KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 22 Sayı: 1

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

Engin Avcı
Sayfa
—
Yayın Tarihi
2013-02-15
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Yapılan test çalışmalarındageliştirilen yöntemin etkinliği denenmiş ve ortalama % 90 oranında bir tanıma başarısı elde edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde, doku tipi imgelerin analiz ve sınıflandırılması konusu önemli bir hal almıştır.
📊
Temel Bulgular & Veri: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.
💡
Sonuç & Katkı:Yapılan test çalışmalarındageliştirilen yöntemin etkinliği denenmiş ve ortalama % 90 oranında bir tanıma başarısı elde edilmiştir.
🔬Tür:Makale
📍Kapsam:20 adet
⚙️Değişkenler:Doku tipi imgeler · akıllı sınıflandırma · dalgacık dönüşümü

Özet

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.

🔖

Bu Makaleye Atıf Yap

Avcı, E. (2013). DOKU TİPİ İMGELERİN SINIFLANDIRILMASI İÇİN BİR UYARLAMALI ENTROPİ TABANLI DALGACIK-YAPAY SİNİR AĞI SİSTEMİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 22 Sayı: 1. https://ajindex.com/articles/1078903

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (104)

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