DOKU TİPİ İMGELERİN SINIFLANDIRILMASI İÇİN BİR UYARLAMALI ENTROPİ TABANLI DALGACIK-YAPAY SİNİR AĞI SİSTEMİ

Yıl 2007, Cilt: 22 Sayı: 1, 0 - , 15.02.2013

Engin Avcı

Öz

Günümüzde, doku tipi imgelerin analiz ve sınıflandırılması konusu önemli bir hal almıştır. Doku tipindekiimgelerin sınıflandırılmasında geçmişte karşılaşılan en büyük güçlük, bu tür imgelerin doğru karakterize edilebilmesiiçin yeterli yöntemlerin geliştirilememesidir. Ancak son zamanlarda, Gabor süzgeçleri, dalgacık ayrışımlarıgibi çok çözünürlüklü analiz yöntemlerinin doku tipi imgelerin sınıflandırılmasında diğer klasik yöntemlere göreüstün başarı sağladıkları görülmektedir. Bu çalışmada ise, Brodatz imge albümünden elde edilen 20 adet dokutipi resmin sınıflandırılabilmesi için, uyarlamalı norm entropi tabanlı bir dalgacık-yapay sinir ağı yapısı geliştirilmiştir.Kullanılan yapay sinir ağı çok katmanlı geriye yayılımlı yapıya sahiptir. Yapılan test çalışmalarındageliştirilen yöntemin etkinliği denenmiş ve ortalama % 90 oranında bir tanıma başarısı elde edilmiştir.

Anahtar Kelimeler

Doku tipi imgeler, akıllı sınıflandırma, dalgacık dönüşümü, entropi, yapay sinir ağları.

Kaynakça

• Pun, C. ve Lee, M., “Extraction of Shift Invariant
• Wavelet Features for Classification of Images with
• Different Sizes”, IEEE Transactions on Pattern
• Analysis and Machine Intelligence, Cilt:26, No.9,
• Eylül 2004.
• Tuceryan, M., ve Jain, A. K., Texture Analysis,
• Handbook of Pattern Recognition and Computer
• Vision, 235-276, World Scientific, 1993.
• Conners R.W., ve Harlow, C.A., “A Theoretical
• Comparison of Texture Algorithms,” IEEE Trans.
• Pattern Analysis and Machine Intelligence, Cilt 2,
• -222, Mayıs 1980.
• Bovik, A., C., Clark, M., ve Geisler, W., S.,
• “Multichannel Texture Analysis Using Localized
• Spatial Filters,” IEEE Trans. Pattern Analysis
• and Machine Intelligence, Cilt No: 12, Ocak 1990.
• Teuner, A., Pichler, O., ve Hosticka, B., J., “Unsupervised
• Texture Segmentation of Images Using
• Tuned Matched Gabor Filters, IEEE Trans.
• Image Processing, Cilt:6, No:4, 863-870, 1995.
• Chang, T., ve Kuo, C.C.J., “Texture Analysis and
• Classification with Tree-Structured Wavelet Transform”,
• IEEE Trans. Image Processing, Cilt: 2,
• -441, Nisan 1993.
• Laine, A., ve Fan, J., “Texture Classification by
• Wavelet Packet Signatures”, IEEE Trans. Pattern
• Analysis and Machine Intelligence, Cilt:15, No:
• , 1186-1191, Kasım 1993.
• Unser, M., “Texture Classification and Segmentation
• Using Wavelet Frames”, IEEE Trans. Image Processing,
• Cilt No: 4, 1549-1560, Kasım 1995.
• Pun, C., ve Lee, M., “Log-Polar Wavelet Energy
• Signatures for Rotation and Scale Invariant Texture
• Classification”, IEEE Transactions on Pattern
• Analysis and Machine Intelligence, Cilt:25, No:5,
• Mayıs 2003.
• Haralick, R. M., Shanmugam, K., ve Dinstein, I.,
• “Texture Features for Image Classification”, IEEE
• Trans. System Man Cybernat., 8 (6), 610–621, 1973.
• Weszka, J. S., Dyer, C. R., ve Rosenfeld, A., “A
• Comparative Study of Texture Measures for Terrain
• Classification”, IEEE Trans. System Man
• Cybernat. SMC-6, (4), 269–286, 1976.
• Davis, L. S., Johns, S. A., ve Aggarwal, J. K.,
• “Texture Analysis Using Generalized Co-Occurrence
• Matrices”, IEEE Trans. Pattern Anal. Machine
• Intell. PAMI-1, 251–259, 1979.
• Faugeras, O. D., ve Pratt, W. K., “Decorrelation
• Methods of Texture Feature Extraction”, IEEE
• Trans. Pattern Anal. Machine Intell. PAMI-1,
• –332, 1980.
• Chen, P., C., ve Pavlidis, T., “Segmentation by
• Texture Using Correlation”, IEEE Trans. Pattern
• Anal. Machine Intell. PAMI-5, 64–69, 1983.
• Cross, G., R., ve Jain, A., K., “Markov Random
• Field Texture Models”, IEEE Trans. Pattern
• Anal. Machine Intell. PAMI-5, (1), 25–39, 1983.
• Kashyap, R. L., ve Khotanzed, A., “A Model Based
• Method for Rotation Invariant Texture Classification”,
• IEEE Trans. Pattern Anal. Machine Intell.
• PAMI-8, (4), 472–481, 1986.
• Chellappa, R., ve Chatterjee, S., “Classification of
• textures using Gaussian Markov Random Fields”,
• IEEE Trans. Acoustics Speech Signal Process.
• ASSP-33, (4), 959–963, 1986.
• Derin, H., ve Elliot, H., “Modeling and Segmentation
• of Noisy and Textured Images Using Gibbs
• Random Fields”, IEEE Trans. Pattern Anal.
• Machine Intell. PAMI-9, 39–59, 1987.
• Cohen, F., S., Fan, Z., ve Patel, M., A., “Classification
• of Rotation and Scaled Textured Images Using
• Gaussian Markov Random Field Models”, IEEE
• Trans. Pattern Anal. Machine Intell., 13 (2),
• –202, 1991.
• Manjunath, B., S., ve Chellappa, R., “Unsupervised
• Texture Segmentation Using Markov Random
• Fields”, IEEE Trans. Pattern Anal. Machine
• Intell., 13, 478–482, 1991.
• Laws, K. L., “Rapid Texture Identification”, Proc.
• SPIE, 238, 376–380, 1980.
• Unser, M., “Local Linear Transforms for Texture
• Measurements”, Signal Process., 11, 61–79, 1986.
• http://www.ux.his.no/~tranden/brodatz.html , 2005.
• Avci, E., ve Turkoglu, I., “Modelling of Tunnel
• Diode by Adaptive-Network-Based Fuzzy Inference
• System”, Int. J. of Computational Intelligence,
• Cilt:1, No:1, 231-233, Temmuz, 2003.
• Avci, E., Turkoglu, I., ve Poyraz, M., “Intelligent
• Target Recognition Based on Wavelet Packet Neural
• Network”, Experts Systems with Applications,
• (1), 2005.
• Avci, E., Turkoglu, I., ve Poyraz, M., “A New
• Approach Based on Scalogram for Automatic
• Target Recognition with X-Band Doppler Radar”,
• Asian Journal of Information Technology, Cilt:
• (1), 133-140, Ocak, 2005.
• Avci, E., Turkoglu, I., ve Poyraz, M., “Intelligent
• Target Recognition Based on Wavelet Adaptive
• Network Based Fuzzy Inference System”, Lecture
• Notes in Computer Science, Springer-Verlag,
• Cilt: 3522 / 2005, 594-601, Mayıs, 2005.
• Turkoglu, I., Arslan, A., ve Ilkay, E., “An Intelligent
• System for Diagnosis of the Heart Valve
• Diseases with Wavelet Packet Neaural Networks”,
• Computer in Biology and Medicine 33, 319-331, 2003.