Image segmentation based on multiscale random field models
Çok ölçekli rastlantı alan modelleri ile imge bölütleme
- Tez No: 46218
- Danışmanlar: PROF.DR. ERDAL PANAYIRCI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Görüntü işleme, Image processing
- Yıl: 1995
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
. Yöntemin gerçek imgelere uyarlanabilirliği üzerinde çalışmalar yapılmalıdır. Tezin ilk bölümünde konuyla ilgili genel bilgiler verilmekte, Bölüm 2 'de ise piksel etiketleme sorunu ele alınmaktadır. Markov ve Gibbs raslantı alan ları hakkında temel bilgilerin ardından, Bayes kestirim yöntemi açıklanmakta, yaygın olarak kullanılan eniyileme algoritmaları sunulmaktadır. Bölüm 3'te, çokölçekli olasılıksal modeller incelenmiş ve geniş biçimde tanıtılmıştır. Bu bölümde verilen bilgiler, bir sonraki bölümde, çokölçekli sınıflandırma algorit masının oluşturulmasında kullanılmaktadır. Bölüm 4'te, genelleştirilmiş ço kölçekli bölütleme algoritması elde edilmekte, sentetik deney imgeleri üzerinde yapılan denemelerin sonuçları sunulmaktadır. Varılan sonuçlar ve değerlendir meler son bölümde ele alınmıştır. xıTezde ele alman çokölçekli model, raslantı süreç ve alanlarının, ölçek- özyineli (scale recursive) biçimde betimlenmesini sağlayarak, etkin kestirim algoritma larının geliştirilmesine olanak sağlar. Modelin en belirgin özelliklerinden biri, ölçeklerin bir Markov zinciri oluşturmasıdır; diğer bir deyişle, her bir ölçek, olasılıksal olarak, sadece kendinden önce gelen ölçeğe bağımlıdır. Tüm ölçek ler dizgesi ele alındığında, bu yapının sistemi olasılıksal açıdan tam olarak tanımlamaya yeteceği görülmektedir. Markov özelliğin yanında, modelin bir diğer önemli özelliği, herhangi bir öl çekteki bir pikselin, bir önceki ölçekte, sadece belirli bir komşuluk içinde yer alan piksellere bağımlı olmasıdır. Bu özellik, modelin çok daha esnek olmasını ve etkin biçimde kullanılabilmesini sağlamaktadır. Önerilen modelin yamsıra, bölütlemeyi çokölçekli olarak gerçekleştirmek ama cıyla, yeni ve uygun bir bedel işlevi seçilmelidir. Kaba ölçekte yapılacak bir bölütleme hatasının, ince ölçeklerde daha büyük sayıda pikselin yanlış sınıflan dırılmasına yol açacağı gözönüne alınarak, işlevin, kaba ölçeklerdeki hatalara daha büyük cezalar atar biçimde tanımlanması doğru olacaktır. Bu bilgiler ışığında, tezde, genelleştirilmiş bir çokölçekli bölütleme mekaniz ması önerilmiştir. Yaklaşım, enbüyük sonsal olasılık (maximum a posteriori - MAP) kestirimini, en kaba ölçekten başlayarak en ince ölçeğe dek ardışık olarak gerçekleştirmektedir. Elde edilen özyineli denklem takımı, çok sayıda farklı imge modeline doğrudan uygulanabilme özelliğine sahiptir. Ayrıca or taya çıkan yöntem iteratif olmadığından, MAP kestirime oranla büyük ölçüde işlem kolaylığı sağlanmaktdır. Sentetik deney imgeleri üzerinde yapılan ilk denemeler, yöntemin hatırı sayılır bir bölütleme başarımına sahip olduğunu göstermektedir. Yöntemin en çok hatayı bölge sınırlarında yapması dikkat çekicidir. Bu tezde sunulan çalışmayı geliştirmek için aşağıdaki noktaların ele alınması yararlı olacaktır:. Bu tez çalışmasında sadece yöneticili (supervised) bölütleme ele alınmış tır, çokölçekli model parametrelerinin kestirimi irdelenmemiştir. Para metre kestirimi konusunda yapılacak çalışmalar yöneticisiz bölütleme ya pılmasına da olanak sağlayacaktır.. Ölçeklerarası olasılıksal bağımlılıkları tanımlayan yapı, farklı komşuluk bölgeleri önerilerek geliştirilebilir; bu yolla bölge sınırlarında yapılan ha taların enaza indirilmesi sağlanabilir.. Önerilen genelleştirilmiş yineleme, farklı imge modellerine doğrudan uyarlanabilir. Yöntemin başarımı, çok sayıda modelin ele alınması ile daha biçimde ortaya çıkarılabilir.. Yöntemin gerçek imgelere uyarlanabilirliği üzerinde çalışmalar yapılmalıdır. Tezin ilk bölümünde konuyla ilgili genel bilgiler verilmekte, Bölüm 2 'de ise piksel etiketleme sorunu ele alınmaktadır. Markov ve Gibbs raslantı alan ları hakkında temel bilgilerin ardından, Bayes kestirim yöntemi açıklanmakta, yaygın olarak kullanılan eniyileme algoritmaları sunulmaktadır. Bölüm 3'te, çokölçekli olasılıksal modeller incelenmiş ve geniş biçimde tanıtılmıştır. Bu bölümde verilen bilgiler, bir sonraki bölümde, çokölçekli sınıflandırma algorit masının oluşturulmasında kullanılmaktadır. Bölüm 4'te, genelleştirilmiş ço kölçekli bölütleme algoritması elde edilmekte, sentetik deney imgeleri üzerinde yapılan denemelerin sonuçları sunulmaktadır. Varılan sonuçlar ve değerlendir meler son bölümde ele alınmıştır. xıTezde ele alman çokölçekli model, raslantı süreç ve alanlarının, ölçek- özyineli (scale recursive) biçimde betimlenmesini sağlayarak, etkin kestirim algoritma larının geliştirilmesine olanak sağlar. Modelin en belirgin özelliklerinden biri, ölçeklerin bir Markov zinciri oluşturmasıdır; diğer bir deyişle, her bir ölçek, olasılıksal olarak, sadece kendinden önce gelen ölçeğe bağımlıdır. Tüm ölçek ler dizgesi ele alındığında, bu yapının sistemi olasılıksal açıdan tam olarak tanımlamaya yeteceği görülmektedir. Markov özelliğin yanında, modelin bir diğer önemli özelliği, herhangi bir öl çekteki bir pikselin, bir önceki ölçekte, sadece belirli bir komşuluk içinde yer alan piksellere bağımlı olmasıdır. Bu özellik, modelin çok daha esnek olmasını ve etkin biçimde kullanılabilmesini sağlamaktadır. Önerilen modelin yamsıra, bölütlemeyi çokölçekli olarak gerçekleştirmek ama cıyla, yeni ve uygun bir bedel işlevi seçilmelidir. Kaba ölçekte yapılacak bir bölütleme hatasının, ince ölçeklerde daha büyük sayıda pikselin yanlış sınıflan dırılmasına yol açacağı gözönüne alınarak, işlevin, kaba ölçeklerdeki hatalara daha büyük cezalar atar biçimde tanımlanması doğru olacaktır. Bu bilgiler ışığında, tezde, genelleştirilmiş bir çokölçekli bölütleme mekaniz ması önerilmiştir. Yaklaşım, enbüyük sonsal olasılık (maximum a posteriori - MAP) kestirimini, en kaba ölçekten başlayarak en ince ölçeğe dek ardışık olarak gerçekleştirmektedir. Elde edilen özyineli denklem takımı, çok sayıda farklı imge modeline doğrudan uygulanabilme özelliğine sahiptir. Ayrıca or taya çıkan yöntem iteratif olmadığından, MAP kestirime oranla büyük ölçüde işlem kolaylığı sağlanmaktdır. Sentetik deney imgeleri üzerinde yapılan ilk denemeler, yöntemin hatırı sayılır bir bölütleme başarımına sahip olduğunu göstermektedir. Yöntemin en çok hatayı bölge sınırlarında yapması dikkat çekicidir. Bu tezde sunulan çalışmayı geliştirmek için aşağıdaki noktaların ele alınması yararlı olacaktır:. Bu tez çalışmasında sadece yöneticili (supervised) bölütleme ele alınmış tır, çokölçekli model parametrelerinin kestirimi irdelenmemiştir. Para metre kestirimi konusunda yapılacak çalışmalar yöneticisiz bölütleme ya pılmasına da olanak sağlayacaktır.. Ölçeklerarası olasılıksal bağımlılıkları tanımlayan yapı, farklı komşuluk bölgeleri önerilerek geliştirilebilir; bu yolla bölge sınırlarında yapılan ha taların enaza indirilmesi sağlanabilir.. Önerilen genelleştirilmiş yineleme, farklı imge modellerine doğrudan uyarlanabilir. Yöntemin başarımı, çok sayıda modelin ele alınması ile daha biçimde ortaya çıkarılabilir.. Yöntemin gerçek imgelere uyarlanabilirliği üzerinde çalışmalar yapılmalıdır. Tezin ilk bölümünde konuyla ilgili genel bilgiler verilmekte, Bölüm 2 'de ise piksel etiketleme sorunu ele alınmaktadır. Markov ve Gibbs raslantı alan ları hakkında temel bilgilerin ardından, Bayes kestirim yöntemi açıklanmakta, yaygın olarak kullanılan eniyileme algoritmaları sunulmaktadır. Bölüm 3'te, çokölçekli olasılıksal modeller incelenmiş ve geniş biçimde tanıtılmıştır. Bu bölümde verilen bilgiler, bir sonraki bölümde, çokölçekli sınıflandırma algorit masının oluşturulmasında kullanılmaktadır. Bölüm 4'te, genelleştirilmiş ço kölçekli bölütleme algoritması elde edilmekte, sentetik deney imgeleri üzerinde yapılan denemelerin sonuçları sunulmaktadır. Varılan sonuçlar ve değerlendir meler son bölümde ele alınmıştır. xı
Özet (Çeviri)
Tezde ele alman çokölçekli model, raslantı süreç ve alanlarının, ölçek- özyineli (scale recursive) biçimde betimlenmesini sağlayarak, etkin kestirim algoritma larının geliştirilmesine olanak sağlar. Modelin en belirgin özelliklerinden biri, ölçeklerin bir Markov zinciri oluşturmasıdır; diğer bir deyişle, her bir ölçek, olasılıksal olarak, sadece kendinden önce gelen ölçeğe bağımlıdır. Tüm ölçek ler dizgesi ele alındığında, bu yapının sistemi olasılıksal açıdan tam olarak tanımlamaya yeteceği görülmektedir. Markov özelliğin yanında, modelin bir diğer önemli özelliği, herhangi bir öl çekteki bir pikselin, bir önceki ölçekte, sadece belirli bir komşuluk içinde yer alan piksellere bağımlı olmasıdır. Bu özellik, modelin çok daha esnek olmasını ve etkin biçimde kullanılabilmesini sağlamaktadır. Önerilen modelin yamsıra, bölütlemeyi çokölçekli olarak gerçekleştirmek ama cıyla, yeni ve uygun bir bedel işlevi seçilmelidir. Kaba ölçekte yapılacak bir bölütleme hatasının, ince ölçeklerde daha büyük sayıda pikselin yanlış sınıflan dırılmasına yol açacağı gözönüne alınarak, işlevin, kaba ölçeklerdeki hatalara daha büyük cezalar atar biçimde tanımlanması doğru olacaktır. Bu bilgiler ışığında, tezde, genelleştirilmiş bir çokölçekli bölütleme mekaniz ması önerilmiştir. Yaklaşım, enbüyük sonsal olasılık (maximum a posteriori - MAP) kestirimini, en kaba ölçekten başlayarak en ince ölçeğe dek ardışık olarak gerçekleştirmektedir. Elde edilen özyineli denklem takımı, çok sayıda farklı imge modeline doğrudan uygulanabilme özelliğine sahiptir. Ayrıca or taya çıkan yöntem iteratif olmadığından, MAP kestirime oranla büyük ölçüde işlem kolaylığı sağlanmaktdır. Sentetik deney imgeleri üzerinde yapılan ilk denemeler, yöntemin hatırı sayılır bir bölütleme başarımına sahip olduğunu göstermektedir. Yöntemin en çok hatayı bölge sınırlarında yapması dikkat çekicidir. Bu tezde sunulan çalışmayı geliştirmek için aşağıdaki noktaların ele alınması yararlı olacaktır:. Bu tez çalışmasında sadece yöneticili (supervised) bölütleme ele alınmış tır, çokölçekli model parametrelerinin kestirimi irdelenmemiştir. Para metre kestirimi konusunda yapılacak çalışmalar yöneticisiz bölütleme ya pılmasına da olanak sağlayacaktır.. Ölçeklerarası olasılıksal bağımlılıkları tanımlayan yapı, farklı komşuluk bölgeleri önerilerek geliştirilebilir; bu yolla bölge sınırlarında yapılan ha taların enaza indirilmesi sağlanabilir.. Önerilen genelleştirilmiş yineleme, farklı imge modellerine doğrudan uyarlanabilir. Yöntemin başarımı, çok sayıda modelin ele alınması ile daha biçimde ortaya çıkarılabilir.
Benzer Tezler
- Markov random fields and a multiscale implementation of markov random fields on Bayesian image segmentation
Başlık çevirisi yok
UĞUR SIVAKÇI
Yüksek Lisans
İngilizce
1998
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERTUĞRUL ÇELEBİ
- Yüksek çözünürlüklü uydu görüntüleri kullanarak benzer spektral özelliklere sahip doğal nesnelerin ayırt edilmesine yönelik bir metodoloji geliştirme
Developing a methodology for discriminating natural objects having spectrally similar features using very high resolution satellite imagery
İSMAİL ÇÖLKESEN
Doktora
Türkçe
2015
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. TAHSİN YOMRALIOĞLU
- Generation and analysis of segmentation trees for natural images
Başlık çevirisi yok
EMRE AKBAŞ
Doktora
İngilizce
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUnıversıty Of Illınoıs At Urbana-ChampaıgnElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. NARENDRA AHUJA
- Derin öğrenme ile görüntülerde bulanıklık giderme
Image deblurring with deep learning
BURAK TÜRÜDÜ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM