Geri Dön

Texture features for browsing and retrieving of image data

Görüntü verisi aramada ve bulmada doku özelliklerinin kullanılması

  1. Tez No: 75537
  2. Yazar: SİNAN KONYA
  3. Danışmanlar: DOÇ. DR. MUHİTTİN GÖKMEN
  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: 1998
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Kontrol ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 110

Özet

ÖZET Geçtiğimiz birkaç yıla kadar görüntü ve video depolarının ve de arama sistemlerinin indekslenmesi, bu resimlerin ve videoların tek tek incelenip, onları tanımlayan yazıların belirlenmesiyle olmaktaydı. Yazı tabanlı indeksleme çok zaman kaybı anlamına geliyordu. Ele aldığımız bir resim hakkında dakikalarca, hatta bazen saatlerce konuşabileceğimizi düşünürsek, yazı tabanlı indeksleme yönteminin görsel içeriği tam olarak tanımlayamayacağı ve kapsayamayacağı açıktır. Yazı tabanlı indekslemeyi yapan kişi resimdeki tüm nesnelerin konumlarını ve karakteristiklerini tanımlayamayacaktır ve tanımlanmamış olan bir detay ileride kullanıcılar tarafından kullanılmak istenilebilir. Böyle bir istek geldiğinde içerik uyuşmazlığı hatası alınacaktır. Ayrıca önemli noktalardan biri de indeksi oluşturan kişiler ile kullanıcıların dillerinin ve de ifade biçimlerinin farklı olmasıdır. Kullanıcı anahtar kelimeyi indekste belirtildiği şekliyle belirtmez ise istek başarısızlık ile sonuçlanacaktır. Görüntü ve video veri tabanlarındaki bu boşluğu gidermek için bilgisayarın görüntüler üzerinde yapacağı analizler sonucunda elde edeceği düşük seviyeli özelliklerden yararlanılmaktadır. En temel özelliklerin başında renkler, renk dokuları, dokular ve şekiller gelmektedir. Otomatik olarak bu özelliklerin çıkartılması ve de indeksin bu özelliklerden oluşturulması, görüntü ve video arşivlerine büyük güç katmıştır. Bu tür indekslerin kullanılması yazı tabanlı indekslemeyi saf dışı bırakmamaktadır, aksine yazı tabanlı indekslerin kullanıldığı sistemlerin güçlenmesini sağlamaktadır. Oluşturulan bu indekslerden yararlanılarak büyük bir görüntü veya video arşivi üzerinde sorgulama yapabiliriz. Sorgulamalar, örnek resimler veya video görüntüleri ya da anahtar kelimeler kullanarak bu tür veri tabanla rı üzerinde yapı labilmektedir. Kullanıcının seçtiği görüntüyü içeren veya ona benzeyen görüntülerin veya video karelerinin sistem tarafindan getirilmesine, kullanıcının herhangi bir yangın sahnesini seçip sistemden diğer yangın sahnelerim getirmesini örnek verebiliriz. Bu rada sistem kırmızı tonlarının yoğunlukta olduğu resimleri getirecektir. Renk ve doku en temel ayırt edici özellikler olarak kullanılmaktadır. Şöyle bir örneği göz önüne alalım, elimizde orman ve plaj görüntülerini içeren iki grup resim olsun, kazayla bu resimleri yere düşürdüğümüzü varsayalım. Bu resimleri tekrar orman ve plaj görüntülerini içeren iki gruba ayırmak için kabaca resimlere bakmamız yeterli olacaktır. Bu örnekte olduğu gibi, bir çok resim tanıma ve sıralama işlerinde de düşük seviyeli bilgiden yararlanılıp yüksek seviyeli sonuçlar çıkartılmaktadır. Buradan ed indiğimiz sonuç doğrultusunda düşük seviyeli özelliklerin görüntüler üzerinde vereceğimiz karaların temelim teşkil ettiğini söyleyebiliriz. Bu tür özelliklerin kullanılması daha önceleri kullanılan ve bir görüntüdeki tüm detayları ortaya çıkartmaya çalışan algoritmalardan çok daha iyi sonuçlar vermektedir. Renk, doku, şekil ve hareket çoğu kişi için açık kavramlar olmalarına karşın bu özelliklerin insan tarafından nasıl ayırt edildiğini ölçmek çok zordur. Ayrıca bu özelliklerin ayırt edilmesi kişiden kişiye de farklılık göstermektedir. Bu özellikler indekslenmeye uygun olmalıdır. Görsel bir veriyi, özelliklerini temel alarak xıtanımlamaktaki en büyük zorluk, bu özellikler uzayının çok yüksek boyutlarda olmasıdır. Özellikler uzayının boyutundaki artış iyi bir şekilde indekslemedeki zorluğu da arttırmaktadır. Bu da özelliklerin seçiminin önem kazanmasına neden olur. Bu tez çalışmasında, en temel düşük seviyedeki özelliklerden olan“doku”ele alınmıştır. Dokunun kesin bir tanımını yapmak çok zordur. Analitik açıdan bakarsak, dokuların yapısı birbirini tekrar eden yapılardan oluşmaktadır. Bunu birbirini tekrar eden yapıların bir yerleşim kuralına göre yerleştiğini düşünelim. f=R(e) O) burada R yerleşim kuralını ve e doku için en küçük elemanı tanımlamaktadır. Yerleşim kuralı R fonksiyonundaki e dönüşümlü olarak / ile yer değiştirdiğinde mikrodoku elde etmiş oluruz. Dokuları anlamak, insanın görüntüyü anlaması bakımından çok önemlidir. Bu nedenle dokular konusunda bir çok çalışma yürütülmüştür ve de yürütülmektedir. Doku tanımındaki en büyük zorluklardan biri, çok sayıdaki alt niteliği tek bir tanım çatısı altında toplamaktaki zorluktan gelmektedir. Bu niteliklerden en önemlileri şunlardır : Kontrast, düzensizlik, periyodiktik, yapısallık, doku temel yapısını büyüklüğü, yönü. Bu çalışmada geliştirilen doku görüntüsü arama sisteminde, dokular temel olarak yapısal ve yapısal olmayan (düzensiz) dokular olarak ikiye ayrılmıştır. Veritabanında yapılacak olan sorgulamalarda bu ön ayran göz önünde tutulmuştur. Yapısal olan dokuları indekslenmesi için IB (İD) Wold aynştırımını temel alan 2B Wold aynştırımı kullanılmıştır. Wold ayrıştırımına göre bir doku, yapısal (structured) özelliğin sonucu olan belirlenebilen parçayla, yapısal olmayan (structureless) özelliğin sonucu olan belirlenemeyen parçanın birleşiminden oluşmaktadır. Ayrıca belirlenebilen parça da periyodikliğin sonucu olan harmonik parçayla, yönlülüğün sonucu olan parçanın birleşiminden meydana gelmektedir. Homojen rastgele alanların (random fields) spektrum dağılımındaki tekil (singular) değerler belirlenebilen alanlara, sürekli değerler ise belirlenemeyen alanlara karşılık gelmektedir. Şekil l'de yapısallıkları soldan sağa azalan dört doku örneği verilmiştir. Şekil l'in ikinci satırında yer alan ve dokuların Sayısal Fourie Transform genliklerini (DFT magnitudes) gösteren görüntülerden, yapısal olmayan dokularınkinin dağınık, yapısal olanlarınkinin de yapısal olduğu görülmektedir.Şekil 1 Dört doku örneği. İ lk satı rda orjinal doku resmi, ikinci sa tırda dokulara ait olan Sayısal Fourier Transform genliği, üçüncü satırda birlikte değişim (autocovariance) enerji dağılımı ve dördüncü satırda küçük yerleşim alanı yer almaktadır. Bu bilgiler doğrultusunda Fang Liu tarafında geliştirilen yöntemle görüntü veritabanı ndaki, dokuların Wold özellik vektörleri oluşturulmuştur ve bu özellik vektörleri görüntü aramada kullanılmıştır. Wold özellik vektörü, görüntünün spektrum dağılımındaki en büyük genliğe sahip olan harmoniklerinin frekans bilgileriyle, genlik bilgilerim içermektedir. Wold tabanlı doku metodu yapı sal dokularda geçerli olduğu için, öncelikle özellik vektörü belirlenmek üzere ele alı nan dokunun yapı sal olup olmadı ğı testi (periyodiklik testi) yapı İmal d ır. Dokunun yapı sal olup olmadı ğı na otokovaryans enerji dağı lı mı ele alı narak karar verilmektedir. Yapı sallı ğı çok olan (periyodik) dokuları n otocovariance enerji dağı lı mı 2B düzlemini periyodik olarak kaplarken, yapı sal olmayan, dağı nı k görünümlü (random looking) dokularda bu enerjinin büyük bir bölümü küçük bir alan içerisine toplanm ıştı r. Şekil l'in üçüncü satı rı dokularaolan otokovaıyans enerji dağılımlarını göstermektedir. Görüleceği gibi yapısal dokuların otokovaıyans enerji dağılımları periyodik olarak geniş bir alanı kaplamaktadır. Şekil l'deki dördüncü satırda, birlikte değişim enerjisi maksimum enerjinin belirli bir oranından (bu çalışmada %10 alınmıştır) büyük olan“küçük yerleşim alanı”(small displacement region)'nı göstermektedir. Küçük yerleşim alanındaki enerjinin toplam enerjiye olan oranı dokunun ne kadar yapısal olduğu bilgisini vermektedir. Fang Liu yaptıkları çalışmalarla sınır değerinin %18 seçilmesinin iyi sonuçlar verdiğini ortaya koymuştur. Dokunun ne kadar yapısal olduğunu belirlemek için yapılan yukarıdaki çalışmalar sonucunda elde edilen enerji oranı bilgisi ve küçük yerleşim alanıyla ilgili X-Y koordinatlanndaki sınır bilgileri ve bu alanın büyüklük bilgisi ek bir özellik vektörü olan oriyantasyon özellik vektörü (orientation feature) olarak sisteme depolanır. Elde edilen bu ek oriyantasyon özellik vektörü ortaya konulan görüntü arama sisteminin performansına büyük katkı sağlamıştır. Dokunun ne kadar yapısal olduğu belirlendikten sonra harmonik tepe özellik (harmonic peak feature) vektörü hesaplanır. Ve bu özellik vektörü veritabanına depolanır. Tasarlanan sistemde Wold tabanlı doku metodunun başarısız olduğu ve doğal dokuların büyük çoğunluğunu kapsayan yapısal olmayan, rastgele görünümlü dokuların indekslenmesi için Haralick tarafından ortaya konan“gri seviyelerin birlikte oluşumu matrisi”(gray level co-occurence matrix) seçilmiştir. Bu yöntem diğer bir çok yöntemden daha iyi sonuçlar vermektedir. Doku için benek bilgisi çok anlamlı değildir onun yerine bu beneğin çevresindeki komşularıyla olan ilişkisi çok daha anlamlıdır. Gri seviye birlikte oluşumu yönteminde dokuların bu özelliği ortaya çıkarılmıştır. Eşitlik (2)'de gri seviyelerin tekrarı matrisi P(i,j). Bu eşitlikte / görüntüyü ve S de görüntüdeki belirlenen ilişkiyi (spatial relation) sağlayan tüm benek çiftlerini göstermektedir. P(W = I {((m,n),(k,l)) (E S\I(m,n) = i ve I(k,l) =j}\ 2) P(i,j) den elde edilen olasılık fonksiyonları doku için özellik vektörünü oluşturmaktadır. Bu çalışmada kullanılan olasılık fonksiyonları şunlardır: Enerji : 1 t P(İ'J)2 (3) ^ ^ (4) Entropi: X Z ^J^ogPfiJ) ı -İ j=l » » (5) Kontrast: A 2 ^>2p^ XIV^ A (T x)(j-uy)P(W (6) Korelasyon: 2f fa axay * Homojenlik: £ £ I^~f Bu fonksiyonlar, her bir doku için uzaklık û? = 1 seçilip, (0°, 45°, 90°, 135°) açılarının her birinde hesaplanıp ve ortalamaları alınarak, doku için gri seviyelerin birlikte oluşumu özellik vektörleri oluşturulmuştur. Sonuç olarak veritabanındaki her görüntü (doku) için sistemde önceden hesaplanmış bulunan Wold özellik vektörü, gri seviyelerin birlikte oluşumu özellik vektörü ve de oriyantasyon özellik vektörü olmak üzere üç özellik vektörü bulunmaktadır. Kullanıcı- sistemdeki bir doku görüntüsünü seçer ve sistemden o dokuya benzeyenleri getirmesini ister. Sistem seçilen dokuyu ele alıp, sistemdeki diğer dokulara ait olan özellik vektörlerini belli bir sistematik içersinde kullanır, diğer dokuların örnek dokuya olan benzerliklerini hesaplar, hesaplanan bu benzerlikleri büyükten küçüğe sıralar, örnek dokuya benzerliği en yüksek olan dokuların listesini benzerlik sırasında kullanıcıya getirir. Sistemde aranmak istenen doku için ilk olarak oriyantasyon vektörüne bakılır eğer küçük yerleşim alanındaki enerji oranı %18 altındaysa arama sadece Wold özellik vektörü kullanılarak gerçekleştirilir. Eğer bu oran %28 den büyük ise arama sadece gri seviyelerin birlikte tekrarı özellik vektörü kullanılarak gerçeüeştirilir. Enerji oranının %18 ile %28 arasında olması durumunda arama her iki özellik vektörü birlikte kullanılarak gerçekleştirilir. Enerji oranın %18 e yakın olduğu durumda Wold özellik vektörü baskın olandır, oran %28 yaklaştıkça Wold özellik vektörünün etkisi azalır gri seviyelerin birlikte tekrarı özellik vektörünün etkisi artar. Aramalarda oriyantasyon özellik vektörü kullanılarak verilen örnek görüntü için veritabanındaki tüm doku görüntülerinin taranması yerine sadece benzer olması muhtemel doku görüntüleri ele alınır. Böylelikle hem arama işleminde hızlanma hem de aramadaki performansta artış olmuştur. Doku görüntüsü aramadaki performans, özellik vektörleri için hangi metodların kullanıldığının yanında bu özellik vektörlerinin nasıl kullanıldığıyla da çok ilgilidir. Bu tezde yukarıda anlatılan yöntemler kullanılarak bir doku görüntüsü arama ortamı oluşturulmuş ve bu yöntemlerin ne kadar verimli olduğu ortaya konmuştur. XV

Özet (Çeviri)

SUMMARY Textural features for retrieving image data is studied in this work. At the end a texture retrieval system is developed. Collections of digital imagery are growing at a rapid pace. The context are broad, including areas such as entertainment, education, science, medicine, marketing, and design. There are three low level feature types used mainly in image retrieval systems, they are color, texture and shape. Texture is the main subject of this thesis. Difficulty and complexity in its definition and large number of varieties in nature, there are no one method covers all textures. Each method has different power on different types of texture. Texture feature vectors are extracted to represent each pattern in the image database to develop image retrieval system. In this work, textures are divided into two different categories, structured (periodic), and less structured (random-looking). To retrieve structured, nonrandom-looking textures Wold based texture modeling is used. Wold feature is very powerful on retrieving highly structured textures by tolerating certain local inhomogeneties. But most of the textures in nature are not structured. These textures are represented by gray level co-occurence matrix features which outperformed most of the other methods. In retrieving texture which is between structured type and random-looking type both of the Wold feature and gray level co-occurence feature are used together. In order to increase retrieval performance and speed up retrieval process, the prototype image provided by human user is examined to decide which feature must be used and which images in the database involve in calculating similarity measure for retrieving images resemble to the prototype image. Narrowing size of the search space for given prototype image is done with examining orientation features of the given prototype texture and test texture. The orientation feature set of a texture extracted while extracting Wold feature of the texture includes features extracted from autocovariance energy distribution of the texture. In image retrieval system, types of the feature used in retrieval are very important and the selection of these feature types depends on the application. How to use these features are another important fact influences on the retrieval performance.

Benzer Tezler

  1. Tez No

    431094

    Genetik algoritma kullanılarak renk ve doku özelliklerine dayalı içerik tabanlı görüntü erişim sistemi tasarımı ve uygulaması

    The design and application of content based image retrieval system based on color and texture features by using genetic algorithm

    MEHMET AYAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. OSMAN AYHAN ERDEM

  2. Tez No

    75158

    Türk halılarının görüntü veri tabanı kullanarak saklanması ve sorgulanması

    Başlık çevirisi yok

    BARBAROS GÜNAY

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHİTTİN GÖKMEN

  3. Tez No

    104103

    Indexing and browsing of multimedia content data with MPEG-7

    Çoğul ortamlar verilerinin MPEG-7 ile indekslenmesi ve taranması

    OĞUZ İÇOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2001

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    PROF. DR. MUHİTTİN GÖKMEN

  4. Tez No

    561266

    Taze kesilmiş elmalarda kararmayı engelleyici maddelerin yenilebilir kaplama ile birlikte kullanımının muhafaza süresince kalite özellikleri üzerine etkisi

    Effects of combination of anti-browning substance with edible coating on quality of fresh cut apples during storage

    MAYS TALAL KADHIM MAADHEEDI

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    ZiraatSelçuk Üniversitesi

    Bahçe Bitkileri Ana Bilim Dalı

    DOÇ. DR. FERHAN KÜÇÜKBASMACI SABIR

  5. Tez No

    619125

    Danelenmiş hicaznar (Punica granatum) çeşidinde farklı hasatsonrası uygulamaların kalite özellikleri üzerine etkileri

    Effects of different postharvest treatments on qualityfeatures of minimally processed pomegranate punica granatum cv. hicaznar

    ISRAA MOHAMMED MAHDI

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    ZiraatSelçuk Üniversitesi

    Bahçe Bitkileri Ana Bilim Dalı

    DOÇ. DR. FERHAN KÜÇÜKBASMACI SABIR

Geri Dön