Gerçek Veriler Üzerinde Test Edilmesi

Önerilen yöntem, görüntü verileri üzerinde test edilmiştir. Görüntü piksel değerleri, kural vektörü tarafından üretilen geçiş şemasına göre gruplandırılır. Örneğin, geçiş diyagramı sayısı 16 ise, o zaman gruplandırılmış piksel sayısı 16 olacaktır. Her bir piksel grubu temsil eden pikselin değerini alır. Diğer bir deyişle, bir gruptaki tüm piksellerin aynı değeri vardır.

Kural vektörüne göre gerçekleştirilen piksellerin gruplanması. Farklı kural vektörleri kullanıldığında farklı gruplar elde edilecektir. Bu işlem, deseni veya özelliği görüntülerden çıkarmak anlamına gelir. Ortaya çıkan desenler veya özellikler yüz tanıma (Peldek, 2012) veya diğer bilgisayarlı görme uygulamaları için kullanılabilir.

Özellik çıkarma, boyut küçültmenin bir yoludur. Mevcut verilerin boyutunu azaltmak için iki yöntem vardır; özellik seçimi ve özellik çıkarma. Özellik seçimi, özellik vektöründeki doğru veya ayırt edici özellikleri kullanmayı amaçlamaktadır. Bunun için düzenleme yöntemleri ve özellik seçimi algoritmaları kullanılmaktadır. Özellik çıkarma yöntemleri ayrıca veri boyutunu azaltmaya yardımcı olur. Özellik seçim yöntemlerinden farkı: Mevcut özellik vektöründen belirgin şekilde farklı değerler elde eder ve daha az boyutlara sahip özellik vektörlerine sahip olur. Özellik çıkarmanın temel amacı, söz konusu özellik vektörünün daha küçük boyutlu bir özellik vektörü ile temsil edilmesidir. Önerilen yöntemin görüntüler üzerindeki kullanımı, aynı zamanda boyut küçültme görevi anlamına da gelmektedir.

Farklı kural vektörlerini kullanarak görüntülerin piksellerinden desenler çıkarılmıştır. Aşağıdaki şekillerde elde edilen sonuçlar yer almaktadır.

118

Şekil 3.2. Yukarıdaki görüntülerin ilk resmi Yale Face Database [25] 'den elde edilen orijinal görüntüdür ve takip eden görüntüler farklı kural vektörlerine göre elde edilen sonuçlardır. Her bir resmin altında uygulanan kural vektörü yer almaktadır

Şekil 3.3. Farklı kural vektörlerine göre elde edilen sonuçlar. Her bir görüntünün altında uygulanan kural vektörü yer almaktadır.

119

Şekil 3.4. Farklı kural vektörlerine göre elde edilen sonuçlar. Her bir görüntünün altında uygulanan kural vektörü yer almaktadır

Deneysel sonuçlar, her kural vektörünün neredeyse benzersiz bir desen çıkardığını göstermektedir. Bu bize görüntülerden farklı özellikler çıkarma yeteneği sağlar. Kullanılacak olan kural vektörü, (Das ve ark., 2009; Ganguly ve ark., 2002) çalışmalarında belirtildiği gibi eğitim aşamasında belirlenebilir.

Dört uzunluklu bir kural vektörü, 28x28x28x28=4294967296 farklı kural dizilimine sahip olabilir. Kural vektörü uzunluğu arttıkça, elde edilebilecek farklı kural vektörü sayısında üstel olarak artmaktadır. Bu bize çok geniş aralıkta kural vektörü seçme imkanı verir. Çok fazla seçeneğin olmasının dezavantajı; seçim yapmayı zorlaştırmasıdır. Bu dezavantaj hücresel otomata ve görüntü işleme ile ilgili araştırmacılar için bir fırsat olabilir.

Kural vektörünü oluşturan kurallar, elde edilecek durum geçiş diyagramlarının yapısına doğrudan etki ettiği gibi görüntülerden elde edilecek örüntülerin yapısına da doğrudan etki etmektedir. Kuralların durum geçiş diyagramlarının oluşumuna nasıl etki ettiği, önceki bölümde detaylıca ele alınmıştır. Hücresel otomatlar durum geçiş diyagramlarının yapısına göre iki ana gruba ayrılmıştır; ters döndürülebilir ve ters döndürülemez hücresel otomatlar. Önerilen yöntem iki farklı hücresel otomatın durum geçiş diyagramlarını sorunsuz bir şekilde ayrıştırmaktadır

120

Kural vektörünün görüntü verileri üzerinde uygulanırken dikkat edilmesi gereken bir durum; kural vektörünün uzunluğudur. Kural vektörünün uzunluğu kural vektöründe yer alan kural sayısı kadardır. Örneğin kural vektörü dört kuraldan oluşuyorsa bu kural vektörünün uzunluğu dörttür. Kural vektörü ikili verilerin bir sonraki durumunu belirler. Bir kural vektörü sahip olduğu kural sayısına göre farklı sayılarda durumun bir sonraki durumunu belirleme kapasitesine sahiptir. Dört kuraldan oluşan bir kural vektörü 24 =16 farklı durumun bir sonraki durumunu belirleme kapasitesine sahiptir. Bu bölümdeki uygulamada kural vektörü 0 ile 255 arası değer alabilen gri görüntü verileri üzerinde kullanıldığı için kural vektörünün uzunluğunu en az sekiz olarak belirlenmiştir. Böylece kural vektörü 0 ile 255 arasında olabilecek tüm değerlerin bir sonraki durumunu belirleyebilecektir.

Uygulamama gri görüntüler üzerinde gerçekleştirilmiştir. Uygulama renkli görüntüler üzerinde de kolaylıkla gerçekleştirilebilir. Renkli görüntüler üzerinde işlem yapılırken her bir renk kanalı üzerinde yöntemin gerçekleştirilmesi gerekir.

Bazı görüntüler noktalı değerler içerebilir. Notalı değere sahip görüntüleri üzerinde yöntemin uygulanabilmesi için, noktalı değerler istenen tamsayı aralığına ölçeklendirilmelidir. Tamsayı değerler elde edildikten sonra yöntem kolaylıkla uygulanabilir. Kural vektörü uzunluğunun, belirlenen renk aralığındaki değerlerin bir sonraki durumunu belirleyecek uzunlukta olması gerekmektedir.

3.4. Sonuç

Hücresel otomatların dinamik ve ayrık yapısı birleştir/bul veri yapısı ile kolay ve verimli bir şekilde uyum sağlamıştır. Kural vektöründeki kuralların özelliklerine göre oluşan ters döndürülebilir ve ters döndürülemez hücresel otomatların kümelere ayrıştırılması ve girdi olarak verilen bir elamanın hangi kümeye ait olduğu birleştir/bul veri yapısının gerçekleştirilmesi için önerilen hızlı-bul, hızlı-birleştir, ağırlıklı-hızlı- birleştir ve yol-sıkıştırmalı-hızlı-birleştir yöntemleri ile gerçekleştirilmiştir. Birleştir/bul için önerilen bu farklı yaklaşımlar uygulamanın veya problemin gereksinimlerine göre tercih edilebilir. Eğer kümlerin ayrıştırılması ile elemanların hangi alt kümeye ait olduklarının bulunma işlemi eş zamanlı yapılacaksa yol- sıkıştırmalı-hızlı-birleştir yöntemi zaman karmaşıklığı açısından en iyi sonucu

121

verecektir. Eğer birleştirme işlemi ön hazırlık amacı ile yapılıp uygulamanın çalışma zamanında sadece bul işlemi yapılacaksa hızlı-bul yöntemi en iyi sonucu vermektedir.

Birleştir/bul veri yapısı tek bir diziye ihtiyaç duyan ve yerinde işlem olarak adlandırılan; elemanların bulunduğu dizide işlem yapan bir algoritmaya sahiptir. Bu çalışmada da farklı hücresel otomatların ayrıştırılma işlemi tek bir dizi kullanılarak ve yerinde işlem yapılarak gerçekleştirilmiştir.

122