The Comparison Of Methods Content-Based Image Retrieval System and Image Classification Using Invariant Moments

Öz

C# language and Visual Studio 2012 platform are selected for developing the software for this thesis. Back-propagation neural network was employed as the image classification method; Euclidean distance was selected to measure the distance in content-based classification system and finally, Emgu CV image processing library was selected in feature extraction processes. Caltech101 data set was used to compare the effectiveness of image classification and content-based image retrieval systems. The results show that content-based image retrieval systems are superior in terms of classification accuracy. Furthermore, invariant moment shave been applied to Caltech101 data set, where all images are colourful. Normally, these moments are employed on colourless images and extracted from the different angles of view of the same image.

Anahtar Kelimeler

• Invariant Moments,Image Classification,Image Retrieval,ArtificialNeural Networks

Değişmez Momentler Kullanarak İçerik Tabanlı Görüntü Erişim Sistemi ve İmge Sınıflandırma Yöntemlerinin Karşılaştırılması

Öz

Bu tez kapsamındaki yazılım, Visual Studio 2012 platformu üzerinde C# programlama dili ile kodlanmıştır. İmge sınıflandırma yöntemi olarak geri yayılımlı yapay sinir ağı, içerik tabanlı görüntü erişim sistemlerinde mesafe ölçümü için Öklid uzaklığı ve öznitelik çıkarma işleminde ise bir görüntü işleme kütüphanesi olan Emgu CV kullanılmıştır. Programda Caltech101 imge seti üzerinde hem imge erişim hem de imge sınıflandırma işlemi yapılarak iki işlemin sonuçları karşılaştırılmıştır. İçerik tabanlı görüntü erişim sisteminin imge sınıflandırma yönteminden doğruluk kriteri bakımından daha başarılı olduğu gözlemlenmiştir. Ayrıca öznitelikler çıkarılırken, genelde renksiz imgeler üzerinde ve imgenin farklı bakış açılarına bakılarak çıkarılan değişmez moment öznitelikleri, bu tezde renkli Caltech101 imge setine uygulanmıştır.

Anahtar Kelimeler

• Değişmez Momentler,İmge Sınıflandırma,İmge Erişim,Yapay Sinir Ağları

Kaynakça

1. ALT, F. L.,“Digital pattern recognition by moments”, J. ACM 9, (2) 240-258, 1968.
2. ATASOY, H., 2011. “Otsu Eşik Belirleme Metodu”, http://www.atasoyweb.net/, http://www.atasoyweb.net/Otsu-Esik-Belirleme-Metodu (10.10.2015).
3. FISHER, R.A.,“The use of multiple measurements in taxonomic problems", Annals of Eugenics 7, 179-188, New York, 1950.
4. HU , M-K.,“Visual Pattern Recognition by Moment Invariants”, IRE Trans.,Inf., Theor., IT-8, 179, February 1962.
5. KAYA, Y., KAYCI, L. (2014). Kelebek görüntülerin sınıflandırılması için bir içerik bazlı görüntü erişim sistemi, Akademik Bilişim, 5-7 Şubat, Mersin
6. LIU, Y., ZHANG, D., LU, G., MA, W., “A survey of content-basedimageretrievalwithhigh-levelsemantics”, PatternRecognition, Vol. 40, pp. 262 – 282, 2007.
7. IŞIK, B., 2015. “Emgu CV ile Örnek Uygulama”, http://www.burakisik.com/, http://www.burakisik.com/goruntu-isleme/emgu-cv-webcamden-goruntu-almak/ (08.03.2016).
8. ÖZGÜROĞLU, E., 2015. “Emgu CV nedirveEmgu CV Kurulumu”, http://emreozguruoglu.blogspot.com.tr/, http://emreozguruoglu.blogspot.com.tr/2015/02/emgucv-nedir-ve-emgucv-kurulumu.html (12.01.2016).

9. ŞEKER, Ş. E., 2007. “OrtancaFiltresi (Median Filter)”, http://bilgisayarkavramlari.sadievrenseker.com/, http://bilgisayarkavramlari.sadievrenseker.com/2007/11/26/ortanca-filitresi-median-filter/ (22.08.2015).
10. ŞENGÜR, A., TÜRKOĞLU, İ., “Değişmez Momentlerle Türkçe Karakter Tanıma”,Fırat Üniversitesi Teknik Eğitim Fakültesi Elektronik ve Bilgisayar Eğitimi Bölümü-ELAZIĞ, 2004.
11. YILMAZ, A., “Kamera kullanılarak görüntü işleme yoluyla gerçek zamanlı güvenlik uygulaması,” Yüksek Lisans Tezi, Haliç Üniversitesi Fen Bilimleri Enstitüsü Makine Mühendisliği Anabilim Dalı, 102, İstanbul, 2007.
12. YUAN, K.,TIAN,Z., ZOU, J., BAİ, Y., YOU, Q., “Brain CT image database building for computer-aided diagnosis using content-based image retrieval”, Information Processing and Management, Vol. 47, pp. 176–185, 2011.