Geri Dön

Temel bileşen analiziyle öznitelik seçimi ve görsel nesne sınıflandırma

Feature extraction and visual object classification with principal component analysis

  1. Tez No: 348596
  2. Yazar: ZÜHAL KURT
  3. Danışmanlar: YRD. DOÇ. DR. KEMAL ÖZKAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2013
  8. Dil: Türkçe
  9. Üniversite: Eskişehir Osmangazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Matematik ve Bilgisayar Bilimleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 103

Özet

İmgeleri tanımlayan en önemli görsel özelliklerden bir tanesi imgedeki nesnelerin konturlarıdır. İmgedeki nesneleri az sayıda öğe ile betimleyebilmek için nesne şekillerine konik veya doğru uyarlanır, öyle ki bu uyarlamalar için başlangıç ve bitim noktalarına ihtiyaç vardır. Bu başlangıç ve bitim noktaları imgedeki nesnenin anlamlı noktalarıdır. Bu çalışmada imgelerdeki şekillerin konturlarındaki noktalar Canny kenar detektörü ile belirlenmiş olup, bu noktalara temel bileşen analizi (TBA) metodu uygulanarak köşe ve büküm noktaları bulunmuştur. Bu noktalar daha sonra baskın, köşe, yumuşak köşe ve büküm noktası olarak sınıflandırılmıştır. Şeklin konturunda ardarda gelmiş olan anlamlı noktaların arasına konik veya dogru oturtulmuş, böylece imgedeki nesne uyarlanmış konik eğrileriyle ve doğru parçaları ile betimlenmiştir. Literatürdeki en başarılı görsel nesne sınıflandırma teknikleri imgeleri betimlemek için ?kelimeler çantası? (bag of words) yöntemini kullanmaktadır. Bu yöntemde dijital imgelerden seçilen yamalar SIFT, LBP, LTP ve SURF gibi farklı şekil ve doku betimleyicilerle vektörel değerlere dönüştürülmektedir. Bu çalışmada biz TBA?ya dayalı betimleyicinin ağırlıklandırılmış açılarının histogramlarını kullanan yeni bir betimleme tekniği önerdik. Önerdiğimiz betimleme tekniğini kullanan kelimeler çantası tabanlı görsel nesne sınıflandırma yönteminin başarısını literatürdeki diğer betimleme tekniklerini kullanan nesne sınıflandırma yöntemleriyle Caltech-4 ve Coil-100 veri tabanları üzerinde karşılaştırdık. Deneysel sonuçlar TBA?ya dayalı betimleyicinin oldukça iyi sonuçlar verdiğini göstermektedir. Ayrıca önerilen betimleyicinin literatürdeki diğer detektörlerin bulduğu ilgi noktalarından elde edilen karesel çerçevenin üzerinde kullanılmasıyla birlikte sınıflandırma başarımının daha da arttığı gözlenmiştir. Bu da TBA?ya dayalı betimleyicinin diğer betimleyicilerden farklı bilgiler taşıdığını göstermektedir.

Özet (Çeviri)

One of the most visually descriptive features for images is the contour of the object(s). In order to describe objects with lesser number of descriptors, linear or cubic curves are fitted to the contours of the objects. The end points of these finite length curves are usually meaningful spots on the contours. In the work presented here, edges are found by the Canny edge detector, followed by Principal Component Analysis (PCA) for determining corners and inflection points. These points are classified as dominant, corner, soft corner or inflection points. Curves are fitted to the sub-contours between successive such descriptive points on the object contour. Most of the state-of-arts visual object classification methods use bag of words model for image representation. In this method, patches extracted from images are described by different shape and texture descriptors such as SIFT, LBP, LTP, SURF, etc. In this paper we introduce a new descriptor based on weighted histograms of phase angles of local based PCA transform. We compare the classification accuracies obtained by using the proposed descriptor to the ones obtained by other well-known descriptors on Caltech-4 and Coil-100 data sets. Experimental results show that our proposed descriptor provides good accuracies indicating that PCA based local descriptor captures important characteristics of images that are useful for classification. When we described image representations obtained by PCA based descriptor with the representations obtained by other detection of keypoints, results even get better suggesting that tested descriptors encode differential complementary information.

Benzer Tezler

  1. Hiperspektral görüntülerde yarı güdümlü öğrenme teknikleri

    Semi supervised learning techniques on hyperspectral images

    MUHAMMET SAİD AYDEMİR

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN BİLGİN

  2. A modular approach for SMEs credit risk analysis

    KOBİ kredi risk analizinde modüler yaklaşim

    GÜLNUR DERELİOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2009

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Bölümü

    PROF. FİKRET GÜRGEN

  3. 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

  4. Bilgicik tabanlı ilişkili bileşen analiziyle eğiticisiz yüz tanıma modeli

    An unsupervised face recognition model by self-enhanced side information

    BİLAL KARADUMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. LÜTFİYE DURAK

  5. Kendini engelleme ve okul terk riski: Akademik tersliklerin üstesinden gelme ve olumsuz yaşantıların aracı rolü

    Self-handicapping and dropout risk: The mediating role of overcoming academic buoyancy and negative experiences

    BETÜL TOHUMCU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Eğitim ve ÖğretimHacettepe Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    PROF. DR. ARİF ÖZER