Doku tanımada şekil bilgisi kullanarak yeni özniteliklerin elde edilmesi
Extracting new features using shape information in texture recognition
- Tez No: 540404
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET KOÇ, DOÇ. DR. DEVRİM AKGÜN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Sakarya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, doku tanımada başarılı bir şekilde kullanılan yerel ikili örüntüler (Local Binary Pattern - LBP) öznitelik çıkarım yönteminin komşuluk topolojisi üzerinde çalışılmıştır. LBP, görüntünün gri seviye değerlerini kullanan basit bir öznitelik çıkarım yöntemidir. Görüntüdeki her piksel referans piksel olarak belirlenir ve etrafındaki komşuları dairesel bir topoloji ile seçilir. Bu tez çalışması kapsamında LBP yöntemi ile farklı spiral topolojilere sahip komşuluklar kullanılarak daha anlamlı özniteliklerin elde edilmesi amaçlanmıştır. Ayrıca, özniteliklerin ayırt edici özelliklerini arttırmak amacıyla, spiral topoloji kullanan LBP kodları ile görüntünün kenar bilgileri birleştirilmiştir. Histogram tabanlı öznitelik vektörlerinin sınıflandırılmasında genellikle benzerlik ölçütleri kullanılmaktadır. Yapılan tezde, doku tanımada sınıflandırma aşamasında altuzay tabanlı yöntemler ile tanıma başarımının artırılması hedeflenmiştir. Önerilen öznitelik çıkarım yöntemi, doku tanımada CURet ve UIUC doku veritabanları, yüz tanımada ise AR ve ORL yüz veritabanları üzerinde çeşitli deneyler ile test edilmiştir. Yapılan deneyler sonucunda, CURet doku veritabanında % 99,6'lara varan bir tanıma oranı elde edilmiştir. Farklı LBP varyasyonları ile karşılaştırıldığında, daha iyi sınıflandırma başarımları elde edilmiştir. Ayrıca geliştirdiğimiz öznitelik çıkarım yöntemi ile elde edilen öznitelik vektör boyutunu azaltmak amacıyla yeni bir öznitelik seçim algoritması önerilmiştir. Önerilen yöntemde sınıflar arası varyansın olabildiğince yüksek hale getirilmesi amaçlanmaktadır. Önerilen öznitelik seçimi yönteminin başarımı doku tanımada test edilmiştir. Deney sonuçlarına göre, öznitelik vektörünün boyutu %99'a kadar azaldığında tanıma oranı sadece %0,06 azalmaktadır.
Özet (Çeviri)
In this thesis, neighborhood topology of Local Binary Pattern (LBP) which is used successfully applied in texture recognition is studied. LBP is a simple feature extraction method that uses the gray-level values of an image. Each pixel in the image is determined as the reference pixel and its surrounding neighbors are selected over a circular topology. In this thesis work, by using the LBP method, it is aimed to obtain more meaningful features, by using neighbors with different spiral topologies. In addition, the LBP codes which use spiral topology is concatenated with the edge information of the image to enhance the distinctive characteristics of the features. Similarity measures are generally used to classify histogram-based feature vectors. In this thesis, it is aimed to increase the recognition performance with subspace based methods in the classification stage of texture recognition. Proposed feature extraction method is tested with several experiments on CURet and UIUC texture database in texture recognition, AR and ORL face database in face recognition. As a result of the experiments, the recognition rate is acquired up to %99,6 on CURet texture database. Better classification performances are achieved when compared to the several LBP variations. In addition, a new feature selection algorithm is proposed to reduce the dimension of the feature vectors obtained by the proposed feature extraction method. In the proposed method, it is aimed to make the between-class variance as high as possible. The performance of the proposed feature selection method is tested in texture recognition. The experimental results suggest that, the recognition rate is reduced by only 0.06% when the dimension of the feature vector is reduced up to 99%.
Benzer Tezler
- An object recognition framework using contextual interactions among objects
Nesneler arasındaki bağlamsal etkileşimleri kullanan bir nesne tanıma çerçevesi
FIRAT KALAYCILAR
Yüksek Lisans
İngilizce
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Bölümü
YRD. DOÇ. DR. SELİM AKSOY
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Utilization of 3D data in face recognition
Başlık çevirisi yok
NESLİ ERDOĞMUŞ
Doktora
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolInstıtut Mınes-TelecomPROF. DR. JEAN-LUC DUGELAY
- Radiküler kist ve granülomların dijital histogram analizi ile ayırdedilmesi
Differention of radicular cyst and granulomas with digital histogram analysis
ÜLKEM AYDIN
Doktora
Türkçe
1998
Diş HekimliğiGazi ÜniversitesiDiş Hastalıkları ve Tedavisi Ana Bilim Dalı
PROF. DR. TAYFUN ALAÇAM
- Texture features for browsing and retrieving of image data
Görüntü verisi aramada ve bulmada doku özelliklerinin kullanılması
SİNAN KONYA
Yüksek Lisans
İngilizce
1998
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHİTTİN GÖKMEN