AI Summary & Key Takeaways
AI InsightPerformance of classification is evaluated using ROC (Receiver Operating Characteristics) analysis.
📌 3 Key Takeaways
Abstract
Classification of image groups has different applications in remote sensing, photogrammetry, digital painting catalogues and security related areas. Researchers from remote sensing, computer vision and photogrammetry have used different approaches based on image features (color, textures, object shapes) in order to develop robust classification methods. In this study, classification of viewpoint independent image groups is developed based on the principle of invariant properties of conic sections under projective transformation. At the beginning of this study a data set is created for testing the method. This dataset consists of nine categories of images, for each category ten images used that are taken from different viewpoints. Edge detection is applied on each image to detect boundary of objects in images. Detected edges are used for conic fitting so that each conic will be represented as a set of conic sections. Under projective transformation conic sections remain as conic section even if their shapes change. For each image in the dataset an invariant signature is computed using set of conic sections. It is assumed that there is similarity between invariant signatures of images belong to the same image category. These invariant signatures are used in histogram form for visual representation and computations. Since invariant signatures are high dimensional data, Support Vector Machines which is a stochastic pattern recognition algorithm is used instead of classical deterministic methods. Performance of classification is evaluated using ROC (Receiver Operating Characteristics) analysis.
Özet
Görüntü gruplarının sınıflandırılmasının, uzaktan algılama, fotogrametri, dijital tablo katalogları ve güvenlik alanlarında değişik uygulamaları mevcuttur. Uzaktan algılama, bilgisayarla görme ve fotogrametri disiplinlerinde çalışan araştırmacılar güçlü sınıflandırma metodları geliştirebilmek için görüntü özelliklerini (renk, doku, şekil) temel alan yaklaşımlar kullanmışlardır. Bu çalışmada, değişik bakış açılarından elde edilen farklı görüntülere ait grupların sınıflandırılması, konik kesitlerin projektif dönüşüm altında değişmezliği prensibine dayanarak geliştirilmiştir. Çalışmanın başlangıcında, test amaçlı bir veri seti oluşturulmuştur. Bu veri seti dokuz ayrı objeden farklı bakış açılarından on görüntü alınması ile toplam doksan görüntüden oluşmaktadır. Veri seti oluşturulduktan sonra objelerin sınırlarının belirlenmesi amacıyla bütün görüntüler üzerinde kenar tanıma işlemi uygulanmıştır. Kenar tanıma işlemi ile elde edilen kenarlar üzerine, geometrisine bağlı olarak konik kesitler oturtulmuştur. Bu işlem sonucunda her görüntü bir konik kesit kümesiyle ifade edilmiştir. Konik kesitler projektif dönüşüme uğradığında şekli değişse bile yine bir konik kesit oluşmaktadır. Her görüntüyü temsil eden konik kesit kümesi kullanılarak görüntüler için bir değişmez işaret hesaplanmıştır. Aynı gruba ait görüntülerin değişmez işaretleri arasında bir benzerlik olacağı varsayılmıştır. Bu değişmez işaretler görsellik sağlaması ve hesaplamalarda kolaylık olması amacıyla histogramlara dönüştürülmüştür. Her görüntüye ait değişmez işaretler çok boyutlu veriler olduklarından dolayı aralarında benzerlik olup olmadığını tespit etmek için Destek Vektör Makineleri uygulanmıştır. Sınıflandırmanın performansını ölçebilmek için ROC(Receiver Operating Characteristics) analizleri yapılmıştır.