmuştur. Bu çalışmada Markov rastgele alanlarının çözüm gücü kullanılmaya çalışılmıştır. Fakat Markov rastgele alanlarının en-iyileme işlemleri yüksek hesap hızı gerektirmektedir. Hücresel sinir ağlarının ise hızlı çalıştığı bilinmektedir. Dolayısıyla gerçek zamanlı çalışmaya olanak sağlaması için bu iki işlem birleştirilmiştir. Son bölümde bulunan sonuçlar değerlendirilmiş hangi koşullar altında hangi çözümlerin uygun olacağı ortaya konulmuştur. IX

Özet (Çeviri)

SUMMARY In daily life, we have to make decisions by looking at the images in various areas. For example, in medical area, to classify normal and abnormal pulmanory patterns or to identify the illness by using medical images. In an airport, to control the air-traffic with radar signals. In the petroleum industry, to find an underground reservoir of crude oil via aerial photograpy. These or like these seperate events can be collected under a subject named image analysis. Image analysis is concerned with manuplation and analysis of pattern by computer. Its major subareas include image formation, enhancement, restoration, reconstruction, segmentation, coding and compression, texture analysis, shape analysis, represantation, matching, description and recognition. There is no universal way to do image analysis because of both data-dependent way to do image analysis because of both data- dependent and goal-oriented. In this thesis, we deal with two-dimensional digital image that can be represented by an N1XN2 matrix, or latis, whose elements (called pixel) have integral values from 0 up to G-l coressponding to the brightness levels (gray levels). In these digital image, the gray level of a pixel is highly dependent on its geometric neighboring pixels, but is nearly independent of remote pixels. Markov Random Fields (MRFs) and Cellular neural networks have been found to be rich models for various areas in image analysis due to the dependency among pixels in spatial neighborhoods. Thus, the classical problems of texture synthesis, texture classification, image segmentation, image restoration and image compression have been attacked with Markov Random Fields and Cellular neural networks.The second chapter is deal with MRFs. MRF models assume that the intensity at each pixel in an image depends on its“neighboring pixels”but is independent of other pixels. An image is viewed as a coloring of a lattice. An MRF is a probability space whose probability measure, defined on the sample space consisting of all possible colorings of a lattice, satisfies positivity, the Markov Property, and homogenity. Markov random fields have been extensively used for modeling images, because of the natural coicidence between the local dependency of a model and the local dependency of neighboring pixels. The third chapter describes a probabilistic technique for the coupled reconstruction and restoration of underwater images. The technique is founded on the physics of the image- formation process. Beamforming, a method widely applied in acoustic imaging, is used to build a range image from backscattered echoes, associated point by point with another type of information representing the reliability (or confidence) of such an image. Unfortunately, this kind of images is plagued by problems due to the nature of the signal and to the related sensing system. In the proposed algorithm, the range and confidence images are modeled as Markov random fields whose associated probability distributions are specified by a single energy function. This function has been designed to fully embed the physics of the acoustic image-formation process by modeling a priori knowledge of the acoustic system, the considered scene, and the noise-affecting measures and also by integrating reliability information to allow the coupled and simultaneous reconstruction and restoration of both images. Optimal (in the Maximum A-Posteriori probability sense) estimates of the reconstructed range image map and the restored confidence image are obtained by minimizing the energy function. Experimental results show the improvement of the processed images over those obtained by other methods performing separate reconstruction and restoration processes that disregard reliability information. In fourth chapter, A unified review of the Cellular Neural Network paradigm is attempted. First of all, general theoretical framework is stated, followed by description of particular models proposed in literature and comparison with other Neural Network and parallel computing paradigms. Theory of such systems, especially the issue of XIstability, is then resumed by listing main results available. Applications, design and learning follow. The paper is concluded by description of proposed and tested hardware realizations. In fifth chapter, we describe a novel cellular connectionist neural network model for the implementation of clustering-based Bayesian image segmentation with Gibbs random- field spatial constraints. The success of this algorithm is largely due to the neighborhood constraints modeled by the gibbs random field. However, the iterative enforcement of the neighborhood constraints involved in the bayesian estimtion would generally require tremendous computational power. Such computational requirement hinders the real-time application of the Bayesian image segmentation algorithms. The cellular connectionist model proposed aims at implementing the Bayesian image segmentation with real-time processing potentials. With a cellular neural network architecture mapped onto the image spatial domain the powerful Gibbs-spatial constraints are realized through the interactions among neurons connected through their spatial cellular layout. This network model is structurally similar to the conventional cellular network. However, in this new cellular model, the processing elements designed within the conectionist network are functionally more versatile to meet the challenging needs of Bayesian image segmentation based on the Gibbs random field. We prove that this cellular neural network does converge to the desired steady state with a properly designed update scheme. Examples of CT volumetric medical image segmentation are presented to demostrate the potential of this cellular neural network for a specific image segmentation application. At the end, the result of all these implementations are discussed and it is examined that if the methods of solutions are usable for real time process or not. XII

Benzer Tezler

  1. Tez No

    130799

    Biyomedikal işaretlerin Markov rastgele alanları kullanılarak işlenmesi

    Biomedical signal processing using Markov random fields

    NİYAZİ KILIÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2003

    Tıbbi Biyolojiİstanbul Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OSMAN NURİ UÇAN

  2. Tez No

    184389

    Hücresel yapay sinir ağ-markov rasgele alan (HYSA-MRA) yöntemi ve yerbilimlerine uygulamaları

    Cellular neural network-markov random field (CNN-MRF) and geoscience applications

    HANDE BARGU

    Yüksek Lisans

    Türkçe

    Türkçe

    2004

    Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ.DR. MUHİTTİN ALABORA

    PROF.DR. OSMAN NURİ UÇAN

  3. Tez No

    721529

    Yüksek çözünürlüklü uydu verileri kullanılarak şehir alanlarının incelenmesi

    Investigation of city areas using high-resolution satellite data

    RAZİYE HALE TOPALOĞLU

    Doktora

    Türkçe

    Türkçe

    2022

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  4. Tez No

    456912

    Hiperspektral görüntü ve LiDAR verisinin koşullu rastgele alanlar yöntemi ile birleştirilmesi ve sınıflandırılması

    Fusion and classification of hyperspectral images using conditional random fields

    HAKAN AYTAYLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SENİHA ESEN YÜKSEL

  5. Tez No

    855007

    Hyperspectral image classification using an active deep learning framework including edge preserving filters

    Hiperspektral görüntülerin kenar koruyucu filtreler içeren bir aktif derin öğrenme çerçevesiyle sınıflandırılması

    ZAINAB DHEYAA MOHAMMED AL-SAMMARRAIE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ CAN KARACA

Geri Dön