KaydedilenlerDerginizi ekleyin

Dergiler / Türk Doğa ve Fen Dergisi / 2018 / Cilt: 7 - Sayı: 1

Renkli görüntülerde kenar yönelimlerini belirlemek için iyileştirilmiş yöntem

An enhanced method for determining edge orientations in color images

Nuh Alpaslan
Sayfa
29–34
Yayın Tarihi
2018-06-26
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)

Elde edilen sonuçlar önerilen yöntemin zaman ve sınıflandırma başarısı açısından üstünlüğünü açıkça ortaya koymaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Co-occurrence Histograms of Oriented Gradients (CoHOG), bilgisayar görmesi ve görüntü işleme uygulamalarında nesneleri algılamak için en çok kullanılan özellik tanımlayıcılarından biridir.
📊
Temel Bulgular & Veri:Bu yöntem sistem performansını dikkate değer oranda etkilemektedir.
💡
Sonuç & Katkı:Elde edilen sonuçlar önerilen yöntemin zaman ve sınıflandırma başarısı açısından üstünlüğünü açıkça ortaya koymaktadır.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay Sinir Ağları · CoHOG · Renkli gradyan

Özet

Co-occurrence Histograms of Oriented Gradients (CoHOG), bilgisayar görmesi ve görüntü işleme uygulamalarında nesneleri algılamak için en çok kullanılan özellik tanımlayıcılarından biridir. Kenar yönelimlerinin belirlenmesinde geleneksel yöntemler çift açı sunumu (ÇAS) yönteminden yararlanmaktadır. Bu yöntem sistem performansını dikkate değer oranda etkilemektedir. Bu yöntemin en önemli dezavantajı renk bilgisini ihmal etmesidir. Bu çalışmada, ÇAS yöntemi yerine renkli gradyan yöntemi kullanımı ile CoHOG yönteminin dezavantajını ortadan kaldıran yeni bir öznitelik çıkarma yöntemi önerilmiştir. Bu çalışmada önerilen yöntem iki önemli katkı sağlamaktadır. Birincisi, öznitelik vektör boyutunu artırmadan daha yüksek sınıflandırma başarısı elde edilmesidir. İkincisi, öznitelik çıkarma işlemini daha kısa sürede gerçekleştirmesidir. Bu nedenle, önerilen yöntem gerçek zamanlı uygulamalar için uygundur. Elde edilen sonuçlar önerilen yöntemin zaman ve sınıflandırma başarısı açısından üstünlüğünü açıkça ortaya koymaktadır.

Abstract

In this work, a novel feature extraction method, which eliminates the disadvantage of CoHOG is proposed. DAR (double angle representation) method is used to determine edge orientations in conventional methods. DAR method is quite important in determining feature quality. However, the DAR method has some drawbacks. By using color gradient method instead of DAR method can eliminate these drawbacks. The proposed method in this work has two contributions. The one is without increasing feature dimension, provides higher classification accuracy. The second is that, performing the feature extraction process in a shorter time. Therefore, the proposed method is convenient for real-time applications. Obtained results clearly reveal the superiority of the proposed method in terms of time and accuracy.

🔖

Bu Makaleye Atıf Yap

Alpaslan, N. (2018). Renkli görüntülerde kenar yönelimlerini belirlemek için iyileştirilmiş yöntem. Türk Doğa ve Fen Dergisi, Cilt: 7 - Sayı: 1, 29–34. https://ajindex.com/articles/705754

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. A. Shashua, Y. Gdalyahu, and G. Hayun, “Pedestrian detection for driving assistance systems: single-frame classification and system level performance,” in IEEE Intelligent Vehicles Symposium, 2004, pp. 1–6
  2. N. Dalal and B. Triggs, “Histograms of Oriented Gradients for Human Detection,” 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05). Institute of Electrical and Electronics Engineers (IEEE)
  3. B. Li and G. Huo, “Face recognition using locality sensitive histograms of oriented gradients,” Opt. - Int. J. Light Electron Opt., vol. 127, no. 6, pp. 3489–3494, Mar. 2016
  4. W.-Y. Lee, K.-E. Ko, and K.-B. Sim, “Robust lip detection based on histogram of oriented gradient features and convolutional neural network under effects of light and background,” Opt. - Int. J. Light Electron Opt., vol. 136, pp. 462–469, May 2017
  5. D. Sangeetha and P. Deepa, “A low-cost and high-performance architecture for robust human detection using histogram of edge oriented gradients,” Microprocess. Microsyst., vol. 53, pp. 106–119, Aug. 2017
  6. N. Alpaslan, M. M. Turhan, and D. Hanbay, “Determining noise performance of co-occurrence GMuLBP on object detection task,” in Proceedings of SPIE - The International Society for Optical Engineering, 2013, vol. 9067
  7. Y. Pang, Y. Yuan, X. Li, and J. Pan, “Efficient HOG human detection,” Signal Processing, vol. 91, no. 4, pp. 773–781, Apr. 2011
  8. O. Déniz, G. Bueno, J. Salido, and F. De la Torre, “Face recognition using Histograms of Oriented Gradients,” Pattern Recognit. Lett., vol. 32, no. 12, pp. 1598–1603, Sep. 2011
  9. L. Cattell, G. Platsch, R. Pfeiffer, J. Declerck, J. A. Schnabel, and C. Hutton, “Classification of amyloid status using machine learning with histograms of oriented 3D gradients,” NeuroImage Clin., vol. 12, pp. 990–1003, Feb. 2016
  10. T. Watanabe, S. Ito, and K. Yokoi, “Co-occurrence Histograms of Oriented Gradients for Human Detection,” Inf. Media Technol., vol. 5, no. 2, pp. 659–667, 2010
  11. K. Hanbay, N. Alpaslan, M. F. Talu, D. Hanbay, A. Karci, and A. F. Kocamaz, “Continuous rotation invariant features for gradient-based texture classification,” Comput. Vis. Image Underst., vol. 132, 2015
  12. K. Hanbay, N. Alpaslan, M. F. Talu, and D. Hanbay, “Principal curvatures based rotation invariant algorithms for efficient texture classification,” Neurocomputing, vol. 199, 2016
  13. N. Alpaslan, Gradyan Tabanlı Öznitelik Çıkarma Yöntemlerine Yeni Yaklaşımlar.