Çok ölçekli raslantı alan modeli için görüntü bölütleme
Multiscale random field model for image segmentation
- Tez No: 68904
- Danışmanlar: PROF. DR. ERDAL PANAYIRCI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 1997
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 63
Özet
Özet Bu tezde, Bayes imge bölütleme uygulamaları için önerilmiş çok ölçekli raslantı alan modeli incelenmektedir. Bölütleme ile amaçlanan, imgeyi, ortak istatistiksel özellikler gösteren türdeş bölgelere ayırmaktır. İmge bölütleme, bir benek etiketleme sorunu olarakta görülebilir. Benek etiketleme sorunu, kötü konumlanmış bir sorundur. Eldeki veriler problemi tek bir çözüme ulaştırmaya yeterli değildir. Problemi iyi konumlanmış druma getirmek için, belirli kısıtlar kullanılır. Bu yönteme düzenlileştirme yötemi adı verilir. Bölütleme ve sınıflandırma problemlerinde, özellikle üç kısıt öne sürülmüştür:. komşu beneklerin aynı bölgeye/sınıfa ait olma olasılığı daha yüksektir,. birbaşına sınıfların olabilirliği düşüktür,. yüzeyler düzgündür. Düzenlileştirme için iki farklı yaklaşım önerimiştir. Deterministik düzenlileştirmede, süreklilik ya da parçalı süreklilik varsayımı yapılarak kabul edilebilir çözüm sayısı indirgenir. Olasılıksal düzenlileştirmede, imgedeki beneklerin birbirleri ile olan ilişkileri ve imgede varolan bağlamsal bilgi modellenerek, herbir beneğin etiketinin kestirimi istatistiksel yöntemlerle gerçekleştirilir. XIBir imgeyi, Markov raslantı alanıyla modelleyebiliriz. Markov raslantı alanında, herbir benek sadece komşularına bağlıdır. Bu model imgede varolan yerel özellikleri ve yapıları modellemek için uygun niteliklere sahiptir. Bu özellik sayesinde, model karmaşıklığı önemli ölçüde azalır. Modellemeden sonra, beneklerin hangi sınıflara dahil olduğu, en büyük sonraki olasılık kestirimi yoluyla belirlenir. Uzamsal bağımlılıkların, belirlene yerel komşuluklar ile sınırlı kalmaları nedeniyle, farklı uygulamalar için farklı Markov modelleri önerilmiş, böylece Markov raslantı alan modelleri doku sentezleme, doku sınıflandırma, doku ve imge bölütleme ve imge onarımı alanlarında çok yoğun ve başarılı biçimde kullanılmıştır. Markov raslantı alanı modelinde, imgedeki sınıfların kestirimi en az yanlış sayıda sınıflandırılmış benek kalması prensibine göre olduğundan çözüme yoğun hesaplamalardan sonra ulaşılabilir. Yüksek çözünürlüklü imgelerde az sayıda beneğin yanlış sınıflandırılması imgenin kalitesini çok fazla düşürmez. Bu sebeple markov raslantı alanıyla modellenen yüksek çözünürlüklü imgede, gereksiz yere çok yoğun işlemler yapılır. Çokölçekli yöntemler, Markov raslantı alanlarının götürülerini önemli ölçüde azaltırlar. Çokölçekli raslantı alanlarında, bölütleme işlemine kaba bir ölçekte başlanır ve giderek daha ince ölçeklere gidilir. Markov raslantı alanı modelinde imgeye ait önsel bilgi tek bir ölçekte modellenirken, çokölçekli raslantı alanı modelinde, aynı bilgi farklı ölçeklerde tanımlanabilir. Çokölçekli modellerin sağladığı en önemli getiri, işlem karmaşıklığını büyük ölçüde azalmasıdır. Çokölçekli modeller ölçek-özyineli biçimde raslantı alan ve sürecinin betimlenmesini sağlar.Genel anlamda, çok ölçekli algoritma tanımlamak için, aşağıdaki özelliklerin tanımlanması gereklidir.. toplam ölçek sayısı,. her bir ölçekteki benek sayısı,. ince ölçekteki çözümü, daha kaba ölçeğe atayan bir kısıtlama (restriction) fonksiyonu,. kaba ölçekten ince ölçeğe geçişi tanımlayan bir genişletem (prolongation) fonksiyonu,. algoritmanın her ölçekte ne zaman sonlanacağını belirleyen ve kısıtlama/genişletme fonksiyonlarının eşgüdümünü sağlayan bir kurallar topluluğu. Çok ölçekli yöntemlerin sinyal ve imge işleme alanlarında uygulanabilmesi için, süreci farklı ölçekler üzerinde tam olarak tanımlayan, kabadan-inceye ve inceden-kabaya geçiş ilişkilerini tam olarak ortaya koyan teorik yapının oluşturulması gerekir. Sinyal işlemede ölçekler arası ilişki bir ikili ağaç üzerinde tanımlıdır. İmge işleme uygulamalarında ise, bu ilişkiler bir dördün ağaç üzerinde tanımlanmıştır. Tezde ele alman modelin en belirgin özelliği, ölçeklerin bir Markov zinciri oluşturmasıdır. Her bir ölçek, olasılıksal olarak sadece kendisinden önce gelen ölçeğe bağlıdır. Tüm ölçekler ele alındığında, bu yapı, sistemi olasılıksal açıdan tam olarak tanımlamaya yeterlidir. Ele aldığımız modelin bir diğer özelliği, herhangi bir ölçekteki bir beneğin, bir önceki ölçekte, sadece belirli bir komşuluk içinde yer alan beneklere bağımlı olmasıdır. Buözellik sayesinde, bölütleme algoritması için gerekli işlem karmaşıklığı büyük oranda azalır. Kaba ölçekte yapılan bir sınıflandırma hatası, ince ölçeklere gidildikçe daha büyük sayıda beneğin yanlış sınıflandırılmasına yol açar. Bunu önlemek için uygun bir bedel fonksiyonu seçilmelidir. Seçilecek bedel fonksiyonu, kaba ölçeklerdeki hatalara daha büyük cezalar atamalıdır. Tezde, bölütleme işlemi sentetik görüntülere uygulanmış ve başarılı sonuçlar elde edilmiştir. Sentetik görüntülerin dokusal parametreleri histogramlarından faydalanılarak bulunmuştur. Kullanılan görüntülerin kaba ölçekten ince ölçeğe geçerken sınıfların aynı kalmasınmın olasılığını belirleyen parametre her ölçek için ayrı ayrı bulunmuş ve ince ölçeğe inildikçe bu olasılığın büyüdüğü görülmüştür. İnce ölçekteki dört benek kaba ölçekte bir benek oluşturmuş ve ince ölçekteki bir beneğin kaba ölçekteki komşuluğu tek bir benek olarak alınmıştır. Bu, beneklerin sınır bölgelerinde hatalı sınıflandırılmasına yol açmıştır. İleriki çalışmalarda, sınır bölgelerindeki sınıflandırma hatalarını önlemek amacıyla, üst ölçekteki komşuluk sayısının arttırılmasına gidilebilir. Aynı zamanda, programlarda değişiklikler yapılarak, gerçek görüntüler üzerinde model denenebilir ve algoritmanın başarımı incelenebilir. Tezin ilk bölümünde konuyla ilgili genel bilgiler verilmekte, Bölüm 2'de Bayes ve Markov raslantı modeli ele alınmakta, Bölüm 3'te çokölçekli bölütleme yaklaşımı ayrıntılı bir şekilde anlatılmış ve Bölüm 4'te, sentetik görüntülere uygulanan bölütlemebölütleme yaklaşımı anlatılmıştır. Bölüm 5'te varılan sonuçlar ve geleceğe dönük değerlendirmeler verilmiştir.
Özet (Çeviri)
Summary This thesis presents a multiple resolution algorithm for segmenting images into regions with differing statistical behaviour. The multiple resolution segmentation algorithm first segments images at coarse resolution and then progresses to finer resolutions until individual pixels are classified. The field containing the classification of each pixel in the image is modelled as a Markov random field. Segmentation at each resolution is then performed by maximising the a posteriori probability of this field subject to the resolution constraint. The objective of texture segmentation is to separate an image into regions of distinct statistical behaviour. An assumption in this process is that the statistics of each region are stationary and that each region extends over a significant area. Therefore, it is reasonable to assume that image pixels which are spatially close are likely to be of the same texture. In addition, any texture segmentation algorithm which independently classifies each pixel in an image is likely to perform poorly since locally there may not be sufficient information to make a good decision. For this reasons, most segmentation algorithms impose some form of smoothness in the resulting segmentation. For example, this may be done by dividing the image into blocks and classifying the texture of each block separately. However, if the block size chosen is too small, discriminating among similar textures may be difficult. Alternatively, if the block size is too large, regions of differing texture may be lost. In either case, the resulting boundaries will not be accurate since there is no reason to believe that the actual texture boundaries occurred along the block boundaries. Alternatively, a number of authors have proposed more natural methods of imposing smoothness constraints on the segmentation of an image. These methods use a random field with smooth spatial behaviour to model the discrete valued field containing the classification of each pixel in the image. Segmentation is then approached as a statistical estimation problem. In this approach, a region in the image is classified differently from the surrounding regions if there is sufficient statistical evidence to justify a distinct region regardless of size. The algorithm used in this thesis first segments the image at coarse resolution and proceeds to progressively finer resolutions until individual pixels are classified. At each resolution the algorithm is used to perform the classification, and then the result is used as an initial condition at the next finer resolution.
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
- Image segmentation based on multiscale random field models
Çok ölçekli rastlantı alan modelleri ile imge bölütleme
A. MÜFİT FERMAN
Yüksek Lisans
İngilizce
1995
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. ERDAL PANAYIRCI
- Bayes tümleştirme teknikleri kullanılarak yüzey kurma ve ayrıt sezme
Visual surface recontruction and boundary detection using bayesian integration
BİLGE GÜNSEL
Doktora
Türkçe
1993
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. ERDAL PANAYIRCI
- From media-based modulation to reconfigurable intelligent surfaces: Novel index modulation solutions
Ortam-tabanlı modülasyon'dan uyarlanabilir akıllı yüzeylere: Özgün indis modülasyon çözümleri
ZEHRA YİĞİT
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERTUĞRUL BAŞAR
PROF. DR. İBRAHİM ALTUNBAŞ
- A study on the energy efficiency criteria of green campus with a multi-scale approach: METU campus
Çok ölçekli bir yaklaşımla enerji verimli yerleşke kriterlerinin sağlanması üzerine bir çalışma: ODTÜ yerleşkesi
ÖZGÜ APAYDIN
Yüksek Lisans
İngilizce
2019
Şehircilik ve Bölge PlanlamaOrta Doğu Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MELTEM ŞENOL BALABAN