ANKARA ÜNİVERSİTESİ BİLİMSEL ARAŞTIRMA PROJELERİ
KOORDİNASYON BİRİMİ KOORDİNATÖRLÜĞÜNE
Proje Türü : BAĞIMSIZ Proje No : 11B4343001
Proje Yöneticisi : Doç.Dr.Refik SAMET
Proje Konusu : MİKRO JEOLOJİ ÖRNEKLERİN İNTERAKTİF İŞLEM YAZILIMI
Yukarıda bilgileri yazılı olan projemin sonuç raporunun e-kütüphanede yayınlanmasını;
İSTİYORUM İSTEMİYORUM
04.07.2013 Doç.Dr.Refik SAMET
ANKARA ÜNİVERSİTESİ BİLİMSEL ARAŞTIRMA PROJESİ
SONUÇ RAPORU
Proje Başlığı: Mikro Jeoloji Örneklerin İnteraktif İşlem Yazılımı Proje Yürütücüsünün İsmi: Doç.Dr.Refik Samet
Yardımcı Araştırmacıların İsmi:
Prof.Dr.Yusuf Kağan Kadıoğlu Prof.Dr.İman Askerbeyli
Doç.Dr.Şahin Emrah Bahattin Güllü
Cumhur Kılıç Kıymet Deniz Ali Hikmet Ziroğlu Proje Numarası: 11B4343001
Başlama Tarihi: 03.02.2011 Bitiş Tarihi: 03.02.2013 Rapor Tarihi: 04.06.2013
Ankara Üniversitesi Bilimsel Araştırma Projeleri Ankara - 2013
ÖNSÖZ
Ankara Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi Koordinatörlüğü tarafından desteklenen ve Mikro Jeoloji Örneklerin İnteraktif İşlem Yazılımı adı altında Bilgisayar ve Jeoloji Mühendislikleri Bölüm öğretim elemanları tarafından hazırlanan bu proje bütün yerbilimcilere önemli katkılar sunmakta ve zaman kazandırmaktadır. Jeolojik örneklerin petrografik tanımlamaları çoğu zaman gözlemsel ve bilgi birikimine göre sınıflandırılarak yapılmaktadır. Günümüzde gelişen teknoloji ile birlikte gözlemsel objelerin sayısallaşması ve sayısallaşan verilerin tanımlanmaları somut veriler ile ortaya konulabilmektedir. Bu proje çalışmasında da Bilgisayar Mühendisliğinin tasarım ve olgularının jeolojideki mineral olguları ile merceklenmesi ve giydirilmesi daha sağlıklı tanımlamalarla ifade edilmiştir. Örneğin petrografik tanımlamalarda kayaların yönlenmesi ve görüntü alanındaki minerallerin yüzde dağılımları ve alan hesaplamaları gözlemsel ve mikroskoba yerleştirilen abaklar sayesinde haftalarca sürerken bu proje uygulamaları ile birkaç dakikada hatta bazı işlemlerin birkaç saniyede sonuçlanabilmekte ve üstelik bilgisayar ortamına sayısal ifadelerle kayıt edilebilmektedir. Proje konusu iki farklı disiplinin bir araya gelerek soyut mikro gözlemleri sayısal verilere çevirerek sonuca getirebilmektedir. Proje konusu ve uygulama alanı başta jeoloji, jeofizik, maden, toprak, arkeometri, çevre, biyoloji ve kimya dallarına uygulanabilir ve fayda sağlayabilir nitelikte sonuçlandırılmıştır.
I. Projenin Türkçe ve İngilizce Adı ve Özetleri
I.1. Projenin Türkçe Adı: Mikro Jeoloji Örneklerin İnteraktif İşlem Yazılımı
I.2. Projenin Türkçe Özeti: Kayaların petrografik özellikleri; oluşum şekillerini, oluşum kaynaklarını ve hangi mineral topluluklarından oluştuğunu ortaya koyar. Kayaların içermiş oldukları minerallerin duruş şekilleri ve biçimleri mikroskop altında gözlemsel olarak tanımlanarak kayaların adlandırılmaları yapılmaktadır. Mineral oranları nokta sayma yöntemi ile tane boyutları ve şekillerinin tanımlanması ise gözlemsel olarak yapılmaktadır. Bu işlemler sırasında ayrımlama, tanımlama ve sayma gözlemsel olarak yapıldığı için hatalar yapılmaktadır. Bu çalışmada; yukarıda sıralanan işlemleri yapma sırasında meydana gelen hataları ortadan kaldırmak ve incekesit dijital görüntülerini talep edilen özelliklere uygun olarak otomatik işlemek için algoritmalar tasarlanmış ve Grafik Kullanıcı Arayüzlü program paketi hazırlanmıştır. Bu amaçla, ilk aşamada araştırılan araziden örnekler toplanmış, laboratuar ortamında örneklerden ince kesitler yapılmış, sonra mikroskop yardımı ile dijital görüntüler (dijital incekesitler) elde edilmiş ve son olarak bu görüntüler tasarlanan algoritmalar ve geliştirilen yazılım ile bilgisayar ortamında otomatik olarak işlenmiştir. Geliştirilen yazılımın özelliklerinden bazıları şunlardır: 1) ölçek yerleştirilebilir; 2) mineraller oluşturulabilir; 3) mineral bileşenlerinin sınırları bağımsız olarak belirlenebilir; 4) zoom işlemleri yapılabilir; 5) tanecik ekleme ve silme işlemleri yapılabilir; 6) her bir mineral bileşenine farklı renk atana ve değiştirilebilir; 7) bileşenlerin sayısı, alan ve eksen ölçümleri yapılabilir; 8) görüntüdeki bileşenlere isim verilebilirve mevcut isimler değiştirilebilir; 9) kayanın doku katsayısı hesaplanabilir; 10) bütün bileşenlere ait bilgilerin birkaç formatta (excel, pdf) dökümü alınabilir, vb.
I.3. Projenin İngilizce Adı: Interactive Processing Software for Micro Geological Samples (Rock Thin Section Images).
I.4. Projenin İngilizce Özeti: Petrographic properties of rocks reveal their forming patterns, the formation of mineral resources and the communities in which the minerals formed. Naming of the rocks is realized by defining the shapes, forms and rates of minerals contained in the rocks under the microscope. Mineral rates are done by point counting method, but the definition of grain sizes and shapes is processed by observational. During these processes, because the segmentation, identification and counting are processed by observational errors are made. In this study, in order to eliminate the errors that occur during the processes listed above and to process the digital images of thin sections in accordance with features demanded automatically the algorithms were designed and Graphical User Interface were prepared. For this purpose, firstly, the samples were collected from the investigated land, secondly, thin sections of samples were made in the laboratory, then the digital images (digital thin sections) were obtainedwith the aid of a microscope, finally, these images are automatically processed by designed algorithms and improved software in computer.
Some features of improved software are: 1) scale placement; 2) creating the minerals; 3) the borders of mineral components were determined independently; 4) zoom operations can be made; 5) grains insertion and deletion operations can be performed; 6) different colors can be appointed and replaced to each mineral component; 7) number of components can be calculated, area and axis can be measured; 8) names can be given to the components in images and existing names can be changed; 9) rock texture coefficient can be calculated; 10)information on all components can be saved in a number of formats (excel, pdf), etc.
Yerbilimlerinde (Jeoloji, Maden ve Jeofizik) kaya tiplerinin tanımlanması ve kaya adlandırmaları problemlerin çözümünde istenilen en önemli olgudur. Petrografi’de kaya tiplerinin tanımlanması ve kaya adlandırmaları işlemleri bilgi birikimine sahip uzman kişiler tarafından gözlemsel olarak yapılmaktadır. Bu işlemler sırasında kayaları oluşturan minerallerin oranı, duruş şekilleri ve boyutları insan tanımlamaları ile yapıldığından insanların yorgunluk ve dikkatsizliklerine bağlı olarak hatalar yapılabilmektedir. Bunun dışında bu işlemler yorucu ve uzun zaman alıcıdır. Bu hataların ortadan kaldırılması ve kaya tiplerini tanımlama ve adlandırma işlemlerinin ise daha nesnesel olguya dönüşmesi için minerallerin dijital formata dönüştürülmesi ve dijital görüntü olarak işlenmesi ve tanımlanması gerekiyor. Bu çalışmanın amacı kaya incekesit görüntülerini talep edilen özelliklere uygun olarak işlemek için algoritmalar tasarlamak ve Grafik Kullanıcı Arayüzlü program paketi hazırlamaktır.
Kaya tiplerinin tanımlanması ve adlandırılması mineralojik bileşim ve yüzdelerinin gözlemsel olarak belirlenmesi ile yapılmaktadır. Bu projenin önemi kayalardan elde edilen incekesitleri mikroskop yardımı ile dijital formata dönüştürdükten sonra elde edilen dijital görüntüleri bilgisayar ortamında otomatik işleyerek mineral yüzdelerini, şekilsel oranlarını ve alanlarını, vb. özellikleri daha hızlı ve daha sağlıklı hesaplayabilmesidir. Tasarlanan özel algoritmalar ve geliştirilen bilgisayar programı sayesinde kayaların petrografik tanımlamaları, bozunma oranlarının hesabı, mineral boyutları, iri ufak tane dağılım oranları ve doku katsayısı hesaplamaları daha hızlı ve daha sağlıklı yapılarak petrografi, maden jeolojisinde kaya kesme ilişkisi hesabı, cevher aramada cevher mineral oranının hesabına önemli katkılar sağlanmıştır. Proje kapsamında hazırlanan özel amaçlı yazılım sayesinde minerallerin arşivlenmesi, değişken verilerin sayısal olarak belirlenmesi ve özellikle ayrıntılı olarak incelenilmek istenilen mineral veya belirli alanların ileri derece büyütülmesi sayesinde petrografi dalına önemli derece hizmet sağlanmış oldu. Bu projenin çıktısı Jeoloji Mühendisliği, Maden Mühendisliği ve Arkeolojik yapılardaki harç tanımlamaları sırasında önemli bir yardımcı araç olarak kullanılabilecektir.
III. Materyal ve Yöntem
Bu çalışmanın ana materyali; işlemci kapasitesi, hafıza büyüklüğü iyi bir bilgisayar ve kayalardan incekesit görüntüleri elde etmek için dijital görüntü elde edebilen iyi bir araştırma mikroskobudur.
Bunun için önce araziden farklı kökenli metamorfik, magmatik ve sedimanter türü kaya örnekleri toplanmış ve toplanan örneklerden Ankara Üniversitesi Mühendislik Fakültesi Jeoloji Mühendisliği Bölümü Laboratuarlarından yararlanarak kayaların mikroskop altında görüntüleyebilmek için incekesitleri hazırlanmıştır. Hazırlanan incekesitler polarizan araştırma mikroskopu altında incelenerek dijital formata dönüştürülmüştür. Elde edilen dijital incekesit görüntüleri geliştirilen yazılım ile işlenmiştir. Dijital formata dönüştürülen görüntülerin içindeki her bir ayrı mineralin tanımlanması, adlandırılması ve diğer özelliklerinin hesaplanması yapılmıştır. Böylece bağımsız olarak dijital biçimde tanımlanan her mineralin ayırımı, alanı, yüzde hesaplanması sağlanarak petrografik tanımlamaların daha sağlıklı ve daha hızlı yapılması gerçekleştirilmiştir.
Bilimlerin ilerlemesi için disiplinler arası çalışmaların yapılması kaçınılmazdır. Bu proje Bilgisayar ve Jeoloji Mühendisliği disiplinlerinin birlikte gerçekleştirdiği disiplinler arası bir araştırma ve simülasyon geliştirme projesidir.
Projenin Jeoloji Mühendisliği alanına katkısı:
Yerbilimlerinde kaya tiplerinin tanımlanması, kaya adlandırmaları ve diğer kaya özelliklerinin belirlenmesi problemlerin çözümünde istenilen en önemli aşamalardır. Jeoloji ve Maden Mühendisliği gibi yerbilimi ile uğraşan Petrografi dalında mikroskop altında yapılan kaya tipi tanımlanması ve kaya adlandırmaları sırasında minerallerin oranı, tane büyüklüğü, tipi, yönelimi, şekli, uzun eksenin kısa eksenine oranı, modal dağılımı, vb. işlemler manüel olarak yapılmaktadır.
Yukarıda sıralanan işlemlerin Mikroskoptan alınan görüntü üzerinde özel tasarlanan algoritmalar ve hazırlanan yazılım ile yapılması, daha hızlı, daha sağlıklı ve yeniden gözden geçirilip kontrol edilebilme, yeniden üzerinde değişiklik yapılabilme, veri saklama, veri aktarma, yapılanları adım adım dokum haline getirebilme özellikleri açısından oldukça önemlidir.
Projenin Bilgisayar Mühendisliği alanına katkısı:
Proje kapsamında incekesit dijital görüntülerini talep edilen özelliklere uygun olarak otomatik işlemek için algoritmalar tasarlanmış (Bkz. VIII Ekler d.) ve kullanışlı Grafik Kullanıcı Arayüzlü program paketi (Bkz. VIII Ekler c.) geliştirilmiştir. Geliştirilen program aşağıdaki özelliklere sahiptir: 1) görünen bütün mineral bileşenlerinin sınırları bağımsız olarak belirlenebilir; 2) görüntüdeki sınırları belirlenmiş her bir bileşenin yüzey alanı hesaplanabilir; 3) her bir bileşene farklı renk atanabilir; 4) aynı tip bileşenlerin sayısı ve görüntüdeki yüzde oranı hesaplanabilir; 5) bileşenlerin kısa ve uzun eksenlerinin boyutları belirlenebilir; 6) bileşenin bir kısmının iptali yapılabilir, başka değişle, bileşenin talep edilen kısmı seçilebilir; 7) yukarıdaki işlemler her türlü yüksek çözünülürlüklü görüntülere uygulanabilir; 8) görüntüdeki bileşenlere isim verilebilir ve mevcut isimler değiştirilebilir; 9) zoom-in ve zoom-out metodu ile ayrıntılı incelemeleri sağlanabilir; 10) kayanın doku katsayısı hesaplanabilir; 11) bütün bileşenlere ait bilgilerin birkaç formatta (excel, pdf) dökümü alınabililir, vb.
Yukarıda sıralanan özellikleri hesaplamak için aşağıdaki görüntü işleme adımları gerçekleştirilmiştir.
2. Thresholding;
3. Morphological Operations (Dilation, Erosion, Filtering);
4. Background Removing;
5. Edge Detection;
6. Segmentation;
7. Calculations.
Proje kapsamında yukarıda sıralanan adımların gerçekleştirilmesi için kaya incekesit görüntülerinin özelliklerini dikkate alan özgün algoritmalar geliştiriliştir. Kaya incekesit görüntüleri bileşim sayısına, çeşidine ve biçimine göre farklıdırlar.
Şekilden görüldüğü gibi belirgin “Background” mevcut değildir. Örneğin, yukarıdaki şekilde koyu renkli bileşenlerin mi, açık renkli bileşenlerin mi “Background” oluşturduğunu belirleyen algoritmalara ihtiyaç duyulmaktadır. Kaya kesiti bileşenlerden, bileşenler alt bileşenlerden, alt bileşenler alt alt bileşenlerden, vb. oluşmaktadır. Bilinen algoritmalar kullanılarak yapılan
“Segmentation” sonucunda binlerle bileşenler sınıflandırılmaktadır. Kullanıcının belirleyeceği giriş parametrelerine uygun olarak “Filtering” amaçlı farklı “Mask” algoritmaları ve “Segmentation”
algoritmaları geliştirilmiştir.
Yukarıda da belirtildiği gibi bu proje disiplinler arası bir projedir. Bu projenin katkısı yukarıda belirtilen görüntü işleme adımlarından bazıları için bilinen teknikleri kullanarak ve bazıları için ise yeni algoritmalar geliştirerek veya uygun şekilde geliştirerek yerbilim dalının ihtiyacı olan kaya tipi tanımlanması ve kaya adlandırması problemlerini çözmek için gereken bütün özellikleri içeren kullanışlı ara yüze sahip bir yazılım geliştirmektir.
Piyasada Leitz, Olympus, Carl Zeiss, Clemex, Bitplane vb. firmaların “image analysis in microscopy” başlığı altında yazılımları mevcuttur. Sözü edilen yazılımlardan bir tanesinin tek kullanıcılı lisans fiyatı 10.000$ civarındadır. Söz konusu yazılımlar genel amaçlı hazırlandığı için önerilen projede belirtilen özellikleri içermemekte olup geliştirme olanağına sahip değiller. Mevcut yazılımlarla sadece fotoğraflar üzerinde klasik işlemler yapılabilmektedir. Proje kapsamında geliştirdiğimiz yazılım mevcut yazılımların üstünde bir yazılımdır. Geliştirilen yazılım interaktif özellikte ve geliştirmeye ve eklemelere müsaittir.
Projede tasarlanan algoritmalar ve hazırlanan yazılım, Petrografi uzman ile Bilgisayar uzmanının
yan yana gelerek mikroskop altında elde ettikleri farklı özellikte binlerce görüntü üzerinde alıştırma yapmalarını ve algoritmalarda ve yazılımda değişikler yaparak karşılaşılacak problemlerin çözülmesini sağlamışlardır. Ayrıca elde edilen yazılım ürününü Ankara Üniversitesi Mühendislik Fakültesi Jeoloji Mühendisliği Bölüm elemanlarına dağıtılacağından yaygın etkisini ve önemini artırmaktadır.
Projeni gerçekleştirmek için MATLAB yazılımı ve Görüntü İşleme Aracı kullanılmıştır. MATLAB yazılımının içerdiği görüntü işleme fonksiyonları proje amaçlarını yerine getirmek için yeterli değildir. Projede belirtilen amaçları gerçekleştirmek için mevcut görüntü işleme algoritmaları/yöntemleri ihtiyaç duyuldu oranda değiştirilerek MATLAB yazılımı ile uygulanmıştır.
Örneğin, kayaların içermiş oldukları mineral bileşenlerinin sınıflandırılması, şekillerinin, biçimlerinin, duruş şekillerinin belirlenmesi için uygun algoritmalar ve yöntemler tasarlanarak MATLAB ortamında geliştirilen programla uygulanmıştır.
1) Literatür taraması
Konu ile ilgili ayrıntılı literatür taraması yapılmış ve aşağıdaki önemli makalelerin özetleri çıkartılmıştır.
Bulanık renklerin benzerliklerinin ölçülmesine dayanan bir bölümleme algoritması geliştirilmiştir.
Öne sürülen metotta önce bulanık renkler tanımlanır. Ardından iki piksel arasında bulanık benzerlik tanımlanır. Algoritmanın, komşu pikselleri bulanık benzerliklerine dayanarak tekrarlı bir şekilde birleştirilmesi ve anlamlı bölümler oluşturması hedeflenmiştir. Öne sürülen sistemde bulanık renk, rengin türü ve tonun birleşmesinde oluşur. Kullanıcı önceden kaç tane renk türü ve ton olduğu sisteme girer. Her renk türünün girilen bütün tonları mevcuttur. Ardından incelenmesi istenen görüntünün bütün pikselleri gezilerek bulanık renklere olan üyeliği hesaplanır. Bütün piksellerin bütün bulanık renklere üyeliği hesaplandıktan sonra görüntü incelenir ve en çok benzerliği olan ile aynı bölgeye alınır. Farklı renk türü sayısı ve ton sayıları ile denemeler yapılmış. Anlamlı parçalar çıkartabildiği sonuçlar ile gösterilmiştir [1].
Ortaya konmuş daha önceki bulanık kural tabanlı görüntü bölümleme tekniklerinde kurallar ve üyelik fonksiyonları uygulamaya özel belirleniyordu. Burada ortaya konan bulanık kural tabanlı teknik ise uygulama bağımsızdır ve piksellerin uzaysal ilişkilerini de inceleyebilmektedir. Fuzzy C- means ya da K-means gibi kümeleme algoritmaları uzman insan bilgisini ve piksellerin uzaysal bağıntılarını içermezler. Bulanık kural tabanlı bölümleme teknikleri ise uzman bilgisini işin içine katabilir, kümeleme algoritmalarından daha az hesaplama gerektirir ve dilsel değişkenleri sayısal veri gibi işleyebilir. Ama çok fazla uygulama bağımlıdır ve bütün pikselleri kapsayacak kuralları tanımlamak oldukça zordur. Çoğu teknikte zaten üyelik fonksiyonları önceden uygulama için belirlenmiştir bile. Bu makalede ise 3 tip üyelik fonksiyonu kullanılmış; bölge piksel dağılımı, bölge yakınlığı ölçümü, uzaysal ilişki. Bölge piksel dağılımı için üyelik fonksiyonu belirlenirken önce klasik kümeleme algoritmaları ile görüntüde bölgeler belirlenir, her bölge için gri tonu histogramı çıkarılır ve [0,1] aralığıanormalize edilir ve polinom yaklaşığı bulunur. Bölge yakınlığı ölçüm üyelik fonksiyonu belirlenirken her pikselin ait olduğu bölgeye daha yakın olması gerektiği gerçeğinden yola çıkılmıştır. Üst üste binmiş bölgeler bulunabilir. Bu durumda da uzaysal ilişkileri modelleyen üyelik fonksiyonu karar vermede etkili olur. Tanımlanan kural ise “Üç üyelik fonksiyonun ağırlıklı ortalamasını en yüksek yapan pikselin o bölgeye katılması” olarak tanımlanır.
Genelleştirilmiş bulanık kural tabanlı görüntü bölümleme algoritması testlerde fuzzy C-means kümeleme algoritması ile karşılaştırılmış ve görsel olarak belirli bir iyileşme kaydedildiği belirtilmiştir [2].
Bu makalede Karmakar ve Dooley’nin 2001’de ortaya koyduğu genelleştirilmiş bulanık kural tabanlı bölümleme tekniği genişletilerek renkli görüntüler üzerine uygulanmıştır. Üyelik fonksiyonlarının tanımı renkli görüntüler için geliştirilerek önceki çalışmayı genişletmişler. Bölge piksel dağılımı, bölge yakınlığıölçümü ve uzaysal ilişkiyi modelleyen üyelik fonksiyonları her bir renk katmanı için ayrı ayrı hesaplanarak işlem sürecine katılmıştır. Bulanık kuralımız ise bütün renk katmanlarında piksel değerinin üyeliğini maksimum kılan bölgeye o pikselin atanması olarak tanımlanır. Üç ayrı üyelik fonksiyonu çeşidimize farklı ağırlıklar atayabiliriz ama renk katmanları
eşit düzeyde çıkarıma etki ederler. Atanacak olan ağırlıklar ise kullanılan renkli görüntü tipine göre tecrübeye dayalı bir biçimde seçilebilir. Testler hem HSV hem de RGB renk katmanlarından oluşan görüntüler üzerinde yapılmış ve hata oranları fuzzy C-means metoduna göre daha düşük bulunmuştur [3].
Bu makalede Gaussian Mixture Model (GMM)'in resimleri renk ve doku özelliklerine bakarak, sınıflandırmada nasıl kullanılacağı anlatılmıştır. Önce örüntü algılama konusunda bilgi verilmiş ve GMM'nin örüntü algılamadaki yerine dair bilgiler verilmiştir. Ardından GMM'nin içeriği detaylandırılmıştır. Renk ve doku özelliklerine bakarak yapılacak sınıflandırmanın algoritması anlatılmıştır. Resmin dokusu hakkında bilgi veren ayrık kosinüs dönüşümündeki enerjiler, iki boyutlu özbağlanımlı model gibi özelliklerin GMM ile sınıflandırmada nasıl kullanılacağı anlatılmıştır. Ardından ortaya konan algoritmanın, resimdeki sınıfları ne kadar yüzde ile doğru bulduğuna bakarak, kullanılan özelliklerin başarısı karşılaştırılmıştır [4].
Bu makalede desen tabanlı bölümlemeye yinelemeli algoritma ile sonuç getiren bir teknik öne sürülmüştür. Karmakar ve Dooley’nin 2001 de ortaya koyduğu genelleştirilmiş bulanık kural tabanlı bölümleme tekniğinde ayrıştırılacak sınıflar önceden fuzzy C-means gibi bir kümeleme algoritması ile belirlenir. Makalede ortaya konan teknik, bu sınıfların sayısını yinelemeli algoritma ile azaltmaktadır. Genelleştirilmiş bulanık kural tabanlı bölümleme algoritmasında fuzzy C-means tekniği ile kümeler bulunur ve bu kümelerin birer sınıf olduğu düşünülerek üyelik fonksiyonları çıkrılır. Bu makalede öne sürülen teknikte ise fuzzy C-means algoritmasının görüntüde olduğundan daha çok küme ile başlanıp daha çok üyelik fonksiyonunun kullanılması önerilmiş ve daha büyük şekilde bölümlenen görüntünün bir sonraki adıma giriş resmi olarak incelenmesi önerilmiş, ta ki resimdeki farklı desen ya da sınıf sayısına kadar. Yapılan testlerde öne sürülen tekniğin fuzzy C- means algoritmasından daha iyi bir sonuç çıkardığı görülmüştür. Bu makale kayanın mekanik özelliklerini, mikroskopik görüntü ölçümlerinden yorumlamaya odaklanmıştır. Önce kayanın dokusu ile ilgili elemanlar ve kaya analizi ile ilgili metodlar tanıtılmıştır. Ardından petrografik görüntü analizinin adımları açıklanmıştır. Özetle bu adımlar görüntü alma, önişleme, dijitalleştirme, ölçümler ve verilerin analizi edilmesidir. Taneciklerin alanı, sıkılık, şekil faktörü gibi ölçümlerin nasıl yapılacağı anlatılmıştır. Kaya doku katsayılarının hesaplamaları anlatılmıştır. Granit ve grayns gibi kayalar üzerinde yapılmış olan testlerin sonuçları değerlendirilmiştir. Kaya dokusundan elde edilen parametrelerin jeomekanik amaçlar için kullanımı yorumlanmıştır [5].
Bu makalede benzerlik ölçüsü kullanılarak resimlerdeki nesnelerin ayrıştırılması için bulanık tabanlı yeni bir teknik öne sürülmüş. Öncelikle HLS tipi görüntülerden parlaklık ve kromatiklik özellikleri çıkarılmıştır. Sonra hesaplamaların daha hızlı bir şekilde yapılması amacıyla gri tonlar azaltılmış. Son olarak benzerlik ölçüsüne dayanılarak her piksel bir sınıfa atanmıştır. Bazı durumlarda nesneler sadece parlaklık değeri ile ayrıştırılabilir fakat doğal bir görüntüde aynı nesne farklı parlaklık değerlerinde bulunabilir. Bu durum yanlış bölümlemelere yol açabilir. Bu yüzden parlaklık değeri bölümleme için önemli rol oynamaktadır. Ayrıca RGB renk modelinde parlaklık ve kromatiklik ile çalışmak HLS modeline göre daha zor olacağından bu makalede RGB tipi görüntüler HLS tipine çevrilmiş. HLS modelinin temelini oluşturan kromatiklik, parlaklık ve yoğunluk parametreleri için üyelik fonksiyonları tanımlanmış. Daha sonra her piksel için çıkarımlar
komşuları ile olan ilişkilerini anlama ve hesaplamaların hızını arttırma olarak verilmiş. Gri tonlar belirlendikten sonra bir pikselin diğer bir piksel ile benzerlik ölçüsü hesaplanır ve belli bir eşik değerinin altında ise aynı sınıfa olduğu kara verilir. Bu işlem tüm pikseller bir sınıfa ait olana kadar sürdürülür. Sonuç olarak algoritmadaki parametrelere bağlı olarak başarı oranının değiştiği bazı bölümleme denemeleri yapılmış. Tam otomatik bölümleme teknikleri ile kıyaslandığında ise daha pürüzsüz sonuçlar elde edildiği gözlemlenmiş [6].
Bu makalede parçacık sürü optimizasyonu (PSO) metodu ile optimize edilen bulanık sistemler ile renkli görüntülerin sınıflandırılmasını sağlayan bir algoritma ortaya konmuş. PSO ile bulanık sistemin en az kural sayısına ve en az hata oranına sahip olması sağlanmaya çalışılmış. Ortaya konan algoritmanın RoboCup futbol yarışmasında kullanılacağından, görüntülerin bölümlenmesinin hızlı yapılması önem kazanmıştır. Bulanık kural tabanlı görüntü bölümlemeyi kullanan algoritmalar çok fazla kural içerir. Bu yüzden makalenin amacı kuralların bölümlemenin sonucu etkilemeden en aza indirilmesidir. İlk olarak HLS renk modeli bulanıklaştırılır. Renk tipi için on adet farklı bulanık küme tanımlanır. Parlaklık ve yoğunluk parametreleri için ise üçer bulanık küme tanımlanır. Bütün kombinasyonlar kullanılarak oluşturulabilecek maksimum kural sayısı böylece 90 olur. Fakat PSO metodu ile bu kuralların sayısı optimize edilerek 40'a kadar indirilebilir. Yapılan deneylerde algoritmanın robotlar için daha az kuralla, daha hızlı bir şekilde yeterli doğruluk oranı ile bölümleme yaptığı ortaya konmuştur [7].
Bu makalede tıbbi görüntüler, gelişen bulanık bölümleme tekniği kullanılarak bölümlenmeye çalışılmış. Sistem başlangıçtaki bulanık sistemi oluşturmak için bazı eğitim görüntülerini kullanmaktadır. Sonrasında gelen yeni görüntülerin katkıları ile sistem kendini geliştirmektedir.
Yeni görüntülerin sistemi geliştirmesi, bölümleme probleminin dinamik doğasına uyum sağlayabilmek için yapılmıştır. Bu bölümleme tekniğinde ölçek bağımsız özellik dönüşümü (SIFT) tekniğinden yararlanılmıştır. SIFT metodu nesneler üzerinde bazı anahtar noktalar bulur ve bu noktalardan bazı ayrıcı özellikler çıkartır. Daha sonra SIFT, bu ayırıcı özelliklere dayanarak nesne tanımlama yapar. Bu metotta ise SIFT ile bulunan anahtar noktaların en ayırıcı özelliklere sahip olanları kullanılmıştır. Algoritma özelliklerin görüntüden çıkarılması ile başlar. Bu amaç için ise SIFT metodu kullanılır. Ardından eşikleme mantığı ile bölümleme yapılır. Başlangıç bulanık kuralları eğitim görüntülerinin özellikleri kullanılarak oluşturulur. Test görüntüleri ise bu başlangıç bulanık kuralları ile bölümlerine ayrılır. Test görüntülerinin bölümleme sonuçlarının uzmanlar ile elle hazırlanan bölümleme sonuçları ile karşılaştırılmasına göre başlangıç bulanık kuralları geliştirilir. Bu işlemler birkaç kez tekrar edilir ve kurallar her defasında yenilenir. Yapılan deneylerde gelişen bulanık bölümleme tekniğinin kurallar yenilendikçe daha iyi sonuçlar verdiği gözlemlenmiştir [8].
Kaynaklar için Bkz. VII Kaynaklar.
2) Veri Toplama
Proje kapsamında ince kesit yapımında kullanmak amacı 1) Bozüyük, Bilecik, 2) Erdek, Balıkesir
ve 3) Tavas, Denizli bölgelerinde örnek – veri toplama çalışmaları yapılmıştır.
3) İncekesit Yapımı
Toplanan örneklerden Jeoloji Mühendisliği Bölümü laboratuarlarında incekesitler üretilmiş ve laboratuar ortamında incelemeleri yapılmıştır. İhtiyaca göre mevcut ince kesitler kullanılmış ve yeni ince kesitler yapılmıştır.
4) Yazılım Geliştirme ve Test
Mikroskop vasıtası ile sayısallaştırıldıktan sonra bilgisayara aktarılan görüntüleri işlemek içinMATLAB platformu kullanılarak aşağıdaki özelliklere sahip bir yazılım geliştirilmiştir.
1) Görüntüyü oluşturan minerallerin sınırlarını ayırma;
2) Her bir mineralin uzun ve kısa eksene göre yuvarlaklaşma durumunu inceleme;
3) Uzun eksenli mineralin kısa eksenli minerale göre oranını hesaplama;
4) Her mineralin alanını hesaplama;
5) Bütün minerallerin oranlarını inceleme;
6) Her mineral için elle müdahale ile sınır düzeltebilme;
7) Her minerale ayrı ayrı renk verilip görüntülenebilme;
8) Zoom işlemleri;
9) Mineraller üzerine yazı yazma ve değiştirme;
10) Ölçek yerleştirme;
11) Yönlenme yüzünün oranı ve derecesini hesaplama;
12) Bir formül üzerinde hesap yapabilme;
13) Mineral renklendirmeye göre oranları ve yüzdelerini hesaplama;
14) Mikroskop kamarasının çektiği görüntüleri direk bilgisayara aktarabilme;
15) Aynı tip bileşenlerin sayısını ve görüntüdeki yüzde oranını belirleme;
16) Minerallerin bir kısmının iptali ve minerallerin talep edilen kısmının seçimi yapılabilmektedir;
17) Minerallerin doku katsayısının hesaplanması;
18) Sınır ilişkisi için filtreleme;
19) Preprocessing için toolbox;
20) % mineral içeriğinin hesaplanması, vb.
21) Kaya ince kesitleri kullanılarak ortalama tane boyu hesaplanması;
22) Compactness hesaplanması;
23) Shape factor hesaplanması;
24) Aspect ratio hesaplanması;
25) Rock fabric coefficients hesaplanması;
26) Bütün minerallere ait yukarıda hesaplanan parametreler birkaç formatta (excel, pdf) dosyalanması.
V. Sonuç ve Öneriler
Proje sonucunda Maden, Jeoloji, vb. Mühendislik alanlarının ihtiyaçlarını karşılayabilecek bir yazılımın alfa versiyonu geliştirilmiştir. Geliştirilen yazılım Mühendislik Fakültesi Jeoloji Mühendisliği Bölümü elemanları ve öğrenciler tarafından test amacıyla kullanılmaya başlamıştır.
Test çalışmaları soncunda ortaya çıkacak eksikler, öneriler, eklemeler, değişikler ve düzeltmeler dikkate alınarak yazılımın beta versiyonu geliştirilecektir. Bu amaçla TÜBİTAK’IN uygun desteklerinden yararlanılacaktır.
VI. Geleceğe İlişkin Öngörülen Katkılar
Proje öngörülen amaç, kapsam ve zaman çerçevesinde başarılı bir şekilde tamamlanmıştır.
Yazılımın alfa versiyonu araştırmacıların test amaçlı kullanımına sunulmuştur. Test çalışmaları devam etmektedir. Test çalışmaları esnasında tespit edilecek eksikler ve öneriler doğrultusunda TÜBİTAK desteği ile yazılımın düzeltilmesi, değiştirilmesi, iyileştirilmesi, yazılıma yeni ek özelliklerin eklenmesi sayesinde son beta versiyonunun geliştirilmesi düşünülmektedir. Ayrıca geliştirilen yazılımın makale haline getirilerek GeoScience dergisinde yayınlanması düşünülmektedir.
VII. Kaynaklar
[1] Been-Chian Chien, MingCheng Cheng, A Color Image Segmentation Approach Based on Fuzzy Similarity Measure, IEEE, 2002.
[2] Gour Chandra Karmakar and Laurence Dooley, A Generıc Fuzzy Rule Based Technıque For Image Segmentatıon, IEEE, 2001
[3] Laurence S Dooley. Gmir C Karmakar, and Manziir Mirrshed, A Fuzzy Rule-Based Colour Image Segmentatıon Algorıthm, IEEE, 2003.
[4] Haim Permutera, Joseph Francosb, Ian Jermyn, A study of Gaussian mixture models of color and texture features for image classification and segmentation, Pattern Recognition, 39 (2006) 695 – 706.
[5] Milka Potrebiç, Iterative Fuzzy Rule Base Technique for Image Segmentation, 7th Seminar on Neural Network Applicatlons In Eleclricai Engineering, NEUREL-2004 blty of Electrical Enginearlng, University of Belgrade, Serbla and Montenegro. September 23-25,2002.
[6] Yo-Ping Huang and Tsun-Wei Chang, A Fuzzy Inference Model for Image Segmentation, The IEEE International Conference on Fuzzy Systems, 2003.
[7] Majid Gholamiparvar Masooleh, and Seyyed Ali Seyyed Moosavi, An Improved Fuzzy Algorithm for Image Segmentation, Proceedıngs Of World Academy Of Scıence, Engıneerıng And Technology Volume 28 Aprıl 2008 ISSN 1307-6884, 2008.
[8] Ahmed A. Othman, Hamid R. Tizhoosh, Evolving Fuzzy Image Segmentation, 2011 IEEE International Conference on Fuzzy Systems June 27-30, 2011, Taipei, Taiwan, 2011.
[9] David R. Martin, Charless C. Fowlkes, Jitendra Malik, Learning to Detect Natural Image Boundaries Using Local Brightness, Color, and Texture Cues, IEEE Transactıons on Pattern Analysıs and Machıne Intellıgence, Vol. 26, No. 1, January 2004.
[10] Pablo Arbel´aez, Michael Maire, Charless Fowlkes, and Jitendra Malik, From Contours to Regions: An Empirical Evaluation.
[11] Jianbo Shi and Jitendra Malik, Normalized Cuts and Image Segmentation, IEEE Transactıons on Pattern Analysıs And Machıne Intellıgence, Vol. 22, NO. 8, AUGUST 2000.
[12] S. Liapis, E. Sifakis, and G. Tziritas, Colour and texture segmentation using wavelet frame analysis, deterministic relaxation, and fast marching algorithms, J. Vis. Commun. Image R. 15 (2004) 1–26.
[13] Meirav Galun, Eitan Sharon, Ronen Basri, Achi Brandt, Texture Segmentation by Multiscale Aggregation of Filter Responses and Shape Elements, Proceedings of the Ninth IEEE International Conference on Computer Vision (ICCV 2003) 2-Volume Set.
[14] Mihran Tuceryan, Moment Based Texture Segmentation, Appeared in Pattern Recognition Letters, vol. 15, pp. 659-668, July 1994.
[15] A. Materka, M. Strzelecki, Texture Analysis Methods – A Review, Technical University of Lodz, Institute of Electronics, COST B11 report, Brussels 1998.
[16] Mihran Tuceryan, Anil K. Jain, Texture Analysis, The Handbook of Pattern Recognition and Computer Vision (2nd Edition), by C. H. Chen, L. F. Pau, P. S. P. Wang (eds.), pp. 207-248, World Scientific Publishing Co., 1998.
[17] R.C.Gonzales, R.E.Woods, Digital Image Processing, Second Edition, Prentice Hall, 2004.
[18] M.Hedley, H.Yan, Segmentation of Color Images Using Spatial and Color Space Information, Electronic Imaging, Number 1, 1992.
[19] M.H.Dumhan, Data Mining Introductory and Advanced Topics, Prentice-Hall, New Jersey, 2003.
[20] Zhao Yu-Qian, Gui Wei-hua, Chen Zhen-Cheng, Tang Jing-Tian, Li Ling-Yun, Medical Images Edge Detection Based on Mathematical Morphology.
[21] Acharya and Ray, Image Processing: Principles and Applications, Wiley-Interscience, 2005.
[22] J.B.MacQuenn, “Some methods for classification and analysis of multivariate observations, Proceedings of 5-th Berkley Symposium on Mathematical Statistics and Probability”, Berkley, University of California Press, 1: 281-279.
VIII. Ekler
a. Mali Bilanço ve Açıklamaları
Proje için ayrılan 60.000,00 TL bütçeden aşağıdaki harcamalar yapılmıştır:
No Satın Alınan Donanım, Yazılım ve Hizmetin Adı
Bedeli (KDV dahil)
1 Laptop Bilgisayar (Donanım) 4,270.42 TL
2 Mikroskop (Donanım) 15,876.00 TL
3 Harici Disk (Donanım) 481.44 TL
4 MATLAB (Yazılım) 5,546.00 TL
5 Saha Aracı Kiralama (Hizmet) 1,032.50 TL
6 Araştırmacı (Hizmet) 31,554.00 TL
Harcanan Bütçe 58,760.36
Kalan Bütçe 1,239.64 TL
b. Makine ve Teçhizatın Konumu ve İlerideki Kullanımına Dair Açıklamalar Bilgisayar Mühendisliği Bölümü’nde kullanılacak donanım ve yazılımlar:
Laptop Bilgisayar Harici Disk MATLAB
Jeoloji Mühendisliği Bölümü’nde kullanılacak donanım ve yazılımlar:
Mikroskop
Geliştirilen Yazılım
c. Teknik ve Bilimsel Ayrıntılar
MİKRO JEOLOJİ ÖRNEKLERİN İNTERAKTİF İŞLEM YAZILIMI 1. İnce Kesit Görüntüsünün Yüklenmesi
Analizi yapılacak ince kesit görüntüsü iki şekilde yüklenebilir. Ya dosya sisteminden ya da USB çıkışlı kameranın programın çalıştığı bilgisayara takılması ile görüntüler elde edilebilir.
Görüntünün yüklenmesinin ardından ilk yapılması gerekenler; Y ekseninin belirlenmesi ve yüklenen görüntüdeki minerallerin oluşturulmasıdır. Y ekseninin uzunluğunun doğru olması, hesaplanacak ölçümlerin ve yerleştirilecek ölçeğin doğru olması için önem arz etmektedir.
1.1. Dosya Sisteminden Yüklemek
Menüde “File”, “Load” un altında “ThinSection” ile ya da toolbarda “Browse” butonu ile Şekil 1.1’
deki dosya yükleme yardımcısına ulaşılabilir. Bu yardımcıdan yüklenmek istenen ince kesit görüntüsü seçilip “Open” butonu tıklanması ile ince kesit görüntüsü yüklenebilir.
Şekil 1.1 Dosya Yükleme Yardımcısı
İnce kesit yüklendikten sonra grafik arayüzü Şekil 1.2’deki gibi sağda minerallerin detaylı çalışması yapılacak olan görüntüyü gösterir. Sol alttaki görüntü iseorijinal ince kesit görüntüsünü gösteren
Şekil 1.2 İnce Kesit Yüklendikten Sonraki Hali 1.2. Kameradan Yüklemek
Kameradan ince kesit görüntüsü yüklemek için mikroskopun kamerasının çıkışının USB olması gereklidir. Bu USB çıkışın yazılımın çalıştığı bilgisayara takılmasının ardından toolbarda “Video Input” butonu ile kameradan görüntü alınmaya başlanır. Yine toolbarda “snapshot” butonu ile de o an ekranda görünen ince kesit görüntüsü analizi yapılmak için alınır.
1.3.Y Ekseninin Uzunluğunun Girilmesi
İnce kesit üzerinde herhangi bir işleme başlamadan önce Y ekseninin uzunluğu girilmelidir. Y ekseninin uzunluğunu girmek için Menü’de “Measurements” altında “Scale” tıklanır ve Şekil 1.3’teki ölçek menüsünden Y axis parametresi değiştirilir. Varsayılan olarak 1000 nm kabul edilir.
Şekil 1.3 Ölçek Menüsü 1.4. Ölçek Yerleştirme
Ölçek yerleştirmek için “Measurements” altında “Scale” menüsünden “Draw Scalebar” tıklanır.
Ölçeğin değiştirilebir özellikleri:
• Uzunluğu Y ekseninin %10, %20, %30 ya da %40’ı olabilir.
• Renk kırmızı, yeşil, mavi, beyaz ya da siyah olabilir.
• Yazı tipi kalın ya da normal olabilir.
• Konumu Kuzeydoğu, Kuzeybatı, Güneybatı ya da Güneydoğu olabilir.
Şekil 1.4’te örnek olarak yerleştirilmiş ölçek görülmektedir. Bu ölçek uzunluğu Y ekseninin %10’u, rengi kırmızı, yazı tipi normal ve konumu kuzeydoğu olacak şekilde çizdirilmiştir.
Şekil 1.4 Ölçek Yerleştirme 1.5. Görüntüdeki Minerallerin Oluşturulması
Analizi yapan uzman, yüklenen ince kesitteki mineralleri tespit eder ve teker teker oluşturur.
Mineralleri oluşturmak için menüde “File” ın altında “Create Mineral” tıklanarak mineral oluşturma menüsüne ulaşılabilir. Bu menüde oluşturulacak mineralin ismi girildikten sonra “ChooseColor”
butonu tıklanarak minerale atanacak renk seçilir (Şekil 1.5). Renk seçimi yapılıp “Ok” butonu tıklandığında mineral oluşturulur. Yazılım daha önce oluşturulmuş mineralleri kontrol ederek sizin aynı renkte ya da aynı isimde iki tane mineral oluşturmanıza izin vermeyecektir.
Şekil 1.5. Mineral Oluşturma 2. Minerallerin Sınırlarının Belirlenmesi
2.1. Seçilen Mineralden Örnek Almak
Oluşturulmuş bir mineralin sınırlarının belirlenmesi için seçilen mineralden örnek almamız gerekmektedir. Yazılımın arayüzünde o an hangi mineralin seçili olduğunu gösteren ve seçili minerali değiştirmenize yarayan açılır pencere toolbarın hemen altındadır. Açılır pencerenin yanında da seçili minerale hangi rengin atanmış olduğu gösterilir.
Çalışılacak mineral seçildikten sonra menüde “Analyze”ın altından ya da toolbar’dan
“TakeSample” tıklanarak mineralden örnek alma işlemi başlatılır. Yazılım, “TakeSample”
tıklandıktan sonra kullanıcıdan mouse imleci ile seçili minerale ait örnek almasını bekler. Örnek alındıktan sonra tespit edilen mineral tanecikleri mineralin rengine boyanır (Şekil 2.1).
Şekil 2.1. Kırmızıya Boyalı Mineral Tanecikleri 2.2. Kabul Edilebilir En Küçük Tanecik Boyutu
Kabul edilebilir en küçük tanecik boyutunun birimi dir. Varsayılan olarak değeri 0’dır. Değer 0 iken hiçbir boyuttaki tanecik elenmez ya da tanecik içindeki boşluklar doldurulmaz.
Ölçek menüsündeki “MinGrain’sArea” parametresi ile hangi mineral üzerinde çalışıyorsak o mineralin en küçük tanecik alanını belirlemiş oluruz. Şekil 2.2’de en küçük tanecik boyutu 100
olacak şekilde ayarlandıktan sonraki boyalı mineral tanecikleri görülür.
Kabul edilebilir en küçük tanecik boyutu her mineral için farklı ya da aynı olacak şekilde ayarlanabilir. Şekil 2.3’te Y ekseni 500 iken her mineral için en küçük tanecik alanı 100 olarak ayarlandığı zaman yapılan bir segmentasyon örneği gösterilmiştir.
Şekil 2.2 En küçük tanecik boyutu 100
Şekil 2.3 Üç Faklı Mineral İçin Örnek Mineral Boyama
Toolbar dan “ZoomIn”, “ZoomOut” ve “Pan” butonları ile ince kesit görüntüsü üzerinde istenilen alan ile ilgili detaylı çalışma yapılması mümkündür.
Şekil 2.4 Zoom ve Pan İşlemleri ile Detaylı İncelenen Bir Mineral Tanesi 2.4. Tanecik Ekleme Silme
Toolbar’dan “DeleteGrain” butonunu ya da “Analyze” menüsü altında “DeleteGrain” butonunu tıkladıktan sonra imlecimiz ile ince kesit görüntüsü üzerinde tıklanacak bir tanecik silinebilir.
Tanecik silinmeden önce hangi minerale ait tanecik silinecekse o mineralin seçili olması gereklidir.
Yazılım seçili minerale ait bir taneciğin tıklanmasını bekler ve aksi halde silme işlemini gerçekleştirmeyip uyarı verir. Örnek olarak Şekil 2.4’te detaylı incelenen mineralin üzerine tıklanarak Şekil 2.5’te silinmiş hali gösterilmiştir.
Şekil 2.5 Tanecik Silme İşlemi
Tanecik ekleme içinde iki yol izlenebilir. Menüde “Analyze” altından ya da toolbardan “AddGrain”
butonu tıklanarak ekleme işlemi yapılabilir. “AddGrain” butonu tıklandıktan sonra ince kesit üzerinde daha hiçbir minerale eklenmemiş ama seçili minerale ait olduğu düşünülen alana tıklanır.
Burada dikkat edilmesi gereken tıklanan alanın seçili mineral ya da başka bir mineral ile çevrili olması gerektiğidir. Yani “AddGrain” butonunu kullanmak için eklenecek alanın sadece bir minerale eklenecek bir alan olması gerekir. Aksi halde o alandan tekrar “TakeSample” butonu ile örnek almak gereklidir.
Örnek olarak, Şekil 2.6’da görülen henüz mieral sınırlarına dahil edilmemiş alanların kırmızı renge ait minerale ait olduğu düşünülüyorsa “AddGrain” butonu ile kırmızı renkli mineral seçili iken ekleme yapılabilir. Şekil 2.7’de ekleme işleminin sonucunu görülebilir.
Şekil 2.6 Tanecik Eklenecek Boşluklar
Şekil 2.7 Tanecik Ekleme İşlemi
2.5 Geri Alma
Geri alma işlemi son yapılan işlemin geri alınmasını sağlamaktadır. Toolbardan ya da “File”
menüsü altından “Undo” tıklanarak son yapılan işlem geri alınır. Örnek olarak, Şekil 2.7’de yapılan son ekleme işlemi “Undo” tıklanarak Şekil 2.8’de geri alınmıştır. Ama diğer eklenen tanecikler geri alınamaz, sadece son yapılan işlemi geri alabiliriz.
Şekil 2.8 Geri Alma İşlemi 2.6. Minerallerin Özelliklerinin Değiştirilmesi
“File” menüsü altında “Properties” ile özellikler menüsüne ulaşılabilir(Şekil 2.9). Bu menüde mineralin ismi ve rengi değiştirilebilir. Ayrıca mineral tamamen silinebilir. Burada yapılan işlemler ince kesit görüntüsünde hemen yansıtılır. Örnek olarak Şekil 2.10’da minerallerin renklerinin değişimi sonucu gösterilmiştir.
Şekil 2.9 Özellikler Menüsü
Şekil 2.10 Minerallerin Renklerinin Değiştirilmesi
3. Ölçümler
Menüde “Measurements” altından “Show” tıklanarak ölçümler menüsüne ulaşılabilir (Şekil 3.1). Bu menüde seçili meralin toplam alanı, ortalama alanı, toplam alanın bütün görüntüdeki yüzdesi, toplam tanecik sayısı, ortalama uzun eksen uzunluğu, ortalama kısa eksen uzunluğu ve doku katsayısı gösterilir. Mineral sınırlarında yapılan değişikliklerin ölçümlere yansıması için
“Calculate” butonu tıklanır.
Şekil 3.1 Ölçümler Menüsü 3.1. Alan ile İlgili Ölçümler
Alan ile ilgili ölçümler seçili mineralin toplam alanı, ortalama alanı ve mineralin toplam alanının görüntüdeki yüzdesidir. Ölçümlerin birimi ’dir. Bu ölçümleri yapmak için mineralin boyalı alanındaki pikseller sayılır. Ayrıca her bir pikselin incelenen görüntüde kaç olduğu bilindiğinden piksel sayısı ’ye çevrilir.
3.2. Eksen İle İlgili Ölçümler
Eksen ile ilgili arayüzde ortalama uzun eksen ve kısa eksen uzunlukları gösterilir. Bu değerler seçili mineralin tüm taneciklerinin uzun ve kısa eksenlerinin toplamının tanecik sayısına bölümü ile hesaplanır.
3.3. Doku Katsayısının Hesaplanmasında Kullanılan Ölçümler Doku katsayısını hesaplamada
• Paketleme yoğunluğu
• Açı faktörü
• Şekil faktörü
parametrelerinden yardım alınır. Bazı parametreler direkt kullanılırken, bazı parametreler de başka değişkenlerin hesaplanmasında kullanılır.
Paketleme yoğunluğu bir mineralin tanelerinin toplam alanının tüm ince kesit alanına oranıdır.
Görünüm oranı ise uzun ekseninin kısa eksene oranı olarak tanımlanır.
Açı faktörü görünüm oranı ikiden büyük olan taneler için hesaplanır. Görünüm oranı ikiden büyük olan tanelere uzamış taneler denir. Şekil faktörü ise görünüm oranı ikinin altında olan taneler için hesaplanır.
3.4. Doku Katsayısı
Doku katsayısı aşağıdaki formül ile hesaplanır:
1
5 : Doku katsayısı,
: Paketleme yoğunluğu,
: Görünüm oranı ikinin altında olan tane sayısı : Görünüm oranı ikinin üstünde olan tane sayısı
: Şekil faktörünün aritmetik ortalaması : Görünüm oranının aritmetik ortalaması : Açı faktörü
3.5. Ölçümlerin Dosyalanması
“Measurements” menüsü altında “Export” tıklanarak yazılımın çalıştığı dizinin altına
“minerals.xls” dosyası oluşturulur. Doku katsayısı ve doku katsayısını hesaplamada kullanılan ölçümler bu excel dosyasına kaydedilir.
4. Kayaların Adlandırılması
Minerallerin sınırları belirlenip alan ölçümleri yapıldıktan sonra bu alan ile ilgili ölçümler kayaların adlandırılmasında kullanılabilir. “Classification” menüsü altında kayaların adlandırılması ile ilgili menülere ulaşılır.
Minerallerin adlandırılmasındamafik minerallerin %90’nın altında olduğu kayaç örnekleri için
“QAPF” diyagramları kullanılabililir. Mafik minerallerin %90’nın üstünde olduğu durumlarda
“Ultramafic” diyagramları kullanılabilir. Gabroik kayaçların adlandırılması için “Gabbroic” menüsü kullanılabilir.
4.1. QAPF
“Classification” menüsü altında “QAPF” menüsüne ulaşılabilir (Şekil 4.1). QAPF diyagramı da ikiye ayrılır. Plutonik kayaçları adlandırmak “RockTypeSelection” altından “Plutonic” radyo butonu, volkanik kayaçları adlandırmak için “Volcanic” radyo butonu seçilir.
Daha sonra QAPF diyagramındaki A, P ve Q ya da F değerlerinin oluşturulmuş hangi minerallerden alınacağı seçilir. Alan oranlarının sonuç olarak hangi renk ve şekil olarak diyagramda gösterileceği
“Marker” altındaki menülerden seçilebilir.
Şekil 4.1 QAPF menüsü
Şekil 4.2’de örnek olarak kuvars (Q) mineralli plutonik bir kayacın adlandırılması için kullanılan diyagram gösterilir. İşaretçi varsayılan olarak artı şeklinde ve kırmızıdır. Bu adlandırmada tüm tespit edilen minerallerin %7’si kuvars, %72’si alkali, %12’si plajiyoklas iken ki adlandırma sonucu gösterilmiştir.
Şekil 4.2 QAPF diyagramı 4.2. Ultramafic
“Ultramafic” kayaçlarda hangi minerallerin bir arada bulunduğuna göre farklı diyagramlar ile adlandırılırlar. Menüdende “DiagramSelection” menüsü altında olivin, piroksen ve hornblent minerallerinden oluşan kayaçlar için “O-Pr-Hb” (Şekil 4.3) seçilirken olivin, ortopiroksen ve klinopiroksen minerallerinden oluşan kayaçlar için “O-Opr-Klp” (Şekil 4.4) radyo butonu işaretlenir.
Şekil 4.3Ultramafic O-Pr-Hb Diyagramı
Şekil 4.4 Ultramafic O-Opr-Klp Diyagramı 4.3 Gabbroic
“Gabbroic” kayaçlarda hangi minerallerin bir arada bulunduğuna göre farklı diyagramlar ile adlandırılırlar. Menüdende “DiagramSelection” menüsü altında plajiyoklas ve piroksin ile birlikte ortopiroksinminerallerinden oluşan kayaçlar için “Plj-Pr-O” (Şekil 4.5) seçilirken hornblentligabbroyik kaçlar için “Plj-Pr-Hb” (Şekil 4.6) radyo butonu işaretlenir.
Şekil 4.5 GabroikPlj-Pr-O Diyagramı
Şekil 4.6 GabroikPlj-Pr-Hb Diyagramı 5. Kaydetme ve Yükleme İşlemleri
5.1. İnce Kesiti Ölçekli Kaydetmek
“File” menüsü altında “Save” menüsünden “ThinSection” tıklanarak Şekil 5.1’deki ince kesiti ölçekli kaydetme arayüzüne ulaşılabilir. Kaydedilen ince kesit görüntüleri programın başlatıldığı dizinde kullanıcının girdiği isim ile “JPEG” formatında bulunabilir.
Şekil 5.1 İnce Kesiti Ölçekli Kaydetme Arayüzü 5.2. Projeyi Kaydetmek
Bir kayanın adlandırılması yapılırken, kayadan alınan birçok ince kesitin mineral analizi yapılması gereklidir. Tek bir adlandırma işleminin bir seferde yapılamayacak kadar uzun bir işlem olmasından dolayı, sürecin proje halinde kaydedilmesi gerekmektedir.
“File” altında “Save” menüsünden “Project” tıklanarak projeyi kaydetmede kullanılacak olan arayüze ulaşılabilir (Şekil 5.2). Bu arayüzde “.mat” uzantılı olarak projeyi istenilen isim ile istenilen dizine kaydedebilirsiniz.
Proje kaydetme işlemi ile o an üzerinde çalışılan ince kesit görüntüsü ile beraber, o ince kesitte tespit edilmiş mineraller ve özellikleri de kaydedilir. Ayrıca daha önce üzerinde çalışılmış ve diyagrama eklenmiş ince kesit görüntülerinin mineral özellikleri ve kaya adlandırması için kullanılan diyagramda kaydedilmiş olur.
Şekil 5.2 Proje kaydetme arayüzü 5.3. Projeyi Yüklemek
“File” altında “Load” menüsünden “Project” seçilerek daha önce kaydedilen “.mat” uzantılı proje yüklenebilir. Projenin yüklenmesi ile en son çalışılan ince kesit görüntüsü ve üzerinde kaydedilene kadar tespit edilmiş olan minerallere ulaşılabilir. Ayrıca analizi bitmiş aynı projede incelenen diğer mineraller de diyagramda gösterilir.
d.Sunumlar (bildiri)
INTERNATIONAL COMERENCE ON IMAGE PROCESSING THEORY, TOOLS &
APPIICATIONS, IPTA 2012
Fuzzy Rule-Based Image Segmentation Technique for Rock Thin Section Images
Refik Samet1, ŞahinEmrah Amrahov1 and Ali Hikmet Ziroğlu1
1Ankara University
Computer Engineering Department
e-mail: samet@ankara.edu.tr, emrah@eng.ankara.edu.tr ziroglu@ankara.edu.tr
Abstract—Image segmentation is a process of partitioning the images into meaningful regions that are ready to analyze. Segmentation of rock thin section images is not trivial task due to the unpredictable structures and features of minerals. In this paper, we propose Fuzzy Rule-Based Image Segmentation technique to segment rock thin section images. Proposed technique uses RGB images of rock thin sections as input and gives segmented into minerals images as output. In order to show an advantage of proposed technique the rock thin section images were also segmented by known Fuzzy C-Means technique. Both techniques were applied to many different rock thin section images. The obtained results of proposed Fuzzy Rule-Based Image Segmentation and Fuzzy C-Means techniqueswere compared. Implementation results showed that proposed image segmentation technique has better accuracy than known ones.
Keywords— image segmentation; fuzzy rule-based image segmentation technique; fuzzy inference system; petrographic image analysis
I. INTRODUCTION
Image segmentation process aims to generate output images that are useful for later applications such as 3D reconstruction, pattern recognition, content-based image retrieval, image understanding and analyzing, etc. In this paper, the techniques to segment the rock thin section images are considered. Such images include many minerals with unpredictable colors, shapes, textures, etc. Sometimes the minerals intersect with each other and same minerals may contain many colors. So segmentation of the rock thin section images, which are used for petrographic image analysis, is not trivial problem.
Petrographic image analysis of rock thin section images is the study of minerals and rocks by measuring their optical properties. Although petrographic image analysis is useful for understanding the rock mechanics, the quantitative petrographic examinations on the base of images were grown only recently [1]. This is probably due to the laborites and time-consuming study of minerals in optical microscopes.
Petrographic image analysis consists of the following stages: image acquisition, pre-processing, image segmentation, measurement and classification.Rock samples are prepared as rock thin sections for study in the laboratory,and then image acquisition is done by petrographic microscopes. Pre-processing stage is mostly done by petrographic microscopes by adjusting sharpness of the image. In order to avoid the possible noises thethree-by-three median filter is applied at pre-processing stage.
Edges of the minerals are detected at image segmentation stage.This stagewas done manually by geologists in existing studies. In this study the edges are detected by computer to realize the segmentation process more accurately and more quickly.
Proposed technique detects the mineral edges by fuzzy rule-based image segmentation technique. Fuzzy sets are widely used for image processing and segmentation [2]-[9]. In this paper, we propose a fuzzy rule-based image segmentation technique for the rock thin section images. At first, the mineral samples are taken from the rock thin section images by geologists. Those samples are used for defining the fuzzy sets and membership functions of minerals. Fuzzy sets, which were firstly introduced by Zadeh [10], have membership functions expressing the degree of membership of elements. After definition of membership functions, every pixel that is not assigned to any mineral group is scanned and membership values to that mineral are calculated. Pixels, which have strong membership with the mineral, are joined to group immediately. Finally, the pixels, which have weak membership but adjacent to that strong pixels, are joined to mineral group.
After segmentation is done, output image will be used for calculations of the parameters such as mineral grain’s area, major and minor axis lengths, angles, etc. in future studies. Those parameters are useful for classification of rocks by diagrams or those parameters can give information about rock by helping the calculation of rock fabric coefficient [1].
Classification of the igneous rocks by diagrams is a standardized process [11]. International Union of Geological Sciences (IUGS) standardized such diagrams. However, one of the problems of classifying igneous rocks is that they cannot all be classified by one diagram. Geologists must choose a diagram according to minerals’ type which exists in the thin section. All used diagrams are triangular and three types of mineral measurements are needed. So thin section images used for experiments are segmented into three minerals.
This paper is organized as follows. In Section II, an approach to definition of membership functions is presented. Then, in Section III, the proposed fuzzy rule-based image segmentation technique is proposed. Experimental results are analyzed in Section IV. Finally, Section V provides further discussions and some conclusions.
II.ANAPPROACHTO DEFINITION OF MEMBERSHIP FUNCTIONS
In this section, an approach of definition of membership functions is presented. Inproposed fuzzy rules, pixel’s red, green and blue intensity values are taken as crisp inputs. And fuzzy rules output the crisp values to express pixel’s membership degree to the mineral. So, we have three fuzzy sets for a mineral’s color which represents distribution of red, green and blue intensity values of pixels. Also Karmakar and Dooley used membership functions for region pixel distributions in their Generic Fuzzy Rule-Based Image Segmentation (GFRIS) technique [4]. GFRIS determines regions via fuzzy clustering algorithms, but according to proposed approach, regions are determined by users or geologists.
Each sample, taken by users to find a mineral, will generatenewfuzzy sets of mineral’s red, green and blue colors. Figure 1 is a thin section image of a rock. Blue rectangle is marked by users to classify this rock into minerals according to mineral’s colors.
Fig.1.Marked Sample
Taken sample is used for creating histograms of red, green and blue components of the sample. As an example blue component’s histogram is shown in the Fig.2.
Fig.2.Histogram of the Blue Component of the Sample
Before using histograms as membership functions the median filter is applied to avoid possible noises in the image. Then filtered histogram values are mapped between the ranges 0–1. In this mannerthe first membership function is generated (Fig.3). It represents sample’s pixels distribution for blue component.
Fig.3.Membership Function of the Blue Component
Consequently, the same process is applied to red and green components of sample image to define membership functions. When a sample is taken, first of all, membership functions are defined. And then inferences are made by fuzzy rules.
III. PROPOSED FUZZY RULE-BASED IMAGE SEGMENTATION TECHNIQUE
In this section, we will discuss how to determine which pixelsare belonged to the mineral. So far, sample was taken from the mineral which we would like to segment and membership functions were defined. Now, these membership functions are used to calculate all pixels’ memberships to the mineral from which a sample was taken.
Pixels’ memberships to the mineral are calculated for once but two inferences are done for pixels which have strong membership and pixels which have weak membership. It is assumed that the rest part of pixels has no membership with the mineral.
Rules take RGB components of the pixels as crisp inputs, and thenfuzzifythem according to the fuzzy sets that we already defined. After the fuzzification, fuzzy AND operator is applied to the membership values. Fuzzy AND operator simply selects the minimum of the membership values. The minimum of membership value informs us the pixel color’s membership to the mineral’s color. Then, inference is made by pre-defined thresholds to determine if pixel has strong or weak membership to the mineral’s color.
Let image’s row and column of the pixels’ red, green and blue components are represented as , , , and , . And membership functions of the sample image are represented as , and . So that the first fuzzy-rule is,
“IF , 0.8AND , 0.8AND , 0.8THEN pixel has
strong membership”
Pixels which have strong membership to the mineral are marked with red color in the Fig.4.
Fig.4.Pixels with Strong Membership The second fuzzy-rule is;
“IF , 0.2AND , 0.2AND , 0.2THEN pixel has
weak membership”
Pixels which have weak membership to the mineral are marked with red color in the Fig.5.
Fig.5.Pixels with Weak Membership
We accept that strong pixels definitely belong to the mineral from which sample was taken. But we cannot say the same thing for the weak pixels. So, we have to decide which of the weak pixels are going to be part of the mineral. This problem is solved by hysteresis threshold like used in Canny edge detector [12]. If any pixel has strong membership to a mineral, those pixels are become part of the output immediately, as the entire connected segment of the weak pixels. By using the hysteresis threshold, the probability of false positiveoutput pixels is greatly reduced because for a pixel to be segmented as a mineral it must be either have a strong membership or adjacent to a strong pixel. Also the probability of false negative mineral pixels is reduced because of the low threshold to determine the weak pixels. Segmentation result using both strong and weak pixels is shown in the Fig.6.
Fig.6.Segmentation by One Sample
However, this segmentation is not completed yet. Same mineral can have various RGB values because of the mineral weathering or plain light’s angle. So, users must take samples till all the different colored parts of the same mineral are segmented as one mineral. For the ongoing example of the segmentation of thin section image, the second sample is taken and shown in the Fig.7.
When another sample is taken from a thin section, again membership functions are defined. Pixels which were assigned to any mineral are not considered. And pixels which were not assigned to any mineral are used for calculations of the membership functions of the new sample, and then with hysteresis threshold segmentation is finalized. Figure 8 shows a final result of the segmentation by two samples.
Fig.7.Second Sample
Fig.8.Segmentation by Two Samples IV. EXPERIMENTAL RESULTS
Comparison is made between the segmentation results using proposed technique and knownFuzzy C- Means (FCM) applied to rock thin section images. The proposed technique and FCM technique were implemented using MATLAB R2011a. Many different rock thin section images are used for experiments. Segmentationresults of two different rock thin section images are discussed here. Those
images are segmented into 3 minerals because most of the igneous rock classification diagrams use 3 minerals for classification [11].
FCM took every pixel as 1 by 3 vector since each pixel has red, green and blue components. For FCM, number of cluster was chosen as 3 and initialization of the cluster centers were chosen randomly. The minimum amount of improvement was chosen as 0.00001 and maximum number of iteration was chosen as 100. For proposed image segmentation technique, two samples are taken for each mineral.
Fig.9 shows an input thin section image for the first experiment. The results (Fig.10 and Fig.11) show that the proposed image segmentation technique has significantly better results than FCM.
Fig. 9.Original Image
Fig.10.FCM Result
Fig.11.Segmentation by Two Samples
As the second experiment, Fig.12 is taken as input thin section image. Again in this experiment input image is segmented into 3 minerals. The results (Fig.13 and Fig.14) show that the proposed image segmentation technique has more complete mineral areas than FCM. This is because the proposed image segmentation technique considers spatial relationship of the pixels.
Fig.12.Original Image
Fig.13.FCM result
Fig.14.Segmentation by Two Samples V. CONCLUSIONS
In this paper, a fuzzy rule-based image segmentation technique for rock thin section images is proposed and implemented. Proposed segmentation technique uses pixel’s red, green and blue components as features and segments the rock thin section images into minerals.
The singularity of segmenting the rock thin section images is that thesame mineral can have various RGB values because of the mineral weathering or plain light’s angle. The known color segmentation techniques do not give sufficient results. So, in order to solve this problem the interactive technique was
proposed. Firstly, the users are allowed to take samples from minerals. Each sample is considered as new linguistic variable of mineral. As segmentation technique’s featuresthe red, green and blue components are used. Then, for each feature, membership functions are defined. These membership functions represent color components’ distributions in sample image. By fuzzy rules, membership degrees of the pixels to the mineral are calculated. According to their membership degrees strong and weak pixels are defined. Finally, we take strong pixels as seed points and include every adjacent weak pixel to the strong pixel into the output.
Proposed Fuzzy Rule-Based and known FCM techniques are applied to segment rock thin section images. Results showed that the proposed image segmentation technique has significantly better accuracy than FCM.
Obtained segmented thin section images are useful for classification of rocks by diagrams. For this purpose, in further works, output image will be used for calculations of parameters such as mineral grain’s area, major and minor axis lengths, angels, etc. Further works also include improvements on finding mineral edges by including new features such as texture.
ACKNOWLEDGMENT
This work is funded by the Scientific Research Project № 11B4343001 of Ankara University.
REFERENCES
[1] R. Prikryl,“Assessment of Rock Geomechanical Quality by Quantitative Rock Fabric Coefficients: Limitations and Possible Source of Misinterpretations”, in Engineering Geology, vol. 87, 2006, pp. 149-162
[2] R. C. Gonzalez and R. E. Woods,“Using Fuzzy Techniques for Intensity Transformation and Spatial Filtering”, in Digital Image Processing, 3rd ed. Prentice Hall, 2007, ch. 3, sec, 3.8, pp. 173-193
[3] R. Samet and M. Namazov,“Using Fuzzy Sets for Filtering Topographic Map Images”,in Applied Computational Mathematics,vol. 7, no 2, 2008, pp. 242-254
[4] G. C. Karmakar and L. Dooley, ”A Generic Fuzzy Rule Based Technique for Image Segmentation,”in Acoustic, Speech, and Signal Processing, vol. 3, Salt Lake City, 2001, pp. 1577-1580
[5] L. S. Dooley, G. C. Karmakar and M. Murshed, ”A Fuzzy Rule-Based Colour Image Segmentation Algorithm,”in Image Processing, vol. 1,2003, pp. 977-980
[6] M. Potrebic,“Iterative Fuzzy Rule Base Technique for Image Segmentation”, in Neural Network Applications in Electrical Engineering, 2004, pp. 221-224
[7] B-C Chien and M-C Cheng, “A Color Image Segmentation Approach Based on Fuzzy Similarity Measure”, in Fuzzy Systems, vol. 1, Honolulu, 2002, pp. 449-454
[8] L. B. Gonçalves and F. R. Leta, ”Macroscopic Rock Texture Image Classification Using a Hierarchical Neuro-Fuzzy Class Method,” in Mathematical Problems in Engineering, vol. 2010, Article ID 163635, 2010
[9] B. Aksoy and M. Ercanoğlu, “Landslide Identification and Classification by Object-Based Image Analysis and Fuzzy Logic: An Example from the Azdavayregion(Kastamonu, Turkey)”, in Computers &Geosciences,vol. 38, 2012, pp. 87-98 [10] L. A. Zadeh,“Fuzzy Sets”,in Information and Control,vol. 8,no. 3, 1965, pp. 338-353
[11] M. J. Le Bas and A. L. Streckeisen, “The IUGS systematics of igneous rocks”, in Journal of the Geological Society, vol.
148, London, 1991, pp. 825-833
[12] J. Canny,“A Computational Approach to Edge Detection”, inTransactions on Pattern Analysis and Machine Intelligence, vol. 8, no. 6, 1986, pp. 679-698
c. Yayınlar (hakemli bilimsel dergiler) ve tezler
1) Geliştirilen algoritmalar ve yazılım ile ilgili makale çalışması devam etmekte olup SCI indeksinde taranan GeoScience dergisinde yayınlanacaktır.
2) Proje konusu ile ilgili 1 adet Yüksek Lisans tezi tamamlanmak üzeredir.
