• Sonuç bulunamadı

Bu tezde, 2-B dikgen kafes süzgeç yapılarına dayanan yeni bir görüntü bölütleme yöntemi sunulmuştur. Bu yöntem, görüntüden elde edilen bazı parametrelerle görüntünün modellenebildiği bir yöntemdir. Elde edilen model parametreleri, görüntünün bölütlenmesi ve sınıflandırılmasında kullanılmaktadır.

Önerilen yöntemin model parametreleri, görüntüden her aşamada elde edilen yansıma katsayılarıdır. Tezde, 2-B dikgen kafes yapılarında, öngörü destek bölgesinin oluşturulması için çeyrek düzlem modeli kullanılmıştır. Ayrıca, bu yapıların 1., 2. ve 3. dereceler için sonuçları da ayrı ayrı incelenmiştir.

Pek çok 2-B kafes süzgeç yapısı mevcuttur. Üç parametreli kafes süzgeçler bu yapıların en basitidir ve daha önce doku görüntülerinin bölütlenmesi ve sınıflandırılması için denenmiştir. Tezde, her aşamasında üç adet yansıma katsayısı oluşturulan bu yapı, beş aşama için uygulanmış ve sonuçları önerilen yöntemin sonuçları ile karşılaştırılmıştır.

Tezde, önerilen yöntemle karşılaştırılması için uygulanmış olan diğer bir yöntem ise ayrık dalgacık dönüşümüdür. 2 seviyeli, piramit-yapılı ayrık dalgacık dönüşümü ile görüntülerin öznitelik vektörleri elde edilmiş ve bölütleme işleminde kullanılmıştır.

Bu çalışmada, doku görüntüsü ve optik görüntü olmak üzere iki tip görüntü incelenmiştir. Doku görüntüleri, Brodatz albümünden seçilmiştir. Optik görüntü ise SPOT 4 uydusundan alınmış tek bantlı, siyah-beyaz bir uzaktan algılama görüntüsüdür.

Yapılan çalışmada, belli boyutlarda seçilen pencereler görüntü üzerinde kaydırılarak, her kaydırma için tezde sunulan yöntem ve bu yöntemle karşılaştırılan diğer yöntemlerle, o pencereye ait öznitelik vektörleri bulunmuştur. Ardından, bu öznitelik vektörleri daha

önce eğitim aşamasında hesaplanmış olan öznitelik vektörleriyle minimum uzaklık ölçümü kullanılarak karşılaştırılmış ve sınıf kararı verilmiştir. Tüm görüntü tarandığında da işlem sona ermiştir.

Diğer yöntemlerde olduğu gibi önerilen yöntemde de, uygulanan pencerelemeden dolayı, sınırlarda bölütleme ve sınıflandırma hataları görülmektedir. Pencereleme yöntemini kullanan algoritmalarda, bir piksel, etrafını çeviren bölgeye göre tanımlanır. Bu bölge, seçilen penceredir. Bu yüzden, farklı sınıfları ayıran sınırlarda bulunan piksellerde yapılan etiketlemeler yanlış sonuçlara yol açmaktadır.

Tezde önerilen yöntem, doku görüntülerinin bölütlenmesinde karşılaştırılan diğer iki yönteme göre beklendiği gibi çok daha iyi bir performans göstermiştir.

Ayrıca, doku görüntülerinde ayrık dalgacık dönüşümünün eğitim aşaması çok uzun sürmektedir. Optik görüntüde ise eğitim için sınıflar içinden seçilen pencereler küçük olduğundan böyle bir sorun yaşanmamıştır.

Optik görüntüde, önerilen yöntem, üç parametreli kafes süzgeç yapılardan daha iyi bölütleme yaparken, bazı yönlerden ayrık dalgacık dönüşümünün gerisine düşmektedir. Bunun nedeni, görüntünün tek bir spektral bandının bulunması ve sınıflar hakkında elde kesin bir bilgi olmamasından dolayı, sınıfları karakterize eden doğru özniteliklere ulaşılamamış olması olabilir.

Sonuç olarak, 2-B dikgen kafes yapıları, görüntü bölütleme işlemlerinde kullanılabilecek yapılardır. Görüntünün, sınır hatalarını ortadan kaldıracak bazı işlemlerden geçirildikten sonra kafes yapılarla bölütlenmesi daha iyi sonuç verecektir. Optik görüntülerde, daha başarılı sonuçlara ulaşılabilmesi için de çok bantlı ve kesin sınıf bilgileri olan görüntülerle çalışılması yerinde olacaktır. Ayrıca etiketleme, yani sınıflandırma adımında, minimum uzaklık ölçümü yerine yapay sinir ağlarının kullanılması denenebilir. Tüm bunlar ileride araştırma alanı yaratabilecek konulardır.

KAYNAKLAR

[1] Pal, N.R. and Pal, S.K., 1993. A review on image segmentation techniques, Pattern Recognition, 26(9), 1277-1294.

[2] Mao, J. and Jain, A.K., 1992. Texture classification and segmentation using multiresolution simultaneous autoregressive models, Pattern Recognition, 25(2), 173-188.

[3] Bouman, C.A. and Shapiro, M., 1994. A multiscale random field model for Bayesian image segmentation, IEEE Trans. on Image Processing, 3, 162-177.

[4] Chen, P.C. and Pavlidis, T., 1983. Segmentation by texture using correlation, IEEE Trans. on Pattern Analysis and Machine Intelligence, 5, 64-69.

[5] Manjunath, B. and Chellappa, R., 1991. Unsupervised texture segmentation using Markov random field models, IEEE Trans. on Pattern Analysis and Machine Intelligence, 13, 478-482

[6] Derin, H. and Elliot, H., 1987. Modeling and segmentation of noisy and textured images using Gibbs random fields, IEEE Trans. on Pattern Analysis and Machine Intelligence, 9(1), 39-55.

[7] Dunn, D. and Higgins, W.E., 1995. Optimal Gabor filters for texture segmentation, IEEE Trans. on Image Processing, 4(7), 947-964.

[8] Chumsamrong, W., Thitimajshina,P. and Rangsanseri, Y., 1999. Wavelet-based texture analysis for SAR image classification, International Geoscience and Remote Sensing Symposium, 3, 1564-1566.

[9] Gaohang, W., Yujin, Z. and Xinggang, L., 1999. Wavelet transform-based texture classification with feature weighting, Proceedings of International Conference on Image Processing, 24-28 September, 4 , 435 – 439.

[10] Chang, T. and Kuo, C.C.J., 1993. Texture analysis and classification with tree-structured wavelet transform, IEEE Trans. on Image Processing, 2(4), 429-441.

[11] Unser, M., 1995. Texture classification and segmentation using wavelet frames, IEEE Trans. on Image Processing, 4(11), 1549-1560.

[12] Serdaş, B., 2000. Texture image segmentation and classification by using 2-D lattice filters, MSc Thesis, Boğaziçi University, İstanbul

[13] Kayran, A.H., 1989. Design of 2-D recursive filters with asymmetric half-plane lattice modeling, Proc. Inst. Elect. Eng. G., 137, 427-438.

[14] Therrien, C.W. and El-Shaer, H.T., 1989. Multichannel 2-D AR spectrum estimates, IEEE Trans. Acoust., Speech, Signal Processing, 37, 1798-1800

[15] Therrien, C.W. and El-Shaer, H.T., 1989. A direct algorithm for computing 2-D power spectrum estimates, IEEE Trans. Acoust., Speech, Signal Processing, 37, 1795-1798.

[16] Nakachi,T., Yamashita, K. and Hamada, N., 1996. A two-dimensional adaptive joint-process estimator using new lattice form, Proc. IEEE Int. Symp. Circuits .Syst., Atlanta, GA, May 1996, 33-36.

[17] Kayran, A.H., 1996. 2-D maximum likelihood spectrum estimation using orthogonal 2-D lattice filters, Electron. Lett. , 32, 1339-1340.

[18] Kwan, H.K. and Lui, Y.C., 1989. Lattice predictive modeling of 3-D random fields with application to interframe predictive coding of picture sequences, Int. J. Electron., 66, 489-505

[19] Kwan, H.K., 1985. 2-D lattice modeling for image data compression, Proc.

IEEE Int. Symp. Circuits .Syst., Kyoto, Japan, 1105-1106.

[20] Kwan, H.K. and Lui,Y.C., Image data compression using lattice modeling method, Symp. Dig. Fifth Kobe Int. Elect. Inform. Sciences, Kobe, Japan

[21] Nam, M.N. and O’Neill, W.D., 1987. Adaptive linear predictive coding of time-varying images using multidimensional recursive least squares ladder filters, IEEE J. Select. Areas Commun., 5, 1115-1126

[22] Youlal, H., Janati-1, M. and Najim, M., 1992. Two-dimensional joint process lattice adaptive restoration of images, IEEE Trans. on Image Processing, 1, 366-378.

[23] Hendekli, C.M. and Ertüzün, A., 2001. Design of multichannel two-dimensional delta-domain lattice filter for noise removal, IEEE Trans.

on Signal Processing, 49, 1581-1593.

[24] Erer, I., Kartal, M. and Kayran, A.H., 2001. 2-D data extrapolation for high resolution radar imaging using autoregressive lattice modeling, Proc.

Inst. Elect. Eng. Radar, Sonar, Navigation, 148(5), 277-283.

[25] Erer, I. and Kayran, A.H., 2002. Superresolution ISAR imaging using 2-D autoregressive lattice filters, Microwave Opt. Technol. Lett., 32(1), 81-85.

[26] French, P.A., Zeidler, J.R. and Ku, W.H., 1997. Enhanced detectability of small objects in correlated clutter using an improved 2-D adaptive lattice algorithm, IEEE Trans. on Image Processing, 6, 383-397.

[27] Gonzalez, R.C. and Woods, R.E., 1993. Digital Image Processing, Addison-Wesley.

[28] Schumacher, P. and Zhang, J., 1994. Texture classification using neural networks and discrete wavelet transform, Proceedings IEEE International Conference on Image Processing, 3 , 13-16 November , 903 – 907.

[29] Kayran, A.H., 1996. Two dimensional orthogonal lattice structures for autoregressive modeling of random fields, IEEE Trans. on Signal Processing, 44(4), 963-978.

[30] Marzetta, T.L., 1980. Two-dimensional linear prediction: Autocorrelation arrays, minimum phase prediction error filters, and reflection coefficient arrays, IEEE Trans. on Acoust., Speech, Signal Processing, 32, 725-733.

[31] Parker, S.R. and Kayran, A.H., 1984. Lattice parameter autoregressive modeling of 2-D fields, Part I: The quarter - plane case, IEEE Trans.

on Acoust., Speech, Signal Processing, 32, 872-885.

[32] Parker, S.R., Kayran, A.H. and Dokanakolu, E., 1985. Asymmetric half plane autoregressive modeling of 2-d fields using lattice structures, Proc. Int. Symp. on Circuits and Systems, 85, 1101-1104.

[33] Ertüzün, A., 1989. Modelling of autoregressive fields by two-dimensional lattice filters and their entropy properties, PhD Thesis, Boğaziçi University, İstanbul

[34] Ertüzün, A., 1995. A survey of 2-D lattice filter structures, TÜBİTAK Elektrik Dergisi, 3(1)

[35] Haykin, S., 1986. Adaptive Filter Theory, Englewood Cliffs: New Jersey, Prentice-Hall.

[36] Ertüzün, A., Kayran, A.H. and Panayırcı, E., l990. A new 2d causal lattice filter and its entropy relations to model AR fields, Bulletin of Technical University of İstanbul, 43(1), 23-56.

[37] Bose, N.K., 1990. Multidimensional digital signal processing: Problem, progress, and future scopes, Proc. IEEE, 78, 590-597.

[38] Ayaz, E., 1997. Dalgacıklar ve elektrik mühendisliğindeki uygulamaları, Yüksek Lisans Tezi, İTÜ Fen Bilimleri Enst., İstanbul

[39] Lu, S.W. and Xu, H., 1995. Textured image segmentation using autoregressive model and artificial neural network, Pattern Recognition, 28(12), 1807-1817.

[40] Stolpmann, A. and Dooley, L.S., 1998. Genetic algorithms for automised feature selection in a texture classification system, Proceedings of International Conference on Signal Processing, 2, 12-16 September, 1229-1232

[41] Brodatz, P., 1966. Textures-a Photographic Album for Artists and Designers, Dover, New York.

[42] Cubero-Castan, E., Pons, J. and Zerubia, J., 1995. Evaluation on SPOT data of classification algorithms based on Markovian modelization, International Geoscience and Remote Sensing Symposium, 'Quantitative Remote Sensing for Science and Applications', 1 , 10-14 July

115 – 117.

[43] Demin Wang, Dong-Chen He and Morin, D., 1994. Classification of remotely sensed images using mathematical morphology, International Geoscience and Remote Sensing Symposium, 'Surface and Atmospheric Remote Sensing: Technologies, Data Analysis and Interpretation'., 3 , 8-12 August, 1615 – 1617.

[44] http:// www.spot.com

[45] Cakir, H.J., Khorram, S., Dai, X.L. and de Fraipont, P., 1999. Merging SPOT XS and SAR imagery using the wavelet transform method to improve classification accuracy, Proceedings IEEE International Geoscience and Remote Sensing Symposium, 1, 28 June-2 July, 71 – 73.

[46] Barbarossa, S. and Parodi, L., 1995. SAR Image Classification by Wavelets , Record of the IEEE 1995 International Radar Conference, 8-11 May, 462-467.

ÖZGEÇMİŞ

Saide Zeynep Aykut, 1979 yılında İstanbul’da doğmuştur. İlk, orta ve lise öğrenimlerini İstanbul’da sırasıyla, Hamdi Akverdi İlkokulu ve Özel Sankt Georg Avusturya Lisesi’nde tamamlamıştır. Lisans eğitimini 1998-2002 yılları arasında Yıldız Teknik Üniversitesi, Elektronik ve Haberleşme Mühendisliği bölümünde yapmış, 2002 yılında İstanbul Teknik Üniversitesi Telekomünikasyon Mühendisliği programında yüksek lisansına başlamıştır.

Benzer Belgeler