Temel bileşen analiziyle öznitelik seçimi ve görsel nesne sınıflandırma
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, MATEMATİK VE BİLGİSAYAR BİLİMLERİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2013
Tezin Dili: Türkçe
Öğrenci: ZÜHAL KURT
Danışman: Kemal Özkan
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:İmgeleri tanımlayan en önemli görsel özelliklerden bir tanesi imgedeki nesnelerin konturlarıdır. İmgedeki nesneleri az sayıda öğe ile betimleyebilmek için nesne şekillerine konik veya doğru uyarlanır, öyle ki bu uyarlamalar için başlangıç ve bitim noktalarına ihtiyaç vardır. Bu başlangıç ve bitim noktaları imgedeki nesnenin anlamlı noktalarıdır. Bu çalışmada imgelerdeki şekillerin konturlarındaki noktalar Canny kenar detektörü ile belirlenmiş olup, bu noktalara temel bileşen analizi (TBA) metodu uygulanarak köşe ve büküm noktaları bulunmuştur. Bu noktalar daha sonra baskın, köşe, yumuşak köşe ve büküm noktası olarak sınıflandırılmıştır. Şeklin konturunda ardarda gelmiş olan anlamlı noktaların arasına konik veya dogru oturtulmuş, böylece imgedeki nesne uyarlanmış konik eğrileriyle ve doğru parçaları ile betimlenmiştir. Literatürdeki en başarılı görsel nesne sınıflandırma teknikleri imgeleri betimlemek için ?kelimeler çantası? (bag of words) yöntemini kullanmaktadır. Bu yöntemde dijital imgelerden seçilen yamalar SIFT, LBP, LTP ve SURF gibi farklı şekil ve doku betimleyicilerle vektörel değerlere dönüştürülmektedir. Bu çalışmada biz TBA?ya dayalı betimleyicinin ağırlıklandırılmış açılarının histogramlarını kullanan yeni bir betimleme tekniği önerdik. Önerdiğimiz betimleme tekniğini kullanan kelimeler çantası tabanlı görsel nesne sınıflandırma yönteminin başarısını literatürdeki diğer betimleme tekniklerini kullanan nesne sınıflandırma yöntemleriyle Caltech-4 ve Coil-100 veri tabanları üzerinde karşılaştırdık. Deneysel sonuçlar TBA?ya dayalı betimleyicinin oldukça iyi sonuçlar verdiğini göstermektedir. Ayrıca önerilen betimleyicinin literatürdeki diğer detektörlerin bulduğu ilgi noktalarından elde edilen karesel çerçevenin üzerinde kullanılmasıyla birlikte sınıflandırma başarımının daha da arttığı gözlenmiştir. Bu da TBA?ya dayalı betimleyicinin diğer betimleyicilerden farklı bilgiler taşıdığını göstermektedir.