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

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

1. Pun, C. ve Lee, M., “Extraction of Shift Invariant
2. Wavelet Features for Classification of Images with
3. Different Sizes”, IEEE Transactions on Pattern
4. Analysis and Machine Intelligence, Cilt:26, No.9,
5. Eylül 2004.
6. Tuceryan, M., ve Jain, A. K., Texture Analysis,
7. Handbook of Pattern Recognition and Computer
8. Vision, 235-276, World Scientific, 1993.

9. Conners R.W., ve Harlow, C.A., “A Theoretical
10. Comparison of Texture Algorithms,” IEEE Trans.
11. Pattern Analysis and Machine Intelligence, Cilt 2,
12. -222, Mayıs 1980.
13. Bovik, A., C., Clark, M., ve Geisler, W., S.,
14. “Multichannel Texture Analysis Using Localized
15. Spatial Filters,” IEEE Trans. Pattern Analysis
16. and Machine Intelligence, Cilt No: 12, Ocak 1990.
17. Teuner, A., Pichler, O., ve Hosticka, B., J., “Unsupervised
18. Texture Segmentation of Images Using
19. Tuned Matched Gabor Filters, IEEE Trans.
20. Image Processing, Cilt:6, No:4, 863-870, 1995.
21. Chang, T., ve Kuo, C.C.J., “Texture Analysis and
22. Classification with Tree-Structured Wavelet Transform”,
23. IEEE Trans. Image Processing, Cilt: 2,
24. -441, Nisan 1993.
25. Laine, A., ve Fan, J., “Texture Classification by
26. Wavelet Packet Signatures”, IEEE Trans. Pattern
27. Analysis and Machine Intelligence, Cilt:15, No:
28. , 1186-1191, Kasım 1993.
29. Unser, M., “Texture Classification and Segmentation
30. Using Wavelet Frames”, IEEE Trans. Image Processing,
31. Cilt No: 4, 1549-1560, Kasım 1995.
32. Pun, C., ve Lee, M., “Log-Polar Wavelet Energy
33. Signatures for Rotation and Scale Invariant Texture
34. Classification”, IEEE Transactions on Pattern
35. Analysis and Machine Intelligence, Cilt:25, No:5,
36. Mayıs 2003.
37. Haralick, R. M., Shanmugam, K., ve Dinstein, I.,
38. “Texture Features for Image Classification”, IEEE
39. Trans. System Man Cybernat., 8 (6), 610–621, 1973.
40. Weszka, J. S., Dyer, C. R., ve Rosenfeld, A., “A
41. Comparative Study of Texture Measures for Terrain
42. Classification”, IEEE Trans. System Man
43. Cybernat. SMC-6, (4), 269–286, 1976.
44. Davis, L. S., Johns, S. A., ve Aggarwal, J. K.,
45. “Texture Analysis Using Generalized Co-Occurrence
46. Matrices”, IEEE Trans. Pattern Anal. Machine
47. Intell. PAMI-1, 251–259, 1979.
48. Faugeras, O. D., ve Pratt, W. K., “Decorrelation
49. Methods of Texture Feature Extraction”, IEEE
50. Trans. Pattern Anal. Machine Intell. PAMI-1,
51. –332, 1980.
52. Chen, P., C., ve Pavlidis, T., “Segmentation by
53. Texture Using Correlation”, IEEE Trans. Pattern
54. Anal. Machine Intell. PAMI-5, 64–69, 1983.
55. Cross, G., R., ve Jain, A., K., “Markov Random
56. Field Texture Models”, IEEE Trans. Pattern
57. Anal. Machine Intell. PAMI-5, (1), 25–39, 1983.
58. Kashyap, R. L., ve Khotanzed, A., “A Model Based
59. Method for Rotation Invariant Texture Classification”,
60. IEEE Trans. Pattern Anal. Machine Intell.
61. PAMI-8, (4), 472–481, 1986.
62. Chellappa, R., ve Chatterjee, S., “Classification of
63. textures using Gaussian Markov Random Fields”,
64. IEEE Trans. Acoustics Speech Signal Process.
65. ASSP-33, (4), 959–963, 1986.
66. Derin, H., ve Elliot, H., “Modeling and Segmentation
67. of Noisy and Textured Images Using Gibbs
68. Random Fields”, IEEE Trans. Pattern Anal.
69. Machine Intell. PAMI-9, 39–59, 1987.
70. Cohen, F., S., Fan, Z., ve Patel, M., A., “Classification
71. of Rotation and Scaled Textured Images Using
72. Gaussian Markov Random Field Models”, IEEE
73. Trans. Pattern Anal. Machine Intell., 13 (2),
74. –202, 1991.
75. Manjunath, B., S., ve Chellappa, R., “Unsupervised
76. Texture Segmentation Using Markov Random
77. Fields”, IEEE Trans. Pattern Anal. Machine
78. Intell., 13, 478–482, 1991.
79. Laws, K. L., “Rapid Texture Identification”, Proc.
80. SPIE, 238, 376–380, 1980.
81. Unser, M., “Local Linear Transforms for Texture
82. Measurements”, Signal Process., 11, 61–79, 1986.
83. http://www.ux.his.no/~tranden/brodatz.html , 2005.
84. Avci, E., ve Turkoglu, I., “Modelling of Tunnel
85. Diode by Adaptive-Network-Based Fuzzy Inference
86. System”, Int. J. of Computational Intelligence,
87. Cilt:1, No:1, 231-233, Temmuz, 2003.
88. Avci, E., Turkoglu, I., ve Poyraz, M., “Intelligent
89. Target Recognition Based on Wavelet Packet Neural
90. Network”, Experts Systems with Applications,
91. (1), 2005.
92. Avci, E., Turkoglu, I., ve Poyraz, M., “A New
93. Approach Based on Scalogram for Automatic
94. Target Recognition with X-Band Doppler Radar”,
95. Asian Journal of Information Technology, Cilt:
96. (1), 133-140, Ocak, 2005.
97. Avci, E., Turkoglu, I., ve Poyraz, M., “Intelligent
98. Target Recognition Based on Wavelet Adaptive
99. Network Based Fuzzy Inference System”, Lecture
100. Notes in Computer Science, Springer-Verlag,
101. Cilt: 3522 / 2005, 594-601, Mayıs, 2005.
102. Turkoglu, I., Arslan, A., ve Ilkay, E., “An Intelligent
103. System for Diagnosis of the Heart Valve
104. Diseases with Wavelet Packet Neaural Networks”,
105. Computer in Biology and Medicine 33, 319-331, 2003.