KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2007 / Cilt: 22 - Sayı: 1

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

Engin AVCI
Sayfa
0
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:Araştırma Makalesi
📍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

AVCI, 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, 0. https://ajindex.com/articles/21048

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Pun, C. ve Lee, M., “Extraction of Shift Invariant Wavelet Features for Classification of Images with Different Sizes”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Cilt:26, No.9, Eylül 2004.
  2. Tuceryan, M., ve Jain, A. K., Texture Analysis, Handbook of Pattern Recognition and Computer Vision, 235-276, World Scientific, 1993. Conners R.W., ve Harlow, C.A., “A Theoretical Comparison of Texture Algorithms,” IEEE Trans. Pattern Analysis and Machine Intelligence, Cilt 2, -222, Mayıs 1980.
  3. Bovik, A., C., Clark, M., ve Geisler, W., S., “Multichannel Texture Analysis Using Localized Spatial Filters,” IEEE Trans. Pattern Analysis and Machine Intelligence, Cilt No: 12, Ocak 1990.
  4. Teuner, A., Pichler, O., ve Hosticka, B., J., “Unsupervised Texture Segmentation of Images Using Tuned Matched Gabor Filters, IEEE Trans. Image Processing, Cilt:6, No:4, 863-870, 1995.
  5. Chang, T., ve Kuo, C.C.J., “Texture Analysis and Classification with Tree-Structured Wavelet Transform”, IEEE Trans. Image Processing, Cilt: 2, -441, Nisan 1993.
  6. Laine, A., ve Fan, J., “Texture Classification by Wavelet Packet Signatures”, IEEE Trans. Pattern Analysis and Machine Intelligence, Cilt:15, No:, 1186-1191, Kasım 1993.
  7. Unser, M., “Texture Classification and Segmentation Using Wavelet Frames”, IEEE Trans. Image Processing, Cilt No: 4, 1549-1560, Kasım 1995.
  8. Pun, C., ve Lee, M., “Log-Polar Wavelet Energy Signatures for Rotation and Scale Invariant Texture Classification”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Cilt:25, No:5, Mayıs 2003.
  9. Haralick, R. M., Shanmugam, K., ve Dinstein, I., “Texture Features for Image Classification”, IEEE Trans. System Man Cybernat., 8 (6), 610–621, 1973.
  10. Weszka, J. S., Dyer, C. R., ve Rosenfeld, A., “A Comparative Study of Texture Measures for Terrain Classification”, IEEE Trans. System Man Cybernat. SMC-6, (4), 269–286, 1976.
  11. Davis, L. S., Johns, S. A., ve Aggarwal, J. K., “Texture Analysis Using Generalized Co-Occurrence Matrices”, IEEE Trans. Pattern Anal. Machine Intell. PAMI-1, 251–259, 1979.
  12. Faugeras, O. D., ve Pratt, W. K., “Decorrelation Methods of Texture Feature Extraction”, IEEE Trans. Pattern Anal. Machine Intell. PAMI-1, –332, 1980.
  13. Chen, P., C., ve Pavlidis, T., “Segmentation by Texture Using Correlation”, IEEE Trans. Pattern Anal. Machine Intell. PAMI-5, 64–69, 1983.
  14. Cross, G., R., ve Jain, A., K., “Markov Random Field Texture Models”, IEEE Trans. Pattern Anal. Machine Intell. PAMI-5, (1), 25–39, 1983.
  15. Kashyap, R