Geri Dön

Image segmentation based on multiscale random field models

Çok ölçekli rastlantı alan modelleri ile imge bölütleme

  1. Tez No: 46218
  2. Yazar: A. MÜFİT FERMAN
  3. Danışmanlar: PROF.DR. ERDAL PANAYIRCI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Görüntü işleme, Image processing
  7. Yıl: 1995
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

. Yöntemin gerçek imgelere uyarlanabilirliği üzerinde çalışmalar yapılmalıdır. Tezin ilk bölümünde konuyla ilgili genel bilgiler verilmekte, Bölüm 2 'de ise piksel etiketleme sorunu ele alınmaktadır. Markov ve Gibbs raslantı alan ları hakkında temel bilgilerin ardından, Bayes kestirim yöntemi açıklanmakta, yaygın olarak kullanılan eniyileme algoritmaları sunulmaktadır. Bölüm 3'te, çokölçekli olasılıksal modeller incelenmiş ve geniş biçimde tanıtılmıştır. Bu bölümde verilen bilgiler, bir sonraki bölümde, çokölçekli sınıflandırma algorit masının oluşturulmasında kullanılmaktadır. Bölüm 4'te, genelleştirilmiş ço kölçekli bölütleme algoritması elde edilmekte, sentetik deney imgeleri üzerinde yapılan denemelerin sonuçları sunulmaktadır. Varılan sonuçlar ve değerlendir meler son bölümde ele alınmıştır. xıTezde ele alman çokölçekli model, raslantı süreç ve alanlarının, ölçek- özyineli (scale recursive) biçimde betimlenmesini sağlayarak, etkin kestirim algoritma larının geliştirilmesine olanak sağlar. Modelin en belirgin özelliklerinden biri, ölçeklerin bir Markov zinciri oluşturmasıdır; diğer bir deyişle, her bir ölçek, olasılıksal olarak, sadece kendinden önce gelen ölçeğe bağımlıdır. Tüm ölçek ler dizgesi ele alındığında, bu yapının sistemi olasılıksal açıdan tam olarak tanımlamaya yeteceği görülmektedir. Markov özelliğin yanında, modelin bir diğer önemli özelliği, herhangi bir öl çekteki bir pikselin, bir önceki ölçekte, sadece belirli bir komşuluk içinde yer alan piksellere bağımlı olmasıdır. Bu özellik, modelin çok daha esnek olmasını ve etkin biçimde kullanılabilmesini sağlamaktadır. Önerilen modelin yamsıra, bölütlemeyi çokölçekli olarak gerçekleştirmek ama cıyla, yeni ve uygun bir bedel işlevi seçilmelidir. Kaba ölçekte yapılacak bir bölütleme hatasının, ince ölçeklerde daha büyük sayıda pikselin yanlış sınıflan dırılmasına yol açacağı gözönüne alınarak, işlevin, kaba ölçeklerdeki hatalara daha büyük cezalar atar biçimde tanımlanması doğru olacaktır. Bu bilgiler ışığında, tezde, genelleştirilmiş bir çokölçekli bölütleme mekaniz ması önerilmiştir. Yaklaşım, enbüyük sonsal olasılık (maximum a posteriori - MAP) kestirimini, en kaba ölçekten başlayarak en ince ölçeğe dek ardışık olarak gerçekleştirmektedir. Elde edilen özyineli denklem takımı, çok sayıda farklı imge modeline doğrudan uygulanabilme özelliğine sahiptir. Ayrıca or taya çıkan yöntem iteratif olmadığından, MAP kestirime oranla büyük ölçüde işlem kolaylığı sağlanmaktdır. Sentetik deney imgeleri üzerinde yapılan ilk denemeler, yöntemin hatırı sayılır bir bölütleme başarımına sahip olduğunu göstermektedir. Yöntemin en çok hatayı bölge sınırlarında yapması dikkat çekicidir. Bu tezde sunulan çalışmayı geliştirmek için aşağıdaki noktaların ele alınması yararlı olacaktır:. Bu tez çalışmasında sadece yöneticili (supervised) bölütleme ele alınmış tır, çokölçekli model parametrelerinin kestirimi irdelenmemiştir. Para metre kestirimi konusunda yapılacak çalışmalar yöneticisiz bölütleme ya pılmasına da olanak sağlayacaktır.. Ölçeklerarası olasılıksal bağımlılıkları tanımlayan yapı, farklı komşuluk bölgeleri önerilerek geliştirilebilir; bu yolla bölge sınırlarında yapılan ha taların enaza indirilmesi sağlanabilir.. Önerilen genelleştirilmiş yineleme, farklı imge modellerine doğrudan uyarlanabilir. Yöntemin başarımı, çok sayıda modelin ele alınması ile daha biçimde ortaya çıkarılabilir.. Yöntemin gerçek imgelere uyarlanabilirliği üzerinde çalışmalar yapılmalıdır. Tezin ilk bölümünde konuyla ilgili genel bilgiler verilmekte, Bölüm 2 'de ise piksel etiketleme sorunu ele alınmaktadır. Markov ve Gibbs raslantı alan ları hakkında temel bilgilerin ardından, Bayes kestirim yöntemi açıklanmakta, yaygın olarak kullanılan eniyileme algoritmaları sunulmaktadır. Bölüm 3'te, çokölçekli olasılıksal modeller incelenmiş ve geniş biçimde tanıtılmıştır. Bu bölümde verilen bilgiler, bir sonraki bölümde, çokölçekli sınıflandırma algorit masının oluşturulmasında kullanılmaktadır. Bölüm 4'te, genelleştirilmiş ço kölçekli bölütleme algoritması elde edilmekte, sentetik deney imgeleri üzerinde yapılan denemelerin sonuçları sunulmaktadır. Varılan sonuçlar ve değerlendir meler son bölümde ele alınmıştır. xıTezde ele alman çokölçekli model, raslantı süreç ve alanlarının, ölçek- özyineli (scale recursive) biçimde betimlenmesini sağlayarak, etkin kestirim algoritma larının geliştirilmesine olanak sağlar. Modelin en belirgin özelliklerinden biri, ölçeklerin bir Markov zinciri oluşturmasıdır; diğer bir deyişle, her bir ölçek, olasılıksal olarak, sadece kendinden önce gelen ölçeğe bağımlıdır. Tüm ölçek ler dizgesi ele alındığında, bu yapının sistemi olasılıksal açıdan tam olarak tanımlamaya yeteceği görülmektedir. Markov özelliğin yanında, modelin bir diğer önemli özelliği, herhangi bir öl çekteki bir pikselin, bir önceki ölçekte, sadece belirli bir komşuluk içinde yer alan piksellere bağımlı olmasıdır. Bu özellik, modelin çok daha esnek olmasını ve etkin biçimde kullanılabilmesini sağlamaktadır. Önerilen modelin yamsıra, bölütlemeyi çokölçekli olarak gerçekleştirmek ama cıyla, yeni ve uygun bir bedel işlevi seçilmelidir. Kaba ölçekte yapılacak bir bölütleme hatasının, ince ölçeklerde daha büyük sayıda pikselin yanlış sınıflan dırılmasına yol açacağı gözönüne alınarak, işlevin, kaba ölçeklerdeki hatalara daha büyük cezalar atar biçimde tanımlanması doğru olacaktır. Bu bilgiler ışığında, tezde, genelleştirilmiş bir çokölçekli bölütleme mekaniz ması önerilmiştir. Yaklaşım, enbüyük sonsal olasılık (maximum a posteriori - MAP) kestirimini, en kaba ölçekten başlayarak en ince ölçeğe dek ardışık olarak gerçekleştirmektedir. Elde edilen özyineli denklem takımı, çok sayıda farklı imge modeline doğrudan uygulanabilme özelliğine sahiptir. Ayrıca or taya çıkan yöntem iteratif olmadığından, MAP kestirime oranla büyük ölçüde işlem kolaylığı sağlanmaktdır. Sentetik deney imgeleri üzerinde yapılan ilk denemeler, yöntemin hatırı sayılır bir bölütleme başarımına sahip olduğunu göstermektedir. Yöntemin en çok hatayı bölge sınırlarında yapması dikkat çekicidir. Bu tezde sunulan çalışmayı geliştirmek için aşağıdaki noktaların ele alınması yararlı olacaktır:. Bu tez çalışmasında sadece yöneticili (supervised) bölütleme ele alınmış tır, çokölçekli model parametrelerinin kestirimi irdelenmemiştir. Para metre kestirimi konusunda yapılacak çalışmalar yöneticisiz bölütleme ya pılmasına da olanak sağlayacaktır.. Ölçeklerarası olasılıksal bağımlılıkları tanımlayan yapı, farklı komşuluk bölgeleri önerilerek geliştirilebilir; bu yolla bölge sınırlarında yapılan ha taların enaza indirilmesi sağlanabilir.. Önerilen genelleştirilmiş yineleme, farklı imge modellerine doğrudan uyarlanabilir. Yöntemin başarımı, çok sayıda modelin ele alınması ile daha biçimde ortaya çıkarılabilir.. Yöntemin gerçek imgelere uyarlanabilirliği üzerinde çalışmalar yapılmalıdır. Tezin ilk bölümünde konuyla ilgili genel bilgiler verilmekte, Bölüm 2 'de ise piksel etiketleme sorunu ele alınmaktadır. Markov ve Gibbs raslantı alan ları hakkında temel bilgilerin ardından, Bayes kestirim yöntemi açıklanmakta, yaygın olarak kullanılan eniyileme algoritmaları sunulmaktadır. Bölüm 3'te, çokölçekli olasılıksal modeller incelenmiş ve geniş biçimde tanıtılmıştır. Bu bölümde verilen bilgiler, bir sonraki bölümde, çokölçekli sınıflandırma algorit masının oluşturulmasında kullanılmaktadır. Bölüm 4'te, genelleştirilmiş ço kölçekli bölütleme algoritması elde edilmekte, sentetik deney imgeleri üzerinde yapılan denemelerin sonuçları sunulmaktadır. Varılan sonuçlar ve değerlendir meler son bölümde ele alınmıştır. xı

Özet (Çeviri)

Tezde ele alman çokölçekli model, raslantı süreç ve alanlarının, ölçek- özyineli (scale recursive) biçimde betimlenmesini sağlayarak, etkin kestirim algoritma larının geliştirilmesine olanak sağlar. Modelin en belirgin özelliklerinden biri, ölçeklerin bir Markov zinciri oluşturmasıdır; diğer bir deyişle, her bir ölçek, olasılıksal olarak, sadece kendinden önce gelen ölçeğe bağımlıdır. Tüm ölçek ler dizgesi ele alındığında, bu yapının sistemi olasılıksal açıdan tam olarak tanımlamaya yeteceği görülmektedir. Markov özelliğin yanında, modelin bir diğer önemli özelliği, herhangi bir öl çekteki bir pikselin, bir önceki ölçekte, sadece belirli bir komşuluk içinde yer alan piksellere bağımlı olmasıdır. Bu özellik, modelin çok daha esnek olmasını ve etkin biçimde kullanılabilmesini sağlamaktadır. Önerilen modelin yamsıra, bölütlemeyi çokölçekli olarak gerçekleştirmek ama cıyla, yeni ve uygun bir bedel işlevi seçilmelidir. Kaba ölçekte yapılacak bir bölütleme hatasının, ince ölçeklerde daha büyük sayıda pikselin yanlış sınıflan dırılmasına yol açacağı gözönüne alınarak, işlevin, kaba ölçeklerdeki hatalara daha büyük cezalar atar biçimde tanımlanması doğru olacaktır. Bu bilgiler ışığında, tezde, genelleştirilmiş bir çokölçekli bölütleme mekaniz ması önerilmiştir. Yaklaşım, enbüyük sonsal olasılık (maximum a posteriori - MAP) kestirimini, en kaba ölçekten başlayarak en ince ölçeğe dek ardışık olarak gerçekleştirmektedir. Elde edilen özyineli denklem takımı, çok sayıda farklı imge modeline doğrudan uygulanabilme özelliğine sahiptir. Ayrıca or taya çıkan yöntem iteratif olmadığından, MAP kestirime oranla büyük ölçüde işlem kolaylığı sağlanmaktdır. Sentetik deney imgeleri üzerinde yapılan ilk denemeler, yöntemin hatırı sayılır bir bölütleme başarımına sahip olduğunu göstermektedir. Yöntemin en çok hatayı bölge sınırlarında yapması dikkat çekicidir. Bu tezde sunulan çalışmayı geliştirmek için aşağıdaki noktaların ele alınması yararlı olacaktır:. Bu tez çalışmasında sadece yöneticili (supervised) bölütleme ele alınmış tır, çokölçekli model parametrelerinin kestirimi irdelenmemiştir. Para metre kestirimi konusunda yapılacak çalışmalar yöneticisiz bölütleme ya pılmasına da olanak sağlayacaktır.. Ölçeklerarası olasılıksal bağımlılıkları tanımlayan yapı, farklı komşuluk bölgeleri önerilerek geliştirilebilir; bu yolla bölge sınırlarında yapılan ha taların enaza indirilmesi sağlanabilir.. Önerilen genelleştirilmiş yineleme, farklı imge modellerine doğrudan uyarlanabilir. Yöntemin başarımı, çok sayıda modelin ele alınması ile daha biçimde ortaya çıkarılabilir.

Benzer Tezler

  1. Tez No

    75247

    Markov random fields and a multiscale implementation of markov random fields on Bayesian image segmentation

    Başlık çevirisi yok

    UĞUR SIVAKÇI

    Yüksek Lisans

    İngilizce

    İngilizce

    1998

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERTUĞRUL ÇELEBİ

  2. Tez No

    78341

    Dalgacık dönüşümü ve yapay sinir ağı kullanarak doku tanıma

    Pattern recognition by using wavelet transform and artificial neural network

    A.SAMET HAŞİLOĞLU

    Doktora

    Türkçe

    Türkçe

    1998

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Kontrol ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. İHSAN GÖK

  3. Tez No

    39285

    Solving image procesing problems by using nonstandart regularization

    Standart olmayan düzgünleştirme kullanarak görüntü işleme problemlerinin çözümü

    TOLGA ACAR

    Yüksek Lisans

    İngilizce

    İngilizce

    1994

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    DOÇ.DR. MUHİTTİN GÖKMEN

  4. Tez No

    105375

    Rastgele markov alanları ve hücresel sinir ağları ile görüntü işleme

    Image processing with markow random fields and cellular neural networks

    MAHMUT ŞAMİL SAĞIROĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2001

    Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OSMAN NURİ UÇAN

  5. Tez No

    100808

    Color image segmentation: Multithresholding and constraint satisfaction methods

    Renkli imge bölütleme: Çoklueşikleme ve kısıt sağlama metodları

    FATİH KURUGÖLLÜ

    Doktora

    İngilizce

    İngilizce

    2000

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. A. EMRE HARMANCI

Geri Dön