Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightÖnerilen yöntemin döndürmeye karşı duyarlılığı Freeman 8 (FR8) zincir kod histogramıyla deneysel olarak karşılaştırılmış ve elde edilen sonuçlar verilmiştir.
📌 3 Maddede Bu Makale
Özet
Şekil bir nesnenin doğal sınırlarının insan beyninde oluşturduğu algı olarak tanımlanabilir. Şekil tanıma ise herhangi bir nesnenin ait olduğu sınıfın daha önceden karşılaşılan ve hafızaya kaydedilen algılarla karşılaştırılarak bulunmasıdır. Bilgisayarda şekil tanıma nesnelerin sınır veya bölge tabanlı şekil temsil yöntemleriyle elde edilen özellik vektörlerinin karşılaştırılarak sınıflarının tespitidir. Sınır tabanlı özellik çıkarma metotlarından biri olan zincir kodu sayısal görüntüdeki bir nesnenin sınır noktaları takip edilerek üretilen sembol dizisidir. İlgili sembol kümesinin elemanları her yön için daha önceden belirlenmelidir. Şekil temsilinde kullanılan zincir kodlarının en temel problemi ölçekleme veya döndürme işlemlerine karşı yeterince güçlü olmamalarıdır. Başka bir ifade ile şekiller ölçeklendiğinde ya da döndürüldüğünde zincir kodlarının uzunluklarının ve içeriklerinin değişmesidir. Bu nedenle şekillerin benzerlik karşılaştırılmasında farklı uzunluklardaki sembol dizisinden oluşan zincir kodları yerine, normalize edilmiş zincir kod histogramı tercih edilmektedir. Böylece sınır bilgileri sembol çeşidi ile orantılı olan sabit uzunlukta vektörlere dönüştürülerek benzerlik hesaplaması yapılmaktadır. Bu çalışmada nesnelerin sınır noktalarında bulunan piksellerin kabuk numaraları kullanılarak ölçeklenme ve döndürme işlemlerine karşı dayanıklı yeni bir zincir kod histogramı önerilmiştir. Önerilen yöntemin döndürmeye karşı duyarlılığı Freeman 8 (FR8) zincir kod histogramıyla deneysel olarak karşılaştırılmış ve elde edilen sonuçlar verilmiştir.
Abstract
Shape can be defined as perception of natural boundaries of an object in human brain. Shape recognition is determination of class to which the object belongs by comparison of the object perceptions which are previously encountered and stored in memory. In the computer based shape recognition, it is determination of class to which the object belongs by comparison of the feature vectors which are obtained by contour or region-based methods. The chain code, which is one of the contour-based feature extraction methods, is a sequence of symbols created by following the boundary of an object. The elements of symbol set must be predefined for each direction. The fundamental issue with chain code used for shape description is that they are not robust enough for scaling and rotation. In other words, the length and content of chain code may change when shapes are scaled or rotated. Therefore, in compassion process of shapes, normalized chain code histograms are preferred rather than chain codes with different lengths. Consequently, similarity calculations are performed by means of feature vectors of which the fixed lengths are proportional with symbol types. In this study, a new chain code which is strong for scaling and rotation has been proposed. The shell numbers where the object boundary pixels are located has been used to generate the chain code. The rotational robustness of the proposed chain code has been experimentally compared with outputs of Freeman 8 (FR8) chain code histogram and the obtained results have been given.