SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2024 / Cilt: 39 Sayı: 2

CNN ve SVM yöntemleriyle çoklu-odaklı görüntü birleştirmede yeni bir hibrit yaklaşım

Samet AYMAZ
Pages
1123–1136
Publication Date
2023-11-30
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Sonuçlar incelendiğinde, çalışmanın basit sistemlerde çalışabilen etkili bir füzyon aracı olduğu görülmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Çoklu-odaklı görüntü birleştirme, aynı sahnenin farklı odak değerlerine sahip iki veya daha fazla görüntüsünün birleştirilerek tüm-odaklı bir görüntü oluşturulmasıdır.
📊
Key Findings & Data:Bu yaklaşım, görüntülerden çıkarılan önemli özelliklerin sınıflandırılması ve etkili füzyon kuralları ile birleştirilmesine dayanmaktadır.
💡
Conclusion & Impact:Sonuçlar incelendiğinde, çalışmanın basit sistemlerde çalışabilen etkili bir füzyon aracı olduğu görülmektedir.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:CNN · SVM · Özellik çıkarımı

Özet

Çoklu-odaklı görüntü birleştirme, aynı sahnenin farklı odak değerlerine sahip iki veya daha fazla görüntüsünün birleştirilerek tüm-odaklı bir görüntü oluşturulmasıdır. Tüm-odaklı görüntü oluşturulurken temel amaç kaynak görüntülerdeki doğru odak bilgisinin maksimum seviyede birleştirilmiş görüntüye aktarılmasıdır. Önerilen çalışmada, bu amaç doğrultusunda yeni bir hibrit yaklaşım önerilmektedir. Bu yaklaşım, görüntülerden çıkarılan önemli özelliklerin sınıflandırılması ve etkili füzyon kuralları ile birleştirilmesine dayanmaktadır. Özellik çıkarımında, özgün olarak tasarlanan ve basit sistemlerde dahi kolaylıkla çalışabilen bir CNN mimarisi kullanılmaktadır. Çıkarılan özellikler, SVM sınıflandırıcısına verilmekte ve özellik vektörünün odaklı ya da odaksız olarak sınıflandırılması sağlanmaktadır. Sınıflandırma işlemleri sonrasında her bir kaynak görüntü için ikili karar haritaları oluşturulmaktadır. Bu karar haritalarının yanında, önerilen çalışmanın özgün yönlerinden birisi de kararsız bölgelere ait haritaların da çıkarılmasıdır. Bu bölgeler, sınıflandırıcının özellik vektörlerini tam olarak sınıflandıramadığı odaklı bölgelerden odaksız bölgelere geçiş noktalarından oluşmaktadır. Görüntü birleştirmede en önemli konulardan birisi de füzyon kuralının seçimidir. Önerilen çalışmada, sınıflandırıcının kesin olarak karar verebildiği noktalar doğrudan birleştirilmiş görüntüye aktarılırken, kararsız bölgeler için iki alternatif füzyon kuralı kullanılmaktadır. Bunlar gradyan-tabanlı ve laplas-tabanlı füzyon kurallarıdır. Çalışmada her bir füzyon kuralı için, füzyon kurallarının birleştirmeye etkisi gözlemlenmektedir. Sonuç olarak, önerilen çalışmanın performansı objektif performans metrikleriyle değerlendirilmektedir. Sonuçlar incelendiğinde, çalışmanın basit sistemlerde çalışabilen etkili bir füzyon aracı olduğu görülmektedir.

🔖

Cite This Article

AYMAZ, S. (2023). CNN ve SVM yöntemleriyle çoklu-odaklı görüntü birleştirmede yeni bir hibrit yaklaşım. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 39 Sayı: 2, 1123–1136. https://ajindex.com/articles/1020183

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Akbulut H., Aslantaş V., Multi-exposure image fusion using convolutional neural network, Journal of the Faculty of Engineering and Architecture of Gazi University 38 (3), 1439-1451, 2023
  2. Jiang Z., Han D., Chen J., Zhou X., A wavelet based algorithm for multi-focus micro-image fusion, Third International Conference on Image and Graphics (ICIG’04), Hong Kong, China,176-179, 18-20 Aralık 2004
  3. Sujatha K., Punithavathani D. S., Optimized ensemble decision-based multi-focus image fusion using binary genetic Greywolf optimizer in camera sensor networks, Multimedia Tools and Application., 77 (2), 1735–1759, 2018
  4. Chen Z., Wang D., Gong S., Zhao F., Application of multi-focus image fusion in visual power patrol inspection, IEEE 2nd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC)., Chongqinq, China, 1688–1692, 25-26 Mart 2017
  5. Xiao G., Bavirisetti D.P., Liu, G., Zhang, X., Decision-Level Image Fusion. In Image Fusion, Springer, Singapore, 2020
  6. Li H., Liu L., Huang W., Yue C., An improved fusion algorithm for infrared and visible images based on multi-scale transform, Infrared Physics and Technology,74, 28–37, 2016
  7. Jin X., Hou J., Nie R., Yao S., Zhou D., Jiang Q., He K., A lightweight scheme for multi-focus image fusion, Multimedia Tools and Application, 77 (18), 20286–20302, 2018
  8. Petrovic V., Xydeas C., Gradient-based multiresolution image fusion, IEEE Transactions on Image Processing, 13 (2), 228–237, 2004
  9. Yang B., Li S., Multi-focus image fusion and restoration with sparse representation, IEEE Transactions on Instrumentation and Measurement, 59 (4),884–892, 2010
  10. Liu W., Wang Z., A novel multi-focus image fusion method using multi-scale shearing non-local guided averaging filter, Signal Processing, 166, 107252, 2020
  11. Li S., Kang X., Hu J., Yang B., Image matting for fusion of multi-focus images in dynamic scenes, Information Fusion, 14 (2), 147–162, 2013
  12. Li S., Kwok J., Wang Y., Combination of images with diverse focuses using the spatial frequency, Information Fusion, 2 (3), 169–176, 2001
  13. Li M., Cai W., Tan Z., A region-based multi-sensor image fusion scheme using pulse-coupled neural network, Pattern Recognition. Letters, 27 (16), 1948– 1956, 2006
  14. Liu Y., Chen X., Peng H., Wang Z., Multi-focus image fusion with a deep convolutional neural network, Information Fusion, 36, 191–207, 2017
  15. Tang H., Xiao B., Li W., Wang G., Pixel convolutional neural network for multi