Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi

Muammer Türkoğlu; Davut Hanbay

doi:10.17341/gazimmfd.423674

Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi

Öz

Bitki türlerini doğru tespit edebilmek için bugüne kadar yapılan çalışmalarda farklı yaklaşımlar kullanılmıştır. Bu yaklaşımlardan en temel olan bitki yaprakları, şekil, renk ve damar dokusu gibi avantajlara sahip birçok özellik içermektedir. Bu çalışmada açıdan bağımsız olarak yaprağın geometrik özelliklerine dayalı yeni bir yaklaşım önerilmiştir. Kenar Adım (KA) olarak adlandırılan bu yöntem, şeklin sınır eğrilerindeki kenar noktalar kullanılarak açı, merkez-kenar uzunluğu ve kenar mesafesi gibi özelliklerden oluşmaktadır. Ayrıca doku tanımada iyi hassasiyet göstermesi, hızlı hesaplama yapması ve yön bağımsızlığı gibi özelliklere sahip olan Shearlet Dönüşüm yöntemi kullanılmıştır. Bu yöntemlere ek olarak renk özellikleri ile Gri Seviye Eş-Oluşum Matrisleri (GSEM) yöntemi uygulanmıştır. Tüm bu yöntemlerden elde edilen öznitelikler ayrı ayrı ve bileşik olarak Aşırı Öğrenme Makineleri (AÖM) sınıflandırıcı yöntemi ile test edilmiştir. Flavia, Swedish, ICL ve Foliage gibi dört farklı bitki yaprak veri setleri kullanılarak önerilen çalışma test edilmiştir. Bu veri setleri kullanılarak doku, şekil ve renk özelliklerine dayalı yapılan çalışmalar ile önerilen yaklaşımın performansı kıyaslanmıştır. Sonuç olarak, önerilen çalışmanın diğer çalışmalara göre daha başarılı olduğu tespit edilmiştir.

Anahtar Kelimeler

Yaprak Tanıma,Görüntü İşleme,Shearlet Dönüşüm,Kenar Adım Yöntemi,Aşırı Öğrenme Makinesi

Kaynakça

1. Zhang, H., TAO, X., Leaf image recognition based on wavelet and fractal dimension, Journal of Computional System 11.1, 141-148, 2015.
2. Kulkarni, A. H., Rai, H. M., Jahagirdar, K. A., Upparamani, P. S., A leaf recognition technique for plant classification using RBPNN and Zernike moments, International Journal of Advanced Research in Computer and Communication Engineering 2.1, 984-988, 2013.
3. Shabanzade, M., Zahedi, M., Aghvami, S. A., Combination of local descriptors and global features for leaf recognition, Signal & Image Processing, 2.3: 23, 2011.
4. Wu, S. G., Bao, F. S., Xu, E. Y., Wang, Y. X., Chang, Y. F., Xiang, Q. L., A leaf recognition algorithm for plant classification using probabilistic neural network, Signal Processing and Information Technology, 2007 IEEE International Symposium on. IEEE, 2007.
5. Söderkvist, O., Computer vision classification of leaves from swedish trees, 2001.
6. Silva, P. F., Marcal, A. R., da Silva, R. M. A., Evaluation of features for leaf discrimination, International Conference Image Analysis and Recognition. Springer, Berlin, Heidelberg, 2013.
7. Kadir, A., Nugroho, L. E., Susanto, A., Santosa, P. I., Neural network application on foliage plant identification, arXiv preprint arXiv:1311.5829, 2013.
8. Mahdikhanlou, K., Ebrahimnezhad, H., Plant leaf classification using centroid distance and axis of least inertia method, In Electrical Engineering (ICEE), 2014 22nd Iranian Conference on. IEEE, 1690-1694, 2014.

9. Yasar, A., Saritas, I., Sahman, M. A., Dundar, A. O., Classification of Leaf Type Using Artificial Neural Networks, International Journal of Intelligent Systems and Applications in Engineering 3.4, 136-139, 2015.
10. Lee, K. B., Hong, K. S., An implementation of leaf recognition system using leaf vein and shape, International Journal of Bio-Science and Bio-Technology, 5.2: 57-66, 2013.
11. Kadir, A., Nugroho, L. E., Susanto, A., Santosa, P. I., Experiments of Zernike moments for leaf identification, Journal of Theoretical and Applied Information Technology (JATIT) 41.1: 82-93, 2012.
12. C. Sari, C. B. Akgul, B. Sankur, Combination of gross shape features, fourier descriptors and multiscale distance matrix for leaf recognition, In AÖMAR, 2013 55th International Symposium. IEEE, 23-26, 2013.
13. Naresh, Y. G., Nagendraswamy, H. S., Classification of medicinal plants: an approach using modified LBP with symbolic representation, Neurocomputing, 173: 1789-1797, 2016.
14. Kadir, A., Nugroho, L. E., Susanto, A., Santosa, P. I., Foliage plant retrieval using polar fourier Dönüşüm, color moments and vein features, arXiv preprint arXiv:1110.1513, 2011.
15. Elhariri, E., El-Bendary, N., Hassanien, A. E., Plant classification system based on leaf features, Computer engineering & systems (icces), 2014 9th international conference on. IEEE, 2014.
16. Priya, C. A., Balasaravanan, T., Thanamani, A. S., An efficient leaf recognition algorithm for plant classification using support vector machine, In Pattern Recognition, Informatics and Medical Engineering (PRIME), 2012 International Conference on. IEEE, p. 428-432, 2012.
17. Tsolakidis, D. G., Kosmopoulos, D. I., Papadourakis, G., Plant leaf recognition using Zernike moments and histogram of oriented gradients, Hellenic Conference on Artificial Intelligence. Springer, Cham, 2014.
18. Kadir, A., Nugroho, L. E., Susanto, A., Santosa, P. I., Performance improvement of leaf identification system using principal component analysis, International Journal of Advanced Science and Technology 44, 113-124, 2012.
19. Wang, X., Liang, J., Guo, F., Feature extraction algorithm based on dual-scale decomposition and local binary descriptors for plant leaf recognition, Digital Signal Processing 34, 101-107, 2014.
20. Hong, A., Chi, Z., Chen, G., Wang, Z., Region-of-Interest based flower images retrieval, Acoustics, Speech, and Signal Processing, 2003. Proceedings.(ICASSP'03). 2003 IEEE International Conference on. Vol. 3. IEEE, 2003.
21. Çalışkan, A., Acar, E., Kaya, Y., GSEM Tabanlı KNN Sınıflandırıcı Modeli İle Avuç İçi Tanıma Sistemi. Batman University, Journal of Life Sciences Volume 1, Number 2, 2012.
22. Hudec, R., Benco, M., Novel method for color textures features extraction based on GSEM, Radioengineering, 2007.
23. Wang, X., Georganas, N. D., GLCM texture based fractal method for evaluating fabric surface roughness, Electrical and Computer Engineering, 2009. CCECE'09. Canadian Conference on. IEEE, 2009.
24. Haralick, R. M., Shanmugam, K., Textural features for image classification." IEEE Transactions on systems, man, and cybernetics 6, 610-621, 1973.
25. Easley, G., Labate, D., Lim, W. Q., Sparse directional image representations using the discrete shearlet transform, Applied and Computational Harmonic Analysis, 25(1), 25-46, 2008.
26. Guo, K., Labate, D., Optimally sparse multidimensional representation using shearlets, SIAM journal on mathematical analysis, 39(1), 298-318, 2007.
27. Yaşar, H., and Ceylan, M., Investigation of image representation and denoising performances of real and complex valued fast finite shearlet transform, Signal Processing and Communications Applications Conference (SIU), 2015 23th. IEEE, 2015.
28. Hanbay, K., Yuvarlak örgü makineleri için görüntü işleme tabanlı kumaş hatası tespit sistemi, Inönü Üniversitesi, 2016.
29. Guo, K., Gitta, K. Demetrio, L., Sparse multidimensional representations using anisotropic dilation and shear operators, International Conference on the Interaction between Wavelets and Splines, 189-201, 2005.
30. Hauser, S. Steidl, G., Fast finite shearlet transform: a tutorial, preprint, Access: http://arxiv.org/pdf/1202.1773.pdf, 2015.
31. Belhumuer, P.N., Hespanha, J.P. Kriegman, D.J., Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection, IEEE Transactions on Pattern Analysis and Machine Intelligence, Cilt No. 19, 711-720, 1997.
32. Chatterjee, C., Roychowdhury, V. P., Chong, E. K., On relative convergence properties of principal component analysis algorithms, IEEE Transactions on Neural Networks, 9(2), 319-329, 1998.
33. Yildiz, E., Sevim, Y., Comparison of linear dimensionality reduction methods on classification methods, Electrical, Electronics and Biomedical Engineering (ELECO), 2016 National Conference on. IEEE, 2016.
34. Karabatak, M., Ince, M. C., Avci, E., An expert system for diagnosis breast cancer based on Principal Component Analysis method, Signal Processing, Communication and Applications Conference, 2008. SIU 2008. IEEE 16th. IEEE, 2008.
35. Huang, G. B., Zhu, Q. Y. Siew, C. K., Extreme learning machine: theory and applications, Neurocomputing 70.1, 489-501, 2006.
36. Alçin, Ö. F., Şengür, A., İnce, M. C., İleri-geri takip algoritmasi tabanli seyrek aşiri öğrenme makinesi, Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi 30.1, 2015.
37. Huang, G. B., Zhu, Q. Y., Siew, C. K., Extreme learning machine: a new learning scheme of feedforward neural networks, Neural Networks, 2004. Proceedings. 2004 IEEE International Joint Conference on. Vol. 2. IEEE, 2004.
38. Luo, M., and Zhang, K., A hybrid approach combining extreme learning machine and sparse representation for image classification, Engineering Applications of Artificial Intelligence, Cilt 27, 228-235, 2014.
39. Alcin, O. F., Sengur, A., Qian, J. Ince, M. C., OMP-AÖM: orthogonal matching pursuit-based extreme learning machine for regression, Journal of Intelligent Systems 24.1, 135-143, 2015.
40. Alcin, O. F., Sengur, A., Ghofrani, S. Ince, M. C., GA-SAÖM: Greedy algorithms for sparse extreme learning machine, Measurement 55, 126-132, 2014.
41. Jain, A., Nandakumar, K., Ross, A., Score normalization in multimodal biometric systems, Pattern recognition, 38.12: 2270-2285, 2005.
42. Larose, D.T., Discovering Knowledge in Data: An Introduction to Data Mining, New Jersey: John Wiley and Sons Inc., 2014.
43. Laga, H., Kurtek, S., Srivastava, A., Miklavcic, S. J., Landmark-free statistical analysis of the shape of plant leaves, Journal of theoretical biology 363, 41-52, 2014.
44. Ling, H., Jacobs, D.W., Shape classification using the inner-distance, IEEE Trans. Pattern Anal. Mach. Intell. 29, 286–299, 2007.
45. Daliri, M.R., Torre, V., Robust symbolic representation for shape recognition and retrieval, Pattern Recogn. 41, 1782–1798, 2008.
46. Alajlan, N., El Rube, I., Kamel, M. S., Freeman, G., Shape retrieval using triangle-area representation and dynamic space warping, Pattern recognition, 40(7), 1911-1920, 2007.
47. Yang, C., Wei, H., and Yu, Q., Multiscale Triangular Centroid Distance for Shape-Based Plant Leaf Recognition, ECAI. 2016.
48. Mouine, S., Yahiaoui, I., Verroust-Blondet, A., A shape-based approach for leaf classification using multiscale triangular representation, in: Proceedings of the 3rd ACM International Conference on International Conference on Multimedia Retrieval, pp. 127–134, 2013.
49. Wang, B., Brown, D., Gao, Y., La Salle, J., MARCH: Multiscale-arch-height description for mobile retrieval of leaf images, Information Sciences 302, 132-148, 2015.
50. Huang, C., Han, T. X., He, Z., Multi-scale embedded descriptor for shape classification." Journal of Visual Communication and Image Representation 25.7, 1640-1646, 2014.
51. Qi, X., Xiao, R., Li, C. G., Qiao, Y., Guo, J., Tang, X., Pairwise rotation invariant co-occurrence local binary pattern, IEEE transactions on pattern analysis and machine intelligence 36.11, 2199-2213, 2014.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Muammer Türkoğlu ^*
0000-0002-2377-4979
Türkiye

Davut Hanbay
0000-0003-2271-7865
Türkiye

Yayımlanma Tarihi

25 Haziran 2019

Gönderilme Tarihi

15 Mayıs 2018

Kabul Tarihi

15 Nisan 2019

Yayımlandığı Sayı

Yıl 2019 Cilt: 34 Sayı: 4

DOI

https://doi.org/10.17341/gazimmfd.423674

IZ

https://izlik.org/JA73YS22DB

Kaynak Göster

RIS / Bibtex

APA

Türkoğlu, M., & Hanbay, D. (2019). Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34(4), 2097-2112. https://doi.org/10.17341/gazimmfd.423674

AMA

1.Türkoğlu M, Hanbay D. Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi. GUMMFD. 2019;34(4):2097-2112. doi:10.17341/gazimmfd.423674

Chicago

Türkoğlu, Muammer, ve Davut Hanbay. 2019. “Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34 (4): 2097-2112. https://doi.org/10.17341/gazimmfd.423674.

EndNote

Türkoğlu M, Hanbay D (01 Haziran 2019) Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34 4 2097–2112.

IEEE

[1]M. Türkoğlu ve D. Hanbay, “Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi”, GUMMFD, c. 34, sy 4, ss. 2097–2112, Haz. 2019, doi: 10.17341/gazimmfd.423674.

ISNAD

Türkoğlu, Muammer - Hanbay, Davut. “Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 34/4 (01 Haziran 2019): 2097-2112. https://doi.org/10.17341/gazimmfd.423674.

JAMA

1.Türkoğlu M, Hanbay D. Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi. GUMMFD. 2019;34:2097–2112.

MLA

Türkoğlu, Muammer, ve Davut Hanbay. “Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 34, sy 4, Haziran 2019, ss. 2097-12, doi:10.17341/gazimmfd.423674.

Vancouver

1.Muammer Türkoğlu, Davut Hanbay. Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi. GUMMFD. 01 Haziran 2019;34(4):2097-112. doi:10.17341/gazimmfd.423674

Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi

Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

A multi-division convolutional neural network-based plant identification system

Derin Öğrenme ile Şeftali Hastalıkların Tespiti

A HYBRID TEXTURAL AND GEOMETRICAL FEATURE EXTRACTION TO REVEAL HIDDEN INFORMATION FROM SUSPICIOUS REGIONS ON MAMMOGRAMS