RESĠM ĠÇERĠK FĠLTRELEME VE ĠÇERĠK TESPĠTĠ. Farooq QOTLI YÜKSEK LĠSANS TEZĠ BĠLGĠSAYAR MÜHENDĠSLĠĞĠ GAZĠ ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ

Transkript

1 iv RESĠM ĠÇERĠK FĠLTRELEME VE ĠÇERĠK TESPĠTĠ Farooq QOTLI YÜKSEK LĠSANS TEZĠ BĠLGĠSAYAR MÜHENDĠSLĠĞĠ GAZĠ ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ EYLÜL 2010 ANKARA

2 iv Farooq QOTLI tarafından hazırlanan RESĠM ĠÇERĠK FĠLTRELEME VE ĠÇERĠK TESPĠTĠ adlı bu tezin Yüksek Lisans tezi olarak uygun olduğunu onaylarım. Prof. Dr. ġeref SAĞIROĞLU Tez DanıĢmanı, Bilgisayar Mühendisliği Anabilim Dalı BaĢkanı. Bu çalıģma, jürimiz tarafından oy birliği ile Bilgisayar Mühendisliği Anabilim Dalında Yüksek Lisans tezi olarak kabul edilmiģtir. Prof. Dr. Sezai DĠNÇER Elektrik ve Elektronik Mühendisliği, Gazi Üniversitesi. Prof. Dr. ġeref SAĞIROĞLU Bilgisayar Mühendisliği, Gazi Üniversitesi. Doç. Dr. M. Ali AKCAYOL Bilgisayar Mühendisliği, Gazi Üniversitesi. Tarih: 24/09/2010 Bu tez ile G.Ü. Fen Bilimleri Enstitüsü Yönetim Kurulu Yüksek Lisans derecesini onamıģtır. Prof. Dr. Bilal TOKLU Fen Bilimleri Enstitüsü Müdürü.

3 v TEZ BĠLDĠRĠMĠ Tez içindeki bütün bilgilerin etik davranıģ ve akademik kurallar çerçevesinde elde edilerek sunulduğunu, ayrıca tez yazım kurallarına uygun olarak hazırlanan bu çalıģmada bana ait olmayan her türlü ifade ve bilginin kaynağına eksiksiz atıf yapıldığını bildiririm. Farooq QOTLI

4 iv RESĠM ĠÇERĠK FĠLTRELEME VE ĠÇERĠK TESPĠTĠ (Yüksek Lisans Tezi) Farooq QOTLI GAZĠ ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ Eylül 2010 ÖZET Ġçerik tespiti, bir görüntü veya video içindeki nesnelerin renklerine dayanarak piksellerini bulma iģlemidir. Bu iģlem, genellikle görüntüler içinde insan yüzü ve eklemli organlara potansiyel olarak sahip olan bölgeleri bulmak için bir ön iģlem adımıdır. Birçok bilgisayarla görme yaklaģımı, deri tanımlaması için geliģtirilmiģtir. Bir deri saptayıcısı, genellikle bir uygun renk aralığı içinde verilen pikseli dönüģtürür ve onun deri olan veya olmayan piksel olduğunu saptamak için pikseli etiketlemek adına bir deri sınıflayıcısı kullanır. Bir deri sınıflayıcısı, deri renk pikseli çalıģma verisine dayanarak renk aralığı içindeki deri renk sınıfının karar sınırını belirler. Derinin rengi, yüz tanımlaması, pornografik fotoğraflardaki deri rengi tespiti, lokalizasyon ve takip için kullanıģlı ve uygun bir yaklaģımdır. Fotoğraf içeriği filtreleme, içerik bilgili video sıkıģtırma ve görüntü renk dengeli uygulamalar, görüntülerin içindeki derinin otomatik tanımlanmasından da yararlanabilir. Deri renk modelleme ve tanımlanması için sayısız teknikler son yıllar içinde önerilmektedir. Bu çalıģmada yapay sinir ağları tabanlı bir adet içerik filtreleme ve iki adet içerik analizi toplam üç adet sistem gerçekleģtirilmiģtir. Ġçerik filtreleme sisteminde, RGB aralığında olan ve boyutları çapında 100 adet tam porno içerikli resim ile 100 adet yarı porno içerikli resim olmak üzere 200 adet JPEG fotoğraf test iģlemlerinde kullanılmıģtır. Bu sistemle, fotoğraflardaki insan deri renginin yoğunluğuna dayanılarak filtreleme yapılmaktadır. Birinci Ġçerik analiz sisteminde, fotoğrafların içeriğine dayanılarak insan veya ağaç fotoğrafı olup

5 v olmadıkları tespit edilmektedir. Sistemde, bir yandan 50 adet insan ve diğer yandan ise 50 adet ağaç fotoğrafı olmak üzere toplam 100 adet insan ve ağaç fotoğrafı test edilmiģtir. Ġkinci içerik analiz sistemde ise, fotoğrafların içeriğindeki bir veya birden fazla insan olup olmadığı analiz imkânı ortaya koyulmuģtur. Sistemde, sırasıyla bir, iki, üç, dört ve dörtten fazla insan içerikli olan toplam 100 adet fotoğraf test edilmiģtir. ÇalıĢmadaki uygulamalardan elde edilen sonuçlar, web ortamlarında bulunan resim içeriklerinin tespitinin mümkün olduğunu göstermektedir. Bilim Kodu : Anahtar Kelimeler : Ten Rengi Saptaması, Ten Rengi Modellemesi, YetiĢkin Fotoğraf Saptaması, Resim Ġçerik Tespiti, Resim Ġçerik Filtrelemesi. Sayfa Adedi : 83 Tez Yöneticisi : Prof. Dr. ġeref SAĞIROĞLU

6 vi IMAGE CONTENT FILTERING AND CONTENT DETECTION (M.Sc. Thesis) Farooq QOTLI GAZĠ UNIVERSITY INSTITUTE OF SCIENCE AND TECHNOLOGY September 2010 ABSTRACT Content detection is a finding procedure of objects pixels and regions in an image or video. This procedure is a pre-processing step to find the regions that have potentially human face and jointed organs in images. Many computer vision approaches has been developed to describe the skin. A skin detector generally converts the pixel in suitable colour intent and to determine the skin and non-skin pixels, it uses a skin classifier. A skin classifier determines the decision boundary of skin colour class in colour intent on the basis of the study data of the skin colour pixel. It has been proved that the skin colour is a strong and convenient sign for face determination, skin detection in pornographic photos, localization, and tracing of wanted persons. The image colour balanced applications as filtering the photos, and video compression is also used to automatically determine the skin in images. Numerous techniques for skin colour modelling and determination has been proposed in recent years. In this study, one of image content filtering system and two of content analysis systems based an artificial neural network a total of three systems were established. In the content filtering system, RGB space and wide 100 pieces full and 100 pieces semi-adult content JPEG pictures used in the test procedures. With this system, filtering is done based on the intensity of the color photographs of human skin. The first content analysis system, based on the content of pictures is determined whether human or tree photo. In this system, 50 pictures of human and 50 pictures of tree a total of 100 pictures have been tested. In the

7 vii second content analysis system, the images contained in one or more people the opportunity to analyze whether there is has been revealed. Respectively, the images containing one, two, three, four and more than four person a total of 100 pictures have been tested in the system. The results obtained from applications in this study shows that are possible to detect the contents of the pictures in the web environment. Science Code : Keywords : Skin Color Detection, Skin Color Modeling, Adult Image Detection, Image Content Detection, Image Content Filtering. Page Number : 83 Adviser : Prof. Dr. ġeref SAĞIROĞLU

8 viii TEġEKKÜR ÇalıĢmalarım boyunca değerli yardım ve katkılarıyla beni yönlendiren ve kıymetli tecrübelerinden faydalandığım DanıĢman Hocam Sayın Prof. Dr. ġeref SAĞIROĞLU na sonsuz teģekkürlerimi bildiririm.

9 ix ĠÇĠNDEKĠLER Sayfa ÖZET... iv ABSTRACT... vi TEġEKKÜR... viii ĠÇĠNDEKĠLER... ix ÇĠZELGELERĠN LĠSTESĠ... xii ġekġllerġn LĠSTESĠ... xiii SĠMGELER VE KISALTMALAR... xv 1. GĠRĠġ TEN RENGĠ TESPĠTĠ VE TESPĠTTE KULLANILAN TEKNĠKLER Deri Rengi Belirtmenin YaklaĢımı Dinamik Deri Dağıtım Modelleri Deri Saptamaya Duyulan Gereksinimler Deri Saptama Sisteminin Genel Yapısı Deri Modelleme Ġçin Kullanılan Renk Aralıkları RGB renk aralığı NormalleĢtirilmiĢ RGB renk aralığı HSV (Renk Canlılık Değeri) renk aralığı Diğer renk aralıkları Deri Modellemesi Renk özelliğiyle deri rengi saptaması Doku özelliğiyle deri rengi saptaması Deri Rengi Sınıflandırıcıları... 27

10 x Sayfa DenetlenmiĢ makine öğrenimi Ġstatistiksel sınıflandırma Geometrik sınıflandırma Hızlandırıcı sınıflandırma Deri Saptama Metotlarının KarĢılaĢtırmaları Maksimum Entropi Modelleme Maksimum entropi ilkesi Maksimum Entropi Modelleri Baseline modeli Gizli markov modeli (HMM) Ġlk sıraya koyma modeli (First Order Model) GÖRÜNTÜLERĠN SINIFLANDIRILMASINDA ÖZELLĠK ÇIKARMA TEKNĠKLERĠ Deri Özellikleri (Nitelikleri) Momentler Yüz Belirleme MPEG-7 Tanımlayıcıları PORNOGRAFĠK WEB SAYFALARINI DĠĞERLERĠNDEN AYIRAN ÖZELLĠKLER ĠSTATĠSTĠKLER Zaman Ġstatistikleri Ġnternet Pornografi Ġstatistikleri Çocuk Ġstatistikleri... 47

11 xi Sayfa 6. GELĠġTĠRĠLEN ĠÇERĠK FĠLTRELEME VE SINIFLANDIRMA UYGULAMASI Uygulamanın Genel Yapısı Veritabanları Testler GELĠġTĠRĠLEN ĠÇERĠK ANALĠZ UYGULAMASI Uygulamanın Genel Yapısı Veritabanları Testler Deneysel Sonuçlar SONUÇ VE ÖNERĠLER KAYNAKLAR EKLER EK-1. Uygulamanın Yazılımı ÖZGEÇMĠġ... 83

12 xii ÇĠZELGELERĠN LĠSTESĠ Çizelge Sayfa Çizelge 2.1. Farklı deri saptama metotlarının test sonuçları Çizelge 2.2. ÇeĢitli deri saptama metotlarının test sonuçları Çizelge 5.1. Ülkelerin pornografi gelirleri Çizelge 5.2. Ġnternette aranan yasa dıģı kelimelerin istatistiği ve demografileri.46 Çizelge 6.1. Veri tabanındaki fotoğraflardan alınan maskelerin RGB değerleri Çizelge 6.2. Sisteme girdi olarak fotoğrafların deri ve arka plan değerleri Çizelge 6.3. Test edilen tam veya yarı pornografik fotoğrafların saptama oranı.. 57 Çizelge 7.1. Test edilen fotoğrafların içerik analiz tespit oranı Çizelge 7.2. Test edilen fotoğrafların içerik analiz tespit oranı..64 Çizelge 7.3. Test edilen fotoğrafların içerik analizinde ortaya çıkan yanlıģ sonuçlar Çizelge 7.4. Tüm fotoğraflarda her YSA yapısındaki tespit sayısı ve oranı... 65

13 xiii ġekġllerġn LĠSTESĠ ġekil Sayfa ġekil 2.1. Renkli fotoğraf (solda), deri saptaması (sağda)....4 ġekil 2.2. Deri rengi kiģiden kiģiye farklıdır ġekil 2.3. Uygun olmayan görüntü algılamanın genel sistem yapısı ġekil 2.4. RGB uzayına göre renklerin oluģturulması ġekil 2.5. GörselleĢtirme HSV renk alanı ġekil 2.6. KomĢu sistemleri ile SOM kafesleri, dikdörtgen SOM kafesi (solda), altıgen kafesi (sağda) ġekil 2.7. Olasılık yığın iģlevi Pr(X) ile iliģkili olarak bir ikili rastgele değiģken X in entropisi...36 ġekil 2.8. Her model için Alıcı ĠĢlemleme Özellikleri eğrisi (ROC) ġekil 2.9. Orijinal fotoğraflar (ilk sütun). üst sıradaki fotoğraflar pikseldir, alt sıradaki fotoğraflar pikseldir. Baseline modeli (ikinci sütun), Gizli Markov Modeli HMM (üçüncü sütun), Ġlk Sıraya Koyma Modeli (dördüncü sütun) ġekil 5.1. Dünya çapında pornografi gelirleri ġekil 6.1. Uygulamanın akıģ diyagramı ġekil 6.2. Deri saptama sisteminin örnek olarak YSA yapısı ġekil 6.3. Ġçerik filtrelemenin veritabanı ġekil 6.4. Ġçerik filtrelemenin YSA eğitim görüntüsü ġekil 6.5. Filtrelenen fotoğrafların görüntüsü ġekil 7.1. Bir ve birden fazla insan içerikli fotoğrafın YSA yapısı ġekil 7.2. Ġçerik analizin YSA eğitim görüntüsü ġekil 7.3. Ġçerik analizin veritabanı ġekil 7.4. Ġçerik analizin test sonuçları... 61

14 xiv ġekil Sayfa ġekil 7.5. Ġçerik analizin test sonuçları, (a) tek insan fotoğrafı, (b) iki Ġnsan fotoğrafı, (c) üç insan fotoğrafı, (d) dört insan fotoğrafı, (e) dörtten fazla insan fotoğrafı

15 xv SĠMGELER VE KISALTMALAR Bu çalıģmada kullanılmıģ bazı simgeler ve kısaltmalar, açıklamaları ile birlikte aģağıda sunulmuģtur. Kısaltmalar 2D 3D CCV CRT DT EM FN FP FTP GLM HIS HMM HSL HSV HTML K-NN LUT Açıklama Ġki Boyutlu (2 Dimension) Üç Boyutlu (3 Dimension) Renk Bağlılık Vektörü (Color Coherence Vectors) Katot IĢın Tüpü (Cathode Ray Tube) Karar Ağacı (Decision Tree) Tahminli Arttırma (Expectation Maximization) YanlıĢ Negatif (False Negative) YanlıĢ Pozitif (False Positive) Dosya Transfer Protokolü (File Transfer Protocol) GenellenmiĢ Doğrusal Modeli (Generalized Linear) Model Renk Özü Doygunluk Yoğunluğu (Hue Saturation Intensity) Gizli Markov Modeli (Hidden Markov Model) Renk Özü Doygunluk Parlaklığı (Hue Saturation Lightness) Renk Özü Doygunluk Değeri (Hue Saturation Value) Hızlı Metin Biçimleme Dili (Hyper Text Markup Language) K-En Yakın KomĢu (K-Nearest Neighbor) Arama Tablosu (Lookup Table)

16 xvi Kısaltmalar MaxEnt MRF NGTDM NN PDF RGB ROC SOM SPM SVM TN TP TSL TV URL VB XM YCbCr YIQ YUV Açıklama Maksimum Termodinamik (Maximum Entropy) Markov Rasgele Alanları (Markov Random Fields) KomĢuluk Gri Tonu Farklılık Matrisi (Neighborhood Grey Tone Difference Matrix) Sinir Ağları (Neural Networks) Olasılık Yoğunluk Fonksiyonu (Probability Density Function) Kırmızı - YeĢil - Mavi (Red Green - Blue) Alıcı ĠĢlemleme Özellikleri (Receiver Operating Characteristic) Otomatik Organize Haritası (Self Organizing Map) Deri Olasılık Haritası (Skin Probability Map) Destek Vektör Makine (Support Vector Machine) Doğru Negatif (True Negative) Doğru Pozitif (True Positive) Renk Doygunluk IĢıklılık (Tint Saturation Lightness) Televizyon (Television) Düzenli Kaynak YerleĢtiricisi (Uniform Resource Locator) Ve Benzeri Deneme Modeli (experimentation Model) Parlaklık Mavi Krominans Kırmızı Krominans Renk Alanı Parlaklık (Y) iki krominans (UV) (Luminance(Y) two chrominance (UV)

17 1 1. GĠRĠġ Ġçerik tespiti, bir görüntü veya video içindeki nesnelerin renklerine dayanarak piksellerini bulma iģlemidir. Bu iģlem, genellikle görüntüler içinde insan yüzü ve eklemli organlara potansiyel olarak sahip olan bölgeleri bulmak için bir ön iģlem adımıdır. Birçok bilgisayarla görme yaklaģımı, deri tanımlaması için geliģtirilmiģtir. Bir deri saptayıcısı, genellikle uygun bir renk aralığı içinde verilen pikseli dönüģtürür ve onun deri olan veya olmayan piksel olduğunu saptamak için pikseli etiketlemek adına bir deri sınıflayıcısı kullanır. Bir deri sınıflayıcısı, deri renk pikseli çalıģma verisine dayanarak renk aralığı içindeki deri renk sınıfının karar sınırını belirler. Derinin rengi, yüz tanımlaması, lokalizasyon ve takip için kullanıģlı ve güçlü bir iģaret olduğu kanıtlanmıģtır. Fotoğraf içeriği filtreleme, içerik bilgili video sıkıģtırma ve görüntü renk dengeli uygulamalar, görüntülerin içindeki derinin otomatik tanımlanmasından da yararlanabilir. Deri renk modelleme ve tanımlanması için sayısız teknikler son yıllar içinde önerilmektedir. Bununla birlikte konu üzerinde kapsamlı bir çalıģmaya hala ihtiyaç duyulmaktadır. Bu boģluğu, sıklıkla kullanılan yöntemleri ve teknikleri yeniden gözden geçirmek ve onların sayısal değerlendirme sonuçlarını toplamak yoluyla doldurmaya çalıģılmıģtır. Bahsedilmekte olan deri rengi tespitinin baģta gelen en önemli kullanım alanı ise pornografik fotoğraflardaki deri rengi tespitidir. Bu bölümde, pornografik görüntü filtrelenmesine duyulan ihtiyaç da bildirilmektedir. EriĢkinler için olduğu kadar çocuklar için de büyük bir eğlence, iletiģim ve eğitim kaynağı olan internet'in kullanımı ve eriģimi hızla yaygınlaģmaktadır. Ġnternet, çocukların dünyayı keģfetmeleri, öğrenmeleri ve eğlenmeleri için mükemmel bir ortamdır. Ancak internet kullanımının çocuklar için yarattığı riskler de mutlaka akılda tutulmalıdır. Yasal olmayan, Ģiddet ve cinsellik içeren sitelere eriģim, tehlikeli insanlarla iletiģim baģta gelen riskler arasındadır. UyuĢturucu ve terör gibi yasal olmayan yollara destek arayanlar internet'i propaganda aracı olarak kullanmaktadır. Ġnternet, çocukları taciz etmeye çalıģan eriģkinler için çocukların yaģamlarına önemli

18 2 bir giriģ kapısı oluģturmuģtur. Yapılan araģtırmalar birçok çocuğun internet'te kandırıldığını ve istismarla karģılaģtığını göstermektedir. Çocukların internet'te karģılaģabileceği risklerden biri, sakıncalı içeriği olan seks sitelerine girmeleri ve eriģkinlerin cinsel tekliflerine maruz kalmalarıdır. Günümüzde 25 milyondan fazla çocuk internet'te saatlerce sörf yapmakta ve her dört çocuktan biri seks sitelerine girmektedir. Çocuklarla cinsel iliģkiye girmek isteyen eriģkinler, çocukların sık kullandıkları sohbet odalarına girmekte ve bu sırada karģılaģtıkları çocuklara erotik fotoğraflar göndererek gerçek ortamda da buluģma teklifleri yapabilmektedirler. Küçük çocuklardan cinsel ilgi duyma, haz alma ve cinsel iliģkiye girme olarak tanımlanan profili üzerine 7650 adet sansürlenmiģ site olduğu ve sanal profili piyasanın 5 milyar dolar civarında olduğu da bildirilmektedir [15]. Ġnternet'in bir pornografi yayın aracı olarak kullanımı da hızla yaygınlaģmaktadır. Çocuk pornografisi, bir çocuğun gerçek veya kurgulanmıģ herhangi bir cinsel aktivite içinde gösterilmesi ya da vücudun belli yerlerinin cinsel amaçla gösterilmesi olarak tanımlanmaktadır. Kaydedilen görüntüler fotoğraf, CD ya da video, kaset Ģeklinde olabilir ve eriģkinlerin cinsel doyumunu sağlamak amacıyla kullanılır. Çocuk tacizcileri günümüzde bilgisayar teknolojisini çocuk pornografisi görüntülerini elde etmek ve dağıtmak amacıyla kullanmaya baģlamıģlardır. Ayrıca dijital grafik programları ile aslında pornografik olmayan fotoğrafların da pornografik hale dönüģtürülmesi mümkün olmaktadır [15]. Kanada'da 561 cinsel tacizci üzerinde yapılan bir çalıģmada tacizcilerin %17'sinin taciz sırasında pornografiyi kullandıkları, çocukları cinsel olarak taciz edenlerin, eriģkinleri taciz edenlere göre pornografiye daha çok baģvurdukları saptanmıģtır. Cinsel istismar sırasında pornografinin kullanımı %55 olguda çocuğa pornografik materyalin gösterilmesi, %36'sında ise taciz ettikleri çocukların resminin çekilmesi Ģeklinde gerçekleģmiģtir. Çocuk pornografisine yönelik suçlar çoğunlukla suç örgütleri tarafından iģlenmektedir. Ġnternet'tin sınırları aģma özelliği nedeniyle de bu tip istismarın önlenmesi oldukça zor olmaktadır [15].

19 3 Polis Akademisi Güvenlik Bilimleri Enstitüsü Suç AraĢtırmaları Ana Bilim Dalında 2006 yılında yapılan bir araģtırmada ABD sitelerindeki pornografik fotoğrafların tüm dünyadakilerin %51'ini oluģturduğunu, ABD'yi sırasıyla Rusya, Japonya, Ġspanya ve Tayland'ın izlediği gözlenmiģtir [15]. Bu çalıģmada verilen diğer rakamlar ise Ģöyledir: Dünyada pornografik web sitesi sayısı: 4,2 milyon; arama motorlarından pornografik site arama sıklığı: günde 68 milyon; son bir yılda üretilen pornografik film: 11 bin; yasa dıģı çocuk pornografisi site sayısı: site. Giderek artan internet kullanımı ve çocuklar için söz edilen riskler, çocuk hekimlerine yeni bir sorumluluk yüklemektedir. Artık çocuk hekimleri karģılaģtıkları çocuklara ve ailelere çocuğun internet kullanımı hakkında da sorular sormak ve onlara güvenli internet kullanımı konusunda bilgiler sağlamak durumundadır. Ġnternet'te karģılaģabilecekleri tehlikelerin öngörülüp uygun önlemlerin alınması ile çocuklar, istismar edilme riski taģımadan kendilerine yararlı olan teknolojiyi kullanabileceklerdir.

20 4 2. TEN RENGĠ TESPĠTĠ VE TESPĠTTE KULLANILAN TEKNĠKLER Deri saptaması, renkli görüntüden insan derisinin piksellerini saptaması sürecinden oluģur. Sistem çıktısı, deri için bir değer girdi görüntüsü ve arka plan için diğer bir değer olarak aynı piksel kılavuzunda tanımlanan ikili görüntüdür. ġekil 2.1 renkli fotoğraf ile deri saptaması çıktısını göstermektedir. ġekil 2.1. Renkli fotoğraf (solda), deri saptaması (sağda) Deri saptaması; yüz saptaması, web de görüntü içeriği araģtırması ve filtrelenmesi, video segmentasyonu, yüz ve baģ takibi gibi çeģitli uygulamalar içinde önemli bir role sahiptir. Bununla birlikte deri saptaması özellikle de web görüntüleri için gerçekleģtirmesi kolay bir iģlem değildir. Ġlk olarak, deri rengi kiģiden kiģiye değiģir. ġekil 2.2 de göründüğü gibi, Kafkasyalılar, Asyalılar, Afrikalılar vs. mevcuttur. Dahası, web görüntüleri değiģik koģullar altında farklı özelliklerdeki cihazlarca elde edildiği için her türlü titreģime ve bozukluğa açıktırlar. ġekil 2.2. Deri rengi kiģiden kiģiye farklıdır

21 5 Bir deri saptama sistemi asla mükemmel değildir ve değerlendirme için farklı kullanıcılar farklı kriterleri kullanmaktadırlar. Taranan deri bölgelerinin genel görünümü veya diğer global kriterler daha ileriki süreçler için önemli olabilir. Nicel bir değerlendirme için yanlıģ pozitif oranı (FP) ve doğru pozitif oranı (TP) kullanılmaktadır [51]. YanlıĢ pozitif oran, deri olarak sınıflanan deri olmayan piksellerin orantısıdır ve doğru pozitif oran ise, deri olarak sınıflanan deri piksellerinin oranıdır. Bundan dolayı, çıktının ikili olmadığı ancak deri pikseli için daha yüksek değerin daha yüksek kesinlik taģıdığı sıfırla bir arasında değiģen bir sayı veren bir sistem önerilmektedir. Sonra kullanıcı bir ikili görüntü elde etmek için bir eģik uygulayabilir. Tüm olası eģik oluģturmalar için hata oranları Alıcı ĠĢlemleĢme Özellikleri eğrisinde (ROC) özetlenir [51]. Deri rengi ve dokuları, bilerek ya da bilmeksizin insanların kültür iliģkili görünümlerle ilgili sonuç çıkarması için önemli iģaretlerdir. Deri rengi ve dokusu ırk, sağlık, yaģ, varlık, güzellik vs. iģareti olabilir [1]. Bununla birlikte, böylesi yorumlar kültürler ve tarihler boyunca değiģebilir. Görüntü ve videolardaki deri rengi böylesi bir ortam içinde insanların var olduğunun bir iģaretidir. Bu yüzden son 20 yılda çaplı araģtırmalar görüntülerin içindeki deri tanımlanmasına odaklanmıģtır. Deri tanımlaması, deri ton rengini içeren görüntü piksel ve bölgelerini saptamak anlamına gelir. Bu alandaki pek çok araģtırma, renklerine dayanarak deri piksel ve bölgelerini tanımlamaya odaklanmıģtır. Çok az yaklaģım, deri piksellerini sınıflamak için doku bilgisini de kullanmaya kalkmıģtır. Kısaca tanımlanacak olunursa, deri piksellerini saptamak hesabi olarak çok kolay bir iģtir ve kolay olarak yapılabilir, birçok video analiz uygulaması içinde deri tanımlanmasının kullanımını cesaretlendiren bir özellik vardır. Örneğin baģta gelen uygulamaların birinin içinde deri rengi bölgelerini tanımlama, içerik filtreleme adına internet te çıplak fotoğrafları tanımlamak için kullanılmıģtır [2]. Diğer bir baģta gelen uygulamada, deri tanımlaması video için otomatik açıklama, arģiv ve geri alma adına TV haber videoları içinde sunucuları saptamak için kullanılmıģtır [3]. Böylesi bir

22 6 uygulama içinde, sunucu kiģinin yüzü ve elleri verilen çatı içinde en büyük deri ton renkli bölgesidir. Çünkü genel olarak haber programları, yoğunlukla deri renkli objeler içeren insan yapımı arka plan malzemeli içsel mekân kontrollü çevre içerisinde çekilirler. Benzer pek çok uygulama içerisinde, arka planın kontrol edildiği veya deri renkli bölgeleri içerilmediği yerlerde, bir görüntü içinde deri renkli pikselleri saptamak insan yüzlerini ve ellerini bulmak için verimli bir iģaret olabilir. Biyometrik bağlam içerisindeki bir örnek kontrollü bir çevrede yüz tanıması için yüzleri saptar. Doğrudan kolay bir iģ gibi görünse de deri renkli pikselleri tanımlamak birçok nedenden dolayı oldukça zor bir iģ gibi görünmektedir. Bir görüntü içindeki deri görünümü görüntünün elde edildiği aydınlatma koģullarına bağlıdır (aydınlatma geometrisi ve rengi). Biz insanlar aydınlatmanın geniģ bir çeģitliliği içinde nesne renklerini tanımlamakta oldukça iyiyizdir. Buna renk değiģmezliği denilir. Renk değiģmezliği algının gizemlerinden biridir. Bu yüzden deri tanımlamadaki önemli mücadele, aydınlatma içindeki değiģimler için sabit veya en azından yoğun olan bir yolda rengi sergilemek için önemlidir. Kısaca tartıģıldığı üzere, renk aralığının seçimi, aydınlatma koģulları içindeki değiģim için herhangi bir deri saptayıcısını veya onun hassaslığının performansını büyük oranda etkiler. Diğer bir zorluk ise gerçek dünyadaki pek çok objenin deri ton renklerine sahip olma zorunluluğundan gelir. Örneğin ağaç, deri ve deri rengi giysi, saç, kum vs. Bu eğer çevre kontrol edilmezse herhangi bir deri saptayıcısında pek çok hatalı tanımlamalara yol açabilir Deri Rengi Belirtmenin YaklaĢımı Bu çalıģmada, çeģitli renk modellerini kullanmak yoluyla renkli görüntülerde, deri pikselleri ve deri olmayan piksellerin ayrımında, insan derisinin saptaması Ģeklinde gerçekleģtirilmiģtir. Bu alanda, çalıģmanın baģlıca iki yönü vardır; ilki deri/deri olmayanı nasıl bir model haline getirilecek ve bunun sonucu olarak da deri

23 7 olmayanlardan deri piksellerini ayırt edebilmektir, ikincisi ise hangi renk aralığının iyi bir sınıflandırma performansı için seçilmesidir Dinamik Deri Dağıtım Modelleri Yüz izleme süresince, deri algılama için özel olarak bir deri modelleme metotları ailesi tasarlanmıģ ve düzenlenmiģtir. Bu görev, deri algılamayı statik görüntü analizinden birkaç açıda farklı kılar. Öncelikle, ilke olarak deri modeli daha az genel olabilir (daha özel), örneğin, belirli bir kiģi, kamera ya da aydınlatma için düzenlenmiģ olabilir. Ġkincisi, baģlangıç evresi, yüz bölgesi arka plandan farklı sınıflandırıcıyla ya da elle ayrıldığında mümkündür. Bu da sağlanan Ģartlar için (kiģi, kamera, aydınlatma, arka plan) en uygun olan deri sınıflandırma modelini elde etme imkânı verir. Genellikle modelde bir gereksinim olmadığı için, tamamen kısıtsız olan görüntü takımında deriyi sınıflandırmak üzere amaçlanmıģ genel deri rengi modelleriyle olduğundan çok ([4] de olduğu gibi), bu özel modelle düģük yanlıģ pozitifler elde edilen daha yüksek deri algılama oranlarına ulaģmak mümkündür. Diğer bir taraftan da, deri renk dağılımı, aydınlatma veya kameranın beyaz dengesi değiģimiyle zaman içinde farklılaģabilir, bu nedenle model kendisini değiģen koģullara göre güncelleyebilme yeteneğine sahip olmalıdır. Ayrıca, model eğitimi ve sınıflandırma zamanı burada aģırı bir önem kazanır, çünkü deri algılama sistemi gerçek zamanda çalıģmalı, çok az hesaplama gücü harcamalıdır. Deri saptaması için gereken deri renk modellerinin en önemli özelliklerini özetleyecek olursak: Birincisi, hem eğitim hem de sınıflandırma konusunda hızlı olmalı ve ikincisi de kendisini değiģen koģullar için güncelleģtirme yeteneğine sahip olmalıdır. Bu açıları göz önüne alarak, birçok araģtırmacı basit parametrik deri modellemesine baģvuruyor; dağılım değiģiklikleri için kolayca güncelleģebiliyor, makul düzeyde hızlı (çok bileģenli Gaussian karıģımı hariç) ve çok az depolama alanı gerektiriyor. Yüksek yanlıģ pozitifler oranı, parametrik deri modellemenin genelde eģik, burada daha az bir sorun yaratır. Genel olmayan, özel deri renk model ihtiyacı iyi sınıflandırma performansı kazanımına izin verir. Parametre dıģı modeller

24 8 arasında, histogram temelli LUT, yüz izleme iģlemleri için, basitliği ve yüksek çalıģma ve eğitim hızı sayesinde popülerdir. Deri renk dağılımının yeniden hesaplaması için birçok model önerilmiģtir: çevrimiçi Beklenti AzamileĢtirmesi (EM) [5], dinamik histogramlar [6-8], Gaussian dağılım uyarlaması [9]. Bazı yazarlar tek bir insanın renginin nasıl modellenmesi gerektiğini ve aydınlanma değiģikliğiyle nasıl farklılaģtığını araģtırmıģtır. Bir insanın, sabit aydınlatma altındaki deri renginin tek modlu Gaussian dağılımı hipotezi kaynak [9] da doğrulanmıģtır. Farklı aydınlatma Ģartları altında, deri renk değiģimiyle ilgili özel bir çalıģma [10,11] de yapılmıģtır. Yüz izleme boyunca otomatik renk aralığı dönüģtürme için sıra dıģı bir metot [7] de teklif olarak sunulmuģtur Deri Saptamaya Duyulan Gereksinimler Ġnternet'in geliģimi ile birlikte çocuklar pornografiye kolayca maruz kalabilmektedirler [12]. Ġnternet'te pornografi, Ģiddet ve kötü mesajların hızla çoğalması baģarılı içerik filtreleme sistemlerini gerekli kılmaktadır [13]. Bir ebeveynin ya da eğitimcilerin görevi çocuğa sadece bilgisayar ve Ġnternet gibi ortamları tanımak ve bu ortamlara eriģimlerini sağlamak olarak tanımlanamaz. Nasıl normal olarak bir ebeveynin, kendi çocuğunun kendisi olmadan evin dıģında, nerede, kiminle olduğunu bilmesi gerekiyorsa; baģıboģ ve uçsuz bucaksız bir ortam olarak nitelendirilebilecek internet'te çocukları kontrolsüz bir Ģekilde bırakmak, oldukça tehlikeli sonuçlar doğurabilir. Birçok tehlikenin bulunabileceği bu sanal ortamda, iyi, doğru ve faydalı gibi olumlu öğelerin hemen yanı baģında; kötü, yanlıģ ve zararlı olumsuz öğeler de bulunmaktadır [14]. Çocuklar ve gençlerin bilgisayar ve internet kullanımı esnasında karģılaģabilecekleri sorunları sıralayacak olursak [14]:

25 9 Teknik zararlar; çocukların bilgisayara virüs bulaģtırması, bilgisayarı bozması; bunun sonucu olarak var olan belge ve dosyaların kaybedilmesi ve bazı yazılım ayarlarının bozulması. Fiziksel, sosyal ve psikolojik zararlar; aģırı oyun oynamak gibi bilgisayar ve internet kullanımının neden olabileceği zararlar. Hayati zararlar; zararlı içeriklere eriģim, kötü niyetli kiģilerle temas, istismar profili gibi üç baģlığa ayrılabilir. Ġnternet filtre yazılımı ve uygun denetleme ile ebeveynler aileyi çevrimiçi pornografi probleminden korurlar [15] Deri Saptama Sisteminin Genel Yapısı Deri saptama süreci iki aģamadan oluģur: biri çalıģma (eğitim) aģaması ve diğeri ise tanımlama aģamasıdır. Bir deri saptayıcısı çalıģması üç temel aģamayı içerir: 1. Farklı görüntülerden alınan deri örneklerinin bir veri tabanını toplamak. Böylesi bir veri tabanı genellikle farklı ıģık koģullarında değiģik insanlardan alınan deri renkli örnekleri içerir. 2. Uygun renk aralığını seçmek. 3. Deri sınıflayıcısının parametrelerini öğrenmek. Sözü edilen çalıģılan deri saptayıcısı, deri piksellerini içererek verilen görüntü veya video çatısı içindeki aģağıdakileri içerir: 1. ÇalıĢma aģamasında kullanılan aynı renk aralığı içindeki biçimleri dönüģtürerek. 2. Deri olan veya olmayan deri sınıflayıcıları kullanarak her bir pikseli sınıflamak. 3. Genellikle sonraki iģlem, saptanan bölgelerde uzaysal homojeniteyi uygulamak için morfolojiyi kullanmaya ihtiyaç duyar.

26 10 Verilen herhangi bir renk aralığı içinde deri rengi aralık içinde sıkıģmıģ veya daha geniģ bir bölge olabilen böylesi bir aralığın bir parçasını iģgal eder. Böylesi bir bölge, deri renk dizisi olarak adlandırılır. Bir deri sınıflayıcısı bir-sınıf veya iki-sınıf sınıflama sorunudur. Verilen piksel, verilen renk aralığı içindeki deri rengi dizininin deri veya deri olmayan verili bir modeli olup olmadığına göre sınıflanır ve etiketlenir. Deri sınıflama bağlamı içinde, doğru pozitifler (TP), sınıflayıcının deri olarak doğru sınıfladığı deri piksellerdir. Doğru negatifler (TN), sınıflayıcının deri olmayarak doğru sınıfladığı deri olmayan piksellerdir. YanlıĢ olanların önceki tipi, sonrakiler yanlıģ negatifler iken, onlar yanlıģ pozitifler (FP) olarak adlandırılır (Hatalı tanımlamalar). Ġyi bir sınıflayıcı, düģük yanlıģ pozitif (FP) ve negatif (FN) oranlarına sahip olmalıdır. Herhangi bir sınıflama problemi içinde, yanlıģ pozitif ve negatifler arsında bir eģitlik vardır. Sınıf sınırını serbest bıraktıkça daha az yanlıģ negatifi ve daha fazla yanlıģ pozitifi ortaya çıkar. Daha sıkı sınıf sınırı oldukça, daha fazla yanlıģ negatifi ve daha az yanlıģ pozitifi ortaya çıkar. Aynısı deri tanımlamasına da uygulanır. Bu deri tanımlaması içinde renk aralığı seçimini çok önemli kılar. Renk, deri sınıfının, deri sınıfını ciddi biçimde modelleyebilmek için en sıkıģık halde olduğu yerde bir renk aralığı içinde temsil edilmeye ihtiyaç duyar. Renk aralığı seçimi direkt olarak kullanılması gereken sınıflayıcı türünü etkiler. ġekil 2.3. Uygun olmayan görüntü algılamanın genel sistemi

27 Deri Modelleme Ġçin Kullanılan Renk Aralıkları Renk, insan tarafından sözde tristimuli R (kırmızı), G (yeģil) ve B (mavi) nin bir kombinasyonu olarak algılanır ve sıklıkla üç temel renk olarak adlandırılırlar. Bazı diğer renk temsilcilikleri (aralıkları), R, G ve B nin çizgisel ve çizgisel olmayan kombinasyonları yoluyla türetilebilir. Farklı renk aralıkları, farklı amaçlar için önerilebilir [43]. Bu aralıkların pek çoğu deri renk modelleme problemlerine uygulanabilirler RGB renk aralığı RGB renk aralığı uygulamaları, sergileyen CRT den kaynaklanır. Renk, bu renk aralığındaki renklendirilmiģ ıģınların (kırmızı, yeģil ve mavi) kombinasyonu olarak gösterilir. Kolorimetrenin temel ilkesi, herhangi bir rengin böylesi bir kombinasyon tarafından sunulabilmesi ve bu kombinasyonun eģsiz olmasıdır. Görüntünün açığa çıkarılması ve iģlemlenmesi için en yüksek oranda kullanılan renk aralığından biridir. Bununla birlikte aydınlatma değiģtiğinde bu üç kanal bu yüzden değiģecektir, bu üç kanal arasında yüksek oranda iliģki vardır. Dahası, renk çeģitleri arasında tek biçimli değildir. Bu renk aralığı birçok çalıģmada uygulanmıģtır [19,27]. ġekil 2.4. RGB uzayına göre renklerin oluģturulması

28 12 RGB renk aralığı sayısal görüntüler içinde yaygın olarak kullanılan bir renk aralığıdır [27]. RGB, renkleri üç temel rengin ek kombinasyonu olarak Ģifreler: kırmızı (R), yeģil (G) ve mavi (B). RGB renk aralığı sıklıkla, R, G ve B üç dikey eksen olduğunda bir 3D küp olarak canlandırılır. RGB aralığının bir temel avantajı ise basitliğidir. Bununla birlikte, bilinçli olarak tek tip değildir; bunun anlamı RGB aralıkları içindeki mesafeler lineer olarak insan algısına yanıt vermez. Üstelik RGB renk aralığı, parlaklığı ve renkliliği ayırmaz ve R, G ve B bileģenleri yüksek oranda iliģkilidir. Verilen RGB piksellerinin parlaklığı bir R, G ve B değerinin lineer kombinasyonudur. Bu yüzden, deri örneğinin değiģen parlaklığı tüm R, G ve B bileģenlerini etkiler. Diğer bir değiģle RGB içindeki verilen deri örneğinin yeri böylesi bir örneğin görüntülendiği parlaklığın yoğunluğuna dayanarak değiģecektir. Bu sonuçlar RGB renk küpü içindeki çok yaygın (yayılmıģ) deri kümesi içinde sonuçlanır NormalleĢtirilmiĢ RGB renk aralığı RGB renk aralığı içindeki yüksek iliģkinin ıģığında araģtırmacılar, renk aralığının oranını azaltmak için yöntemleri araģtırmaktadırlar. RGB temsilinin içindeki üç bileģenin normalize etmesinin basit bir yolu aģağıda gösterilmektedir: r = R, g = G, b = R+G+B R+G+B B R+G+B (2.1) Yukarıdaki dönüģüm ifadesi tarafından tanımlanan renk aralığı, normalleģtirilmiģ RGB renk aralığı olarak ifade edilir. r + g + b = 1 olduğu zaman, bileģenlerden biri gerçekte gereksiz olur. Renk basitçe (r; g) çifti ile ortaya koyulur. Bu boyutluluk bu yolla sadece 2 ye indirgenebilir. Bu tip gösterme (sunum), rengin parlaklığından bağımsızdır. Bu dönüģümün basitliği nedeniyle pek çok araģtırmacının dikkatini çekmiģtir [6, 22, 26]. NormalleĢtirilmiĢ RGB renk aralığındaki engel ise, RGB renk aralığından kaynaklanan çizgisel olmayan dönüģümden kaynaklanır. Yani bu tip gösterim, düģük yoğunluklar altında çok gürültülü olmasıdır.

29 HSV (Renk Canlılık Değeri) renk aralığı HSV renk aralığı, Alvy Ray Smith tarafından 1978 yılında ortaya konulmuģtur [46]. Aynı fikir üzerine dayalı pek çok değiģken biçimi vardır. Örneğin, HSL (Renk Canlılık Açıklığı) ve HIS (Renk Canlılık Yoğunluğu). Renk aralıklarının bu sınıfı, açık ton, canlılık ve ton olarak sanatçıların fikrinden gelmiģtir. Sanatçılar, rengi sezgisel olarak tanımlamak isterler. Renk tonu, renk tipini belirler (kırmızı, mavi veya sarı gibi) ve canlılık onun parlaklığıyla ilgili çok renkliliği ölçer [44]. (R;G;B) yi (H;S;V) ye çevirmek için aģağıdaki formül kullanılmaktadır [45]: H = 0 + G B MAX MIN 2 + B R MAX MIN 4 + R G MAX MIN 60, Eğer R = MAX 60, Eğer R = MAX 60, Eğer B = MAX (2.2) S = MAX MIN MAX (2.3) V = MAX (2.4) Burada R, G ve B [0, 1] e normalleģtirilir. MAX = max(r; G; B) ve MIN = min(r; G; B). HSV renk aralığı, ġekil 2.5 de olduğu üzere canlandırılabilir. Sonuçtaki H, renk tonunun yerleģtiği renk çemberi etrafında dereceler içindeki açıyı göstererek 0 ile 360 derece arası değiģir. S ve V, sırasıyla 0 en az miktar olmak üzere ve 1 canlılığın en büyük miktarı veya değeri olarak 0 ile 1 arası değiģir [45]. MAX = MIN (S = 0) olduğunda, H tanımlanmaz ve MAX = 0 (V = 0) olduğunda, S tanımsız olur.

30 14 ġekil 2.5. GörselleĢtirme HSV renk alanı (Wikipedia dan alınmıģ), Hue (renk), silindirin dıģ çevresi boyunca değiģir. Saturation (canlılık), merkezden uzaklığı ile değiģir. Value (değer) alttan en üste değiģir. Sezgisellik ve renkliliğin dağılım ve aydınlığı, renk görüntü segmentasyonunun yanı sıra deri renk görüntü segmentasyonunda, HSV renk aralığını popüler kılmaktadır [22,24,39,48]. HSV renk aralığının dezavantajlarından biri ise, H ve S bileģenleri içindeki eģsizliğin olmasıdır. R, G ve B nin küçük bir değiģimi, tek noktaların yanındaki dönüģtürülmüģ değerlerin içine zıplamaya yarar. Renk aralığının devirli doğasıyla sonuçlanan renk tonu canlılığı (HS) polar koordine sistemi, en iyi performans için ten renklerinin daha sıkı biçimde toplanmasına ihtiyaç duyan parametrik deri renk modellemesi için onu elveriģsiz hale getirmektedir [16] Diğer renk aralıkları Deri tanımlaması için daha az popüler olarak kullanılan, [18] içindeki TSL (Renk Tonu Canlılık Açıklığı), [29,48] içindeki YCbCr, [17,42] içindeki CIE, [19] içindeki RGB oranları ve YIQ gibi bazı diğer renk aralıkları bulunmaktadır. Renk aralıklarının seçiminde stratejilerin çoğu aydınlık bileģenlerini azaltmayı amaçlar. Bu, eğitim verilerinin genellemesinde etkileyicidir. DüĢük boyutlu renk aralığı kullanımı, orijinal üç boyutlu renk aralıkları kullanımından daha kolaydır. Bu durum özellikle eğitim verileri seyrekliğinde ya da araģtırmacı deri rengi alanını deneysel olarak tanımlamak istediğinde çok kullanıģlıdır [37-39]. Renk aralığı seçimleri, boyut azaltıģı için kritiktir. Gomez ve Morales, uygun renk aralığı ve

31 15 öğrenme algoritmaları ile basit karar kuralları bulmak adına bir çözüm önermiģlerdir [49]. Parametrik deri renk modelleme performansı, ağırlıklı olarak uygun renk aralıklarının seçimine bağlıdır [18,35]. Öte yandan, yeterli eğitim verileri, verilen parametrik olmayan metotlar [22,26,50] içinde açıklanan farklı renk aralıkları seçildiğinde büyük fark gösterilmemektedir. Albiol, iki renk aralığı arasındaki dönüģüm geri dönüģtürülebilir olduğu bir teorik kanıt sunmuģlar ve daha sonra her iki renk aralığı arasındaki optimum deri tanımlama Ģemasının performansının aynı olmasını göstermiģler [50]. Yazarlar üstelik deri olan ve deri olmayan sınıfların ayrılabilirliği, seçilen renk aralığından bağımsız olduğunu göstermek için deneyler düzenlemiģler Deri Modellemesi Bu alanda, [16-18] gibi deri modellemesi ile ilgili bazı araģtırma çalıģmaları mevcuttur. Deri modellemesinin amacı, deri olmayanlardan deri piksellerini ayıran bir karar mekanizması oluģturmaktır. Son zamanlarda, görüntülerin içinde derinin saptanması için çeģitli yöntemler geliģtirilmiģtir. Bu bölümde, deri saptama yöntemlerinin sakıncalı görüntülerin tespitinde uygulamalarına genel bir bakıģ sunulmaktadır Renk özelliğiyle deri rengi saptaması Piksel renk sınıflandırması karmaģık olabilir ve en yüksek performansı elde etme çabasında pikselleri deri rengi olan ya da deri rengi olmayan olarak sınıflandırma için önerilen pek çok yöntem olmuģtur. [2] de deri renklerinin bir görüntüdeki insanın etnik kökenine bakmaksızın, renk spektrumunun küçük bir bölgesi içinde (kırmızı, sarı ve kahverengi) uzandığı söylenmektedir [2]. Her ne kadar renk spektrumu içinde küçük bir bölge olsa da, bu aynı zamanda kolayca tanımlanabilir, odun gibi deri olmayan diğer nesneleri de dâhil eder.

32 16 Dahası, önemli miktarda ıģık altındaki insan derisi farklı bir renkte görülebilir. Renk tarama yöntemleri fiziksel temelli, parametrik ve parametrik olmayan olarak sınıflandırılabilir. Renk aralığının seçimi hem fiziksel temelli hem de parametrik yaklaģımların performanslarını büyük ölçüde etkileyebilir, ancak renk aralığı seçiminin etkisinin parametrik olmayan yaklaģımlarda önemli ölçüde azaldığı söylenmektedir [50,63]. Fiziki temelli modeller Deri tanımlaması için renk aralığı içinde belirli eģik değerleri kullanmak, deri piksellerini tanımlamanın en kolay yoludur. EĢikleri kullanan fiziki temelli yaklaģımlar, sıklıkla renk modeline gönderimde bulunur. Bu, pikselin deri olarak dikkate alınması gerekiyorsa bir pikselin olabileceği değerlerin Ģartlarını belirlemek için parametrelerin oluģumudur [64]. Deri tanımlamasının bu yöntemi, doğruluğu artırmak için basitliği [2,65], veya çoklu renk aralıkları için kullanılabilir [66,67]. Belirli eģikle ilgili olarak deri olasılık oranıdır (deri olasılığı olarak da bilinir). Bu, bir deri olasılık haritası oluģturmak için farklı olasılı teorilerini kullanmak yoluyla bir pikselin deri olarak tanımlandığı yerdir. [68] de deriyi tanımlarken ıģıkta varyasyonların etkisini azaltmak için Bayes teorisi kullanılmıģtır. Parametrik deri modelleme Parametrik deri modellemeleri, dağılımların genellenmesine ve bazı özel parametrik hale getirilmiģ iģlevlerle birlikte dağılımların uymasına izin verirler. Böylece parametrik modeller, parametrik olmayan iģlevlere oranla daha az depolamaya gereksinim duyarlar. Gerçek Ģekilleri daha fazla anlamaya izin verirler ve onları daha sonradan uygun biçimde analiz etmeye yol açarlar.

33 17 Aynı zamanda aralıklı olduklarında eğitim örneklerinden araya koyma yeteneğine de sahiptirler. Farklı iģlevler, özel problemlere göre uyarlanabilirler. Deri/deri olmayan modelleme içinde en çok kullanılanlar aģağıda belirtilmiģtir. Daha önce de tartıģıldığı gibi, deri renkleri renk kümelerinin içinde renk spektrumunun küçük bölgelerine yerleģir. Deri normal olarak dağıtılır (Gaussian dağılımı). Bir parametrik yaklaģım olan Gaussian ortak olasılık dağılım fonksiyonu, deri benzerliğinin ölçüsüdür ve aģağıdaki denklemdeki gibi tanımlanır [69]. p c = (2π) 2 2 exp 1 2 (c μ)t 1 (c π) (2.5) Denklemde, C renk vektörüdür ve μ ortalama vektördür ve Σ diyagonal ortak değiģim matrisidir. Gaussian karıģım modeli, Gaussian iģlevlerinin bir kombinasyonudur. Kullanılan Gaussian iģlevlerinin sayısı kritiktir ve renk aralığı seçimi de büyük bir öneme sahiptir [69]. Büyük oranda göz önüne alınır ki Gaussian karıģım modeli, renk histogramı gibi sistemler için aģağı dereceden sonuçlar verir [16,27,63]. Tek gausssian Tek Gaussian, Gaussian olasılık yoğunluk iģlevi (PDF) ile birlikte deri renk dağılımını modeller: p c ten = 1 1 2π ten 1 exp 1 c μten T c μten 2 2 ten (2.6) Denklemde, µten beklenendir ve ten deri renk vektörlerinin kovaryans matrisidir. AĢağıda gösterildiği üzere eğitim örneklerinden tahmin edilebilirler: μten = 1 Nten c C Nten(c)c (2.7)

34 18 = 1 Nten 1 ten c C Nten c c μten (c μten) T (2.8) P(c ten) deriye ait c nin olasılığı olarak kullanılabilir veya sadece deri olmayan sınıflama içinde bir diğer modeli oluģturabilir ve p(c ten) ni elde etmek için Gaussian formülü kullanılabilir. Tek gaussian modelleme [29,30] içinde kullanılmıģtır. Gaussianların karışımı Gaussianların karıģımı, tek Gaussianın bir uzantısıdır. Tek bir Gaussian modeli ile birlikte sunulabilenlerden farklı olarak daha karmaģık dağılımları sunabilme yeteneğine sahiptir. Gaussianlar altındaki Olasılık Yoğunluk Fonksiyonu Ģöyle gösterilir: p c ten = k i=1 π i. p i (c skin) (2.9) k Yukarıdaki formülde, i=1 π i = 1 normalleģtirme kısıtlamalarına uyarak, (k) karıģım bileģenlerinin sayısı, (πi) karıģım katsayıları ve pi (c ten) Gaussian Olasılık Yoğunluk Fonksiyonlarıdır ve bunların her birinin kendi anlamları ve kovaryans matrisleri vardır. Modelin eğitimi, (k) bileģenlerinin sayısını, önceden bilinmeleri için tahmin eden Beklenti AzamileĢtirmesi (EM) algoritması denen iyi bilinen yineleyici bir teknikle gerçekleģtirilir. Gaussian karıģım modelinin EM ile olan eğitiminin ayrıntıları [31,32] de bulunabilir. Gaussian karıģım modeliyle, p(c ten) değerini bir yere kadar karģılaģtırılarak sınıflandırma yapılır. (k) sayısı bileģenlerinin seçimi burada önemlidir. Modelin hem eğitim verilerini verilen modelle birlikte mantıklı bir Ģekilde açıklaması gerekir hem de veri karmaģasından kaçınması gerekir. Farklı araģtırmacılar tarafından kullanılan bileģenlerin sayısı, 2 den 16 ya kadar çeģitlilik göstermiģtir [4,31]. k = 2 hipotezinin doğrulanması için [31,32] de bir önyükleme testi yapılmıģ ve k = 8 tam dağılımların

35 19 tahminin doğruluğu ve eģikleģme sayısal yüklemelerinin arasındaki iyi uyuģma olarak seçilmiģtir. [33,34] de Gaussian karıģım modelleri kullanılmıģtır. Eliptik sınır modeli Lee ve Yoo [35] tarafından önerilen, eliptik sınır modelinin tek Gaussian modelden daha büyük olduğu iddia edilmiģ ve Gaussianların karıģımı, bütünleģtirilmiģ veritabanında gerçekleģtirilen deneylerin temeline dayanmaktadır [27]. Bu modelin motivasyonu, Gaussian dağılımından elde edilen deri dağılımının çarpıklığıdır. Eğitim örnekleri gözlemlerinden neredeyse elipste olduğu anlaģılan deri dağılımının gerçek Ģeklini hesap etmek için, Lee ve Yoo [35], bir eliptik sınır tarafından deri ve deri olamayan bölgelerin ayrılmasını önermiģler. Modeller aģağıdaki gibi tanımlanmıģ: Φ c = (c ) T 1 ten (c ) (2.10) Denklemde, Ø ve ten, eğitim deri piksel setinden tahmin edilecek olanlardır. Parametre tahmininden önce, ana hatlar düģük frekanslı eğitim deri renk örneklerinin %0-5 i olan eğitim setinden çıkarılır ve parazit ve önemsiz olarak addedilir. Parametreler Ģöyle tahmin edilir: = 1 Cten c Cten c (2.11) = 1 Nten ten c C Nten c c μten (c μten) T (2.12) Yukarıdaki denklemlerde, Cten deri renk setindeki Cten öğelerin sayısıdır, Cten C. EĢ. 2.7 de tanımlandığı üzere, µten eğitim deri renk vektörlerinin olasılığıdır. Karar ilkesi, Φ(c) yi eģik (θ) ile basitçe karģılaģtıracaktır, eğer Φ(c) < θ ise, c deri olarak sınıflandırılır, eğer değilse, deri olarak sınıflandırılmaz. Yazarlar bu modeli 6 renklilik renk aralığında test etmiģler. Yazarlar tarafından yürütülen deneyler bu modelin deri ve deri olmayan piksel sınıflaması açısından tek Gaussian

36 20 ve Gaussianların karıģımından daha iyi olduğunu ve sınıflama bakımından da daha hızlı olduğunu ortaya koymuģlardır. Bu modelin küçük bir eksikliği ise, sadece olasılık yoğunluk iģlevi tarafından sağlanan sürekli bilginin eksikliği anlamına gelecek olan ikili kararı verebilir olmasıdır. Parametrik metotların özeti Parametrik modeller genelleme yeteneğine sahiptirler. Bununla birlikte uyum iyiliği çok fazla olarak dağılımların biçimine ve bundan dolayı da seçilen renk aralıklarına bağlıdır. Buna ek olarak, eğitim ve testleri, olasılık en üst düzeye çıkarma algoritması ve EĢ. 2.6 ve EĢ gibi göreli karmaģık model iģlevlerinin değerlendirmesini içerdikleri için daha yavaģtırlar. Tanımlanan tüm parametrik metotlar, parlaklık bilgilerini yok sayarak renk aralığı renklilik yüzeyinde etkinlik gösterirler. Açık bir dağılım modeli kullanılır, model geçerliliği sorunu ortaya çıkar. Açıkçası, uygunluğun iyi olması, parametre dıģı deri modellerinden daha çok dağılım Ģekline, bu yüzden de parametrik deri modelleri için kullanılan renk aralığına bağlıdır. Bu durum, model performansın renk aralığından renk aralığına önemli derecede çeģitlilik gösterdiği [32,35] de açıkça görülmektedir. Yalnızca birkaç yazar kullandıkları metotların geçerliliğinin teorik doğrulamasını eklemiģtir [36]. NormalleĢtirilmiĢ RGB açıklığındaki sabitlenmiģ aydınlatma koģulları altındaki tek bir insanın deri renk dağılımının Gaussian dağılımına uyduğunu göstermiģtir [31]. CIELuv açıklığındaki deri veri normalliğinin hipotezini ve iki bileģenli Gaussian karıģım modelinin geçerliliğini istatistikî testlerle doğrulamıģtır. Diğer yazarlar, kullandıkları (bir tek Gaussian modelini ya da benzerini kullanmak için) renk aralığındaki deri renklilikler demetinin neredeyse oval olan Ģeklinin gözlemlerine ya da kabul ölçütü olarak daha ileri model performansı tespiti ile açık olarak görülen oval olmayan Ģekline (Gaussian karıģımını veya birkaç Gaussian demetini kullanmak için) güvenmiģlerdir [32,33,35].

37 21 Parametrik olmayan deri modelleme Bu yöndeki araģtırma, parametrik formül içinde açıkça verilen iģlevler olmaksızın deri renklerinin dağılımını hesaplamayı amaçlar. Bu yöntemlerin sonucu bazen bir bilinmeyen (emin olunmayan) renk aralığının her bir noktasına bir olası değer atayan [16,19,20], Deri Olasılık Haritasının (SPM) inģası olarak adlandırılır. Renk histogramları, bir görüntü içindeki renk dağılımını temsil etmek için bir istatistik metodudur ve her bir rengin piksellerinin sayısını saymak yoluyla inģa edilirler. [70] de gösterilmektedir ki, histogram içinde kullanılan kutuların sayısı, deri tanımlama performansı içinde büyük bir etkendir. [71] de bir görüntünün renk histogramı oluģturulmuģ ve %80,7 duyarlılık ve %90 belirlilikle onu sınıflamak için bir destek vektör makinesi kullanılmıģtır. Wang ve arkadaģları [72] de bir görüntünün deri renk histogramını oluģturmak için ölçülmüģ eģik değerleri kullanmıģtır ve daha sonra görüntünün içindeki toplam deriyi yerleģtirmek için tüm histogramı hesaplamıģtır. Renk histogramının diğer bir kullanımı, bir deri pikseli olan pikselin olasılığını kuran deri renk olasılık algoritması ile birlikte oluģturulan olasılık histogramıdır [73,74]. Jones ve Rehg [27], deri ve deri olmayan piksellerin iki renkli histogramlarını oluģturmak için bir alıģtırma görüntü setini kullanmıģtır ve daha sonra maksimum entropi modellemesi %88 doğrulukla Bayes in sınıflayıcısını denemek için kullanılmıģtır. Bu model, diğer sakıncalı görüntü tanımlama sistemlerinin bir parçası olarak defalarca kullanılmıģtır [75,76]. Renk histogramları ile ilgili önemli bir konu; onların sadece renk yoğunluğunu ölçmeleridir. Bunun anlamı tamamen ilgisiz olsa bile iki rengin benzer histogramlara sahip olabileceğidir. Bu konuyla ilgi çözüm renk tutarlılık vektörleridir CCV. CCV, rengin piksellerinin geniģ benzer renkli bölgelerin üyeleri olduğu dereceye dek, piksellerin renk tutarlılığının olduğu yerde pikselin konumlandığı bölgeye pikselin ilgisini (tutarlı) veya ilgisizliğini (tutarsız) belirler [77,78] de, renk histogramın yanı

38 22 sıra CCV kullanımı belirliliği (%87,7 dan %90,4 a) artırır, ancak hassaslığı (%91,3 dan %89,3 e) azaltır. Histogramlara dayalı bayesian modelleri [27,48] de yazarlar, histogramlar yoluyla deri olan ve deri olmayan renkleri modeller haline getirmiģler. Renk aralığı C yi, c ϵ C in kutularına sayısal olarak belirlemiģler, deri rengi olanı Nten(c) ve deri rengi olmayanı N ten (c) deri sınıfları için her bir kutu içindeki renk piksellerinin sayısını hesaplamıģlar. Sonuç olarak ayrı bağlı deri ve deri rengi olmayan dağılım p(c ten)/p(c ten) yi almak için her bir kutuyu standart haline getirmiģler. Nten nin deri piksellerinin sayısını ve eğitim setinde deri olmayan piksellerin sayısı N ten ni göstermesine izin vermek yoluyla Ģu formüle ulaģmıģlar: p c ten = N ten (c) N ten (2.13) p c ten = N ten (c) N ten (2.14) Bunun neticesinde: p ten = N ten N ten +N ten (2.15) p ten = N ten (c) N ten +N ten = 1 p(ten) (2.16) Daha sonra Bayesian formüle verilen bir pikselin rengine göre deri/deri olmayan olasılığı hesap etmek için devreye sokulur: p ten c = p c ten p(ten ) p c ten p ten +p c ten p( ten ) (2.17)

39 23 p ten c = 1 p(ten c) (2.18) Ġki-sınıf kararı, uygun olarak seçilen eģik Θ, 0 < Θ < 1, tarafından yapılır. Piksel, p(c ten) > Θ ise deri pikseli olduğu, p(c ten) Θ ise deri olmayan piksel olduğu söylenebilir. Normalize arama çizelgesi (LUT) Birkaç yüz tanıma ve izleme algoritmasında [21-25], deri piksellerinin segmentasyonu için histogram temelli bir yaklaģım kullanılmıģtır. Renk aralığı, her biri belirli renk bileģen değer çiftleri (2D durumunda) ya da (3D durumunda) dizisine uygun olan birden fazla kutuya nicelenir. 2D veya 3D histogram oluģturan kutular, arama çizelgesi (LUT) olarak bilinmektedir. Her kutu, eğitimi verilen deri görüntüsünde olan bu belirli rengin zamanlarının sayısını hafızasına alır. Eğitimden sonra, histogram sayıları, histogram değerlerini farklı olasılık ayırımlarına dönüģtürerek normalize edilir: p ten (c) = ten [c] Norm (2.19) ten [c] in, c renk vektörüne ve Norm a karģılık gelerek histogram kutusunun değerini verdiği yer normalleģtirme faktörüdür [4], ya da mevcut olan en yüksek kutu değeridir [22]. Arama çizelgesi kutularının normalize değerleri, uygun gelen renklerin deriye uygun geleceği ihtimalini oluģturur. Kendiliğinden organize harita (SOM) 80 li yılların baģında, Kohonen tarafından tasarlanan SOM Ģimdi en yaygın ve genel olarak kullanılan kontrol edilmeyen yapay sinir ağların bir tipidir [16]. Brown, deri piksellerinin tanımlanması için bu yöntemi kullanmıģtır [26].

40 24 Temel SOM sinirlerin 2 boyutlu çaprazından L oluģur. Her bir sinir ni ϵ L baģlangıçta rastgele olarak baģlatılan kod kitabı vektörü ile birleģir. [26] da yazarlar, 2 boyutlu renk aralığını seçmiģler, bu yüzden m=2 dir. Kafes dörtgen veya altıgen Ģeklindedir. ġekil 2.6 da, merkez sinirlerin komģularının yanı sıra her iki kafesin örnekleri gösterilmektedir. ġekil 2.6. KomĢu sistemleri ile SOM kafesleri, dikdörtgen SOM kafesi (solda), altıgen kafesi (sağda) Bir SOM u denemek için, kafes içinde tüm sinirler için deneme vektörleri sırasıyla gösterilmektedir. Her zaman bir girdi vektörü (V) SOM a gönderilir, kazanan sinir (Vw) aģağıdaki denklemde hesaplanır: v w v v i v, i I (2.20) Kafes içinde sinirlerin tüm indekslerinin birleģmesi, I e göre tanımlanır. Öklidci veya Manhattan aralığı genellikle metrik olarak seçilir. KomĢulardaki sinirler daha sonra öğrenilen iģleve göre kendi kod kitabı vektörlerini seçerler. Eğitim süreci olarak, hem öğrenme oranı hem de etkilenen komģunun ölçüsü küçülür. Eğer gerekliyse SOM a etiketlenmiģ eğitim verisinin sırasıyla sunulduğu yerde bir ayarlama aģaması gerçekleģir. Veri etiketi ve kazanan sinirlerin indeksi her zaman kaydedilir. Her bir sinir daha sonra en fazlasını alan etikete atanır. Sınıflandırma için her bir girdi verisi kazanan sinirin etiketini alır.

41 25 Brown, altıgen bir kafes seçmiģ ve kafesin ölçüsü ölçüsündeymiģ [26]. Histogram temelli metottan daha kötü olan Gausssian modelden SOM un performansı ciddi anlamda daha iyi olduğu gösterilmiģtir [27]. Histogram temelli metotlardan daha az kaynak kullanması ve SOM donanımına daha hızlı ve ucuza uygulanması bu yaklaģımın iyi özellikleridir. Birkaç yüz tanımlama ve takip algoritması [22,28], deri piksel tanımlaması için bir standartlaģtırılmıģ araģtırma tablosu kullanmıģlardır ( Arama Tablosu (LUT)). Tabloda gerçekte olan Ģey Ģarta bağlı olasılık p(c ten) veya deriye uyan rengin olasılığıdır. Parametrik olmayan yöntemlerin avantajları ise: 1. Eğitim ve test açısından genellikle hızlıdırlar. 2. Eğitim verisinin temel dağılımlarının Ģekillerini dikkate almazlar böylece daha az zorlamayla iģe yararlar ve renk aralıklarını seçmeye yol açarlar. Bununla birlikte bu modeller genellikle geniģ depolama alanlarına gerek duyarlar ve eğitim verisini genellemek için veya ekleme yeteneği açısından yetersizdirler. Varsayalım ki RGB renk aralığı C = {0,,255} 3 seçildi, her bir deri olan ve deri olmayan histogramları depolamak için 2 24 kutuya ihtiyaç duyulacaktır. Jones ve Regh, renk aralığını yeniden örneklemek yoluyla histogramlar içindeki kutuların sayılarını azaltmayı önermiģlerdir [27]. Onların deneyleri göstermektedir ki 32 3, diğer test edilen oranlar arasında en iyi performansı vermektedir. Diğer deri modelleri Video takibi gibi özel uygulamalarda, sadece deri tanımlanması çok ilkel bir basamaktır ve hızlı olmak zorundadır. Böylesi gereksinimler; eğer aģağıdaki koģullar yerine getirilirse, (R; G; B) nin deri olarak sınıflanması gibi basit belirgin deri bölge tanımlarına yol açar [37-39]:

42 26 R > 95, G > 40, B > 20 max R, G, B min R, G, B > 15 R G > 15, R > G, R > B (2.21) Bu iģi yapan kiģilerin karģılaģacağı temel güçlükler ise, uygun renk aralığının deneysel seçimi ve uygun karar kurallarının olmasıdır (Decision Rule). Karar kuralının yanı sıra uygun renk aralığını otomatik yapılanması için algoritmaları öğrenen bir makine bugünlerde önerilmektedir [20]. AraĢtırmanın diğer bir yönü ise, dinamik modelleme içinde yer alır. Yani, modelin kendisi değiģen koģullara uyarlanabilirdir (kiģi, kamera, ıģıklandırma, arka plan). Böylesi modeller yüz takibi gibi özel uygulamalarda kullanılır [40-42] Doku özelliğiyle deri rengi saptaması Her ne kadar bir derinin doku özelliği yakın mesafeden oldukça belli olsa da, görüntülerin çoğunda deri dokusu pürüzsüz görünmektedir. Deri rengini biçimlendirme ile ilgili en önemli problemlerinden biri, renk benzerliğine dayalı olarak deri olmayan bölgelerin deri olarak (yanlıģ/olumlu) yanlıģlıkla taranmasıdır. Deri dokusu yöntemleri prensip olarak bu yanlıģ olumlu oranlamayı azaltarak deri rengini modelleme sonuçlarını artırmak için kullanılır. Gabor filtre Gabor filtreleri, Gaussian fonksiyonu kullanarak merkezi bir dalga boyu çevresindeki belli bir dalga boyu sırasını (alanını) seçen bant geçirimi filtreleridir. Gabor filtreleri aralık/dalga sayısı alanındaki görüntü analizlerini yerine getirerek ölçüm yaparlar. Jiao [78] basitçe deri renginin tarama performansını artırmak için bir Gabor filtresini Sobel kenar operatörüyle birlikte kullanmıģtır. Sonuçta belirliliğin (%63,3 ten %87,7 ye) arttığını, ancak duyarlılığın ( %94,3 tan %91,3 e) azaldığını bulmuģtur. Hâlbuki Wang [67] ve Xu [79] bir Gabor filtresini bir Gaussian karıģım modelini deri ve deri olmayan dokunun özelliklerini tanıması için eğitmede kullanmıģlardır.

43 27 Birliktelik matrisi Ġki boyutlu birliktelik matrisi, dokuyu ölçmek için gri seviyede (parlaklık) durmaksızın olan değiģimleri ölçer. Matris, eģzamanlı ortaya çıkan iki değerin belli bir alakalı pozisyonunu kaydeder. Birliktelik matrisinin kurulmasının ardından görüntünün entropi, enerji, kontrast, korelasyon ve homojenlik özellikleri hesaplanabilir. Birliktelik matrisi, doğruluk ve hesaplama arasında iyi bir mübadele olarak kullanılır [66,80]. Çevresel gri ton farkı matrisi (NGTDM) Çevresel Gri Ton Fark Matrisi (NGTDM), yoğunluk ve dinamik alanın her bir ünite alanındaki değiģimleri ölçtüğü üzere birliktelik matrisine çok benzeyen baģka bir doku özellikleri analizi yöntemidir. NGTDM, yontulmamıģlık, kontrast, meģguliyet, karmaģıklık ve güç gibi görsel doku özelliklerini çıkarır. Cusano ve arkadaģları [85], derinin sınıflandırılmasını artırmak ve deri bölgelerinin doku özelliklerini çıkarmak için NGTDM yi Daubechies in küçük dalgaları ile kullanmıģtır. Deri sınıflandırmasına yardımcı olan diğer yöntemler: bölge büyütme algoritması [73], Maksimum Entropi Modelleme [81], Morfolojik Operasyonlar [76], Bethe Ağaç YaklaĢtırma ve Ġnanç Yayılması [82], Ekstrem (aģırı) Yoğunluk Algoritması [83], Yoğunluk Histogramının Entropisi [81] ve Medyan Filtreleri [2] Deri Rengi Sınıflandırıcıları Deri sınıflandırıcısı, öznitelik çıkarımı ve deri belirleme sonuçlarına dayalı olarak görüntüleri gruplamak için kullanılan matematiksel bir yöntemidir. Sistemlerin pek çoğu görüntüleri sakıncasız ya da sakıncalı olarak sınıflandırır, ancak bazılarının üstsüz, çıplak ya da seks görüntüleri gibi çeģitli seviyeleri vardır [90].

44 DenetlenmiĢ makine öğrenimi Makine öğrenimi, yapay zekâ içinde bir alandır. Bu alan, bir bilgisayarın performansını artırmasında önceki deneyimlerini kullanmasına izin vermek için algoritmalar geliģtirir. DenetlenmiĢ öğrenim, algoritma çeģitli muhtemel girdiler için arzu edilen çıktıları gösteren eğitim (alıģtırma) verilerinden bir Ģeyler öğrendiği zaman olur ve sakıncalı görüntü tarama alanında en fazla kullanılan sınıflandırma biçimidir. Gözden geçirilmiģ 22 yayın dört farklı yöntemden en az birini kullanır: Destek Vektör (TaĢıyıcı) Makine (SVM), Sinirsel Ağlar (NN), Karar Ağacı (DT), ve k-en yakın KomĢu (k-nn). Bunlar aģağıda alt baģlıklarda kısaca açıklanmıģtır. Destek vektör (TaĢıyıcı) makine (SVM) SVM çekirdeğe dayalı bir sınıflandırmadır, yani (sinirsel ağlarla karģılaģtırılınca) eğitimi daha kolaydır. Doğruluk ve sınıflandırma zorluğu arasındaki mübadele uygun bir çekirdek iģlevinin seçimiyle kontrol edilir. Sakıncalı ve zararsız görüntülerden oluģan bir eğitim seti dikkate alındığında, SVM iki set arasındaki hiperdüzlemi bulacaktır ki bu da en yüksek sayıdaki zararsız görüntülerin bir arada ve en yüksek sayıdaki sakıncalı görüntülerin de ayrı bir Ģekilde bir arada olacak Ģekilde sonuçlanmasıdır. Hiperdüzlem ve her iki küme arasındaki mesafe de en üst seviyede olmalıdır. Gaussian karıģım modeli (%92,2 duyarlılık ve % 97,9 netlik) [92], deri olasılık haritası (SPM) (%97,6 duyarlılık ve %91,5 netlik) [93] ve renk histogramı (%89,3 duyarlılık ve %90,6 netlik) [64] ile kullanıldığında SVM nin yüksek performans gösterebildiği görülmüģtür. Cusano ve arkadaģları [85] SVM nin çoklu karar ağaçlarından daha iyi sonuçlar verdiğini bulmuģtur. Sinirsel ağlar (NN) NN, biyolojik bir beynin örneklerle nasıl öğrendiğine dayanan bir makine öğrenim algoritmasıdır. Sınıflandırma, görüntü niteliklerini iģlemek ve görüntünün sakıncalı

45 29 ya da zararsız olduğuna karar vermek için eģzamanlı olarak çalıģan çok sayıdaki birbiriyle bağlantılı nöron tarafından yerine getirilir. NN, bağımlı ve bağımsız değiģkenler arasındaki karmaģık doğrusal olmayan iliģkileri tamamıyla ortaya çıkarabilir, fakat SVM ile karģılaģtırıldığında sayısal olarak karmaģık olabilir ve eğitimi zor olabilir. Bosson [73], sinirsel ağların (%83,9 duyarlılık ve %89,1 netlik) k-nn ve SVM nin sonuçlarına göre biraz daha iyi sonuçlar verdiğini bulmuģtur. Kim [91], NN ı MPEG-7 tanımlayıcılarıyla kullanırken % 94,7 duyarlılık ve %95,1 netlik elde etmiģtir. Karar ağacı (DT) DT, ağaç yapısı biçiminde bir sınıflandırıcıdır. Burada her bir yaprak düğümü bir hedef sınıfın değerini belirtir ve her bir içsel düğüm tek bir özellik üzerinde yürütülecek bir testi belirler ki burada testin her bir muhtemel çıktısı için bir dal ve alt-ağaç vardır. Bir durumun (örneğin) sınıflandırılması, bir ağacın kökünden baģlayarak ve oradan bir yaprak boğumuna ulaģana kadar ağaç boyunca hareket ederek gerçekleģir. Böylece durumun sınıflandırılması sağlanır. Zheng [94], sakıncalı görüntüleri belirlerken bir DT nın %91,35 duyarlılık ve %92,3 netlik verebileceğini göstermiģtir. Zheng [76], aynı zamanda DT yönteminin, NN ve SVM ye göre daha fazla doğruluk verdiğini de bulmuģtur. K-en yakın komģu K-NN, bir görüntüyü sakıncalı ya da zararsız olarak sınıflandırmak için eğitim verilerindeki en yakın örnekleri bulmaya dayanır. K-NN in eğitimi çok hızlıdır. Xu ve arkadaģları [79] k-nn nın (%81 duyarlılık ve %94 netlik) NN dan (%7 duyarlılık ve %91 netlik) daha üstün olduğunu bulmuģlardır.

46 Ġstatistiksel sınıflandırma GenelleĢtirilmiĢ Doğrusal Model (GLM), standart Gaussian (doğrusal) regresyon tekniklerini Gaussian olmayan tepkilere (yanıtlara) sahip modellere yaymaktadır (geniģletmektedir). GLM, verilerdeki dorusalsızlığa ve süreksiz varyans yapılara izin vererek, verileri doğal olmayan ölçekler içine zorlamaz. Bosson [73] GLM nin sakıncalı görüntüleri taramak için kullanılabileceğini göstermektedir. Elde edilen sonuçlar (%83,9 duyarlılık ve %87,5 netlik) belirtmektedir ki NN, k-nn ve SVM den önemli ölçüde daha iyi sonuçlar gerçekleģtirmiģtir Geometrik sınıflandırma Fleck [2], taranmıģ deri bölgelerinden eklemli organları ve gövdeleri belirlemek için Afin Görüntüleme Modelini kullanmıģ ve daha sonra eklemli organları ve gövde düzenlemesinin (yerleģtirmesinin) geometrik bir iskelet yapısıyla eģleģip eģleģmediğini ortaya koymuģtur. Afin Geometri, uzunluk ya da açı içermeyen vektörlerin geometrisidir. Fleck, Afin Görüntüleme Modelini kullanarak %52,2 duyarlılık ve %96,6 netlik elde etmiģtir ki bu sonuç makine öğrenim sınıflandırıcılarla karģılaģtırıldığında zayıftır Hızlandırıcı sınıflandırma Hızlandırma, öğrenim sınıflandırıcılarının doğruluğunu artırmak için algoritma kullanımıdır ve gözden geçirilmiģ yayınlarda iki Ģekilde uygulanmıģtır: Adaboost ve Önyükleme. Adaboost, aralıksız olarak defalarca zayıf sınıflandırıcıları arayarak onların her birinden doğru ve yanlıģ sınıflandırmaları öğrenir, ancak bu süreç gürültüye (ses, parazite) maruz kalabilir. Önyükleme bir yerde birine küçük bir etiketlenmiģ (sınıflandırılmıģ) veri kümesi ya da geniģ bir etiketlenmemiģ veri kümesi verildiğinde ve görev bir sınıflandırıcıyı kabul ettirmekte olur. Lee [83] önyükleme algoritmasının eklenmesinin duyarlılığı %81,74 ten % 86,29 a çıkardığını göstermiģtir.

47 Deri Saptama Metotlarının KarĢılaĢtırmaları Farklı deri renk modelleme metotlarının eģit bir Ģekilde değerlendirmesi için özdeģ test koģulları tercih edilir. Deri saptamasındaki en ünlü eğitim ve test görüntü veri tabanı, bütünleģtirilmiģ veri tabanıdır [4]. Tablo 2.1 de, yazarlarca rapor edilen farklı metotların bu sunulan veri seti için en iyi sonuçları göstermektedirler. Tabloda farklı metotlar için doğru pozitifleri (TP) ve yanlıģ pozitif (FP) oranları gösterilmektedir. Farklı metotların, eğitim ve test görüntü altkümelerine biraz farklı veri tabanı aralığı ve farklı öğrenme stratejileri kullanmasına karģın, tablo metotların performansıyla ilgili genel bir fikir verebilir. Çizelge 2.1. Farklı deri saptama metotlarının test sonuçları [16] Metotlar TP FP RGB de Bayes SPM [4] %80 %8,5 RGB de Bayes SPM [19] %93,4 %19,8 RGB de Maximum Entropi Modeli [51] %80 %8 RGB de Gaussian KarıĢımı[4] %80 %9,5 TS de SOM [26] %78 %32 CIE-xy de Eliptik Sınır Modeli [35] %90 %20,9 CbCr de Tek Gaussian [35] %90 %33,3 IQ da Gaussian KarıĢımı [35] %90 %30 YIQ da I EĢikleme Ekseni[19] %94,7 %30,2 TP: Doğru pozitif, FP: YanlıĢ pozitif En iyi performans (verilmiģ bir doğru algılama oranı için daha düģük hatalı pozitifler) Bayes SPM ve nesilleri tarafından gösterilmektedir, Maksimum Entropi

48 32 Modeli [51]. Parametrik modelleme teknikleri (Gaussian, Gaussian karıģımı, eliptik sınır modeli), SOM temelli detektörle birlikte geride kalmıģlardır. [4] da kullanılan Gaussian karıģımının yüksek performansı, aslında (diğer parametrik deri modelleme makalelerinin tersine) p(rgb ten) ve p(rgb ten) pdfleri ile modellendikleri için gerçekleģmiģtir. Dikkat edilmesi gereken bir gerçek de Ģudur; [52] de önerilen ve [19] da ölçülen YIQ açıklığının I bileģeninin basit eģiğinin, daha geliģmiģ Gaussian ve Gaussian karıģım deri modelleriyle karģılaģtırılabilecek sonuçlar gösterdiğidir. Bu tabloda yer almayan, son zamanlarda ortaya çıkan diğer umut verici metot, renk aralığının ve içinde açıkça tanımlanmıģ deri demetinin otomatik yapılandırılmasıdır [49,53]. Yazarlar, veri setleri için RGB açıklığındaki Bayes SPM sınıflandırıcısından daha baģarılı olan sonuçlar elde etmiģlerdir, aynı zamanda da önemli derecede daha düģük yanlıģ pozitifler oranı (yaklaģık %22 ye karģı %6) ve hemen hemen eģit yanlıģ negatifler (yaklaģık %5) vermiģtir. Vezhnevets, en son geliģmiģ deri tanımlama yöntemlerinin bir değerlendirmesini yapmıģtır [16]. Kaynaktaki rapora göre, Tablo 2.2 oluģturulmaktadır. Bu tabloda gösterildiği gibi RGB histogramlarına dayalı Bayesian modeli, deri ve deri olmayan piksel sınıflamasıyla ilgili olarak en iyi performansı vermiģtir (aynı gerçek pozitif oran altındaki yanlıģ pozitif oran). RGB histogramlarına dayalı Bayesian modelinin performansı, RGB içinde Gaussianların karıģımı tarafından takip edilmiģtir. Diğer modeller ise, ondan sonra gelmektedirler. Jones ve Rehg tarafından önerilen RGB histogramlarına dayalı bayesian modelleme, istatistiksel olarak bağımsız bir modeldir ve yazarlar, komģu pikseller arasında iliģki olmadığını öngörmektedirler [27]. Böylece, komģu piksellerin etkilerini hesaba katmadan pikselleri birer birer sınıflandırmıģlar. Bununla birlikte, deri bölgeleri tamamen rastgele değildir, yazarlar düzenli biçimler oluģturmak eğilimindedirler ve komģu pikseller, özellikle deri piksellerinin daha çok iliģkili olduğunu göstermiģler. Daha iyi bir modelleme yapmak için, komģu pikseller içinde kodlanan iliģkili varyasyonu modellemesi gereken bir model kullanılmalıdır. Maksimum entropi modelleme (MaxEnt), bir veri setinden modelleri çıkarmakta olan bir yöntemdir [54].

49 33 Matematiksel bir modelin içindeki veriden elde edilebilen herhangi bir statiksel özellik ile birleģebilmektedir. Çizelge 2.2. ÇeĢitli deri saptama metotlarının test sonuçları [51] Metotlar TP FP RGB Histogramlarına dayalı Bayesian modeli [27] [19] %80 %93,4 %8,5 %19,8 TS de SOM [26] %78 %32 CbCr de Tek Gaussian [35] %90 %33,3 RGB de Gaussian KarıĢımı [27] %80 %9,5 IQ da Gaussian KarıĢımı [35] %90 %30 CIE-xy de Eliptik Sınır Modeli [35] %90 %20,9 YIQ da I EĢikleme Ekseni [19] %94,7 %30,2 TP: Doğru pozitif, FP: YanlıĢ pozitif 2.9. Maksimum Entropi Modelleme Marjinal dağılımlarla ilgili olarak çeģitli sınırlamalar açısından üç maksimum entropi modeli dizisi dikkate alınmıģtır. Ġlk model, tek-piksel marjinallerdeki sınırlamaları uygulamaya koyar, bunun çözümü ise, piksellerin bağımsız olarak algılandığı bir Baseline modelidir. Bu model uygulayan kiģilerce iyi bilinir [27]. Baseline modeli, kesinlikle çok gevģek görünür ve deri bölgelerini, tamamen rastgele değil ama düzenli biçimlerle geniģ bölgelerden doğru yapıldığını söyleyen bir gerçek olarak dikkate almamaktadır. Bu yüzden, ikinci modelde, çözümü umutlu biçimde kolaylaģtıracak olan komģu etiketlerin marjinallerindeki sınırlamalar eklenmektedir. Sonuç olarak, komģu renklerin ve deri etiketlerinin birleģik olasılıkları, üçüncü modeli inģa etmek için ortaya koyulmuģtur. Renkli görüntülerin ve deri etiketinin

50 34 istatistikleri hakkındaki artan bilgi, deri olmayanlardan deri olan pikselleri ayırmamız konusunda yardımcı olabilir. Bu bölümde maksimum entropi prensibi tanıtılmıģtır. Maksimum entropi prensibi belirtmektedir ki en iyi karar modeli kısıtlamalarla birlikte aynı çizgide olur ve aksi takdirde mümkün olduğunca tek bir biçimde kabul eder ve modelin tek tipliliği bilgi entropisiyle ölçülmektedir. Maksimum entropi prensibinin rehberliğinde, verilen renkli fotoğraflarda uygun hale getirilen deri etiket fotoğrafların dağılımları için üç sıralı istatistiksel model ortaya koyulmuģtur. Birinci model, bu tezde Baseline modeli olarak isimlendirilmiģtir, literatürde diğer araçlarla da oluģturulmuģtur. Baseline modeli bağımsız bir modeldir ve birbirine komģu pikseller arasındaki iliģkiyi göz ününde tutmamaktadır. Fotoğraf veritabanının gözlemlenmesi, deri piksellerinin tamamen bağımsız olmadıklarını göstermektedir. Tam tersine, birlikte görülme ve bazı bölgeler oluģturma eğilimindedirler. Bundan dolayı, dağılımlar (MRF) ler ile modellenmiģtir. Tekrardan MRF lere doğal bir biçimde maksimum entropi prensibiyle ulaģılır. Yani, Markov rastgele alanlarını seçmek için iyi bir sebep vardır, maksimum entropi prensibine göre belli kısıtlamalar altında bu doğal çözümdür. O yüzden, Markov rastgele alanları kadar bağımsız model de maksimum entropi çerçevesinin içinde birleģtirilmiģtir. Ġlk MRF modeli gizli Markov modelidir, Baseline modelinde tanıtılan kısıtlamaların yanı sıra komģu deri etiketi çiftlerinin birleģme olasılıkları üzerine kısıtlamalar koyar. Ġkinci (MRF) modelinde, komģu renkler ve deri etiketleri çiftlerinin birleģme olasılıklarını dâhil etmek için daha ileri gidilmiģtir. Analitik olarak çözümlenebilen Baseline modeli dıģında bütün modeller parametrik biçimdedirler.

51 Maksimum entropi ilkesi Maksimum entropi kavramı uzun bir tarihe sahiptir. En az karıģık olan hipotez olasılığını adapte etmek, ilk önce Ġncil de görünmüģtür [55]. Laplace, Yetersiz Nedenin Ġlkesi adlı eserinde, 200 yıl önce bu konuyu açıkça ifade etmek yoluyla maksimum entropinin babası olarak dikkate alınmaktadır, bu eserde yazar, bir kiģinin iki olayın olasılığı arasındaki ayrıma varmak için yeterince bilgiye sahip olmadığı zaman en iyi stratejinin, onları muhtemelen eģit olarak dikkate almak gerektiğini ifade etmiģtir [56]. Maksimum entropi ilkesi bu yüzden yetersiz nedeninin ilkesi nin bir genellemesi olarak görülebilir. Bu strateji ilk olarak Jaynes tarafından bir genel çıkarım prosedürü olarak önerilmiģtir [57,58]. Varsayalım ki bazı sınırlamalar için bir dağıtım konusunu veya Ģöyle diyelim; dağıtımın istatistikleri hakkında bilinen bazı gerçekleri tahmin etmek üzere olalım. Bu sınırlamalar, söz edilen dağılımdan elde edilen örneklerin birçoğundan bizim elde ettiğimiz bazı istatistikler olabilir. Yani, gözlemlerimizle onaylanan bu dağılımlar için bizim çözümümüzü sınırlar. Çözümler, eğer herhangi öncül bir bilgiye sahip değilsek çok büyük olabilir. Bu sorunun çözülmesi için Maksimum entropi modeli kullanılmalıdır; yani bilgi tarafından izin verilen tüm olasılıkları dikkate alarak çözülmelidir [54]. Açıkça böyle yapılmasını söyleyen sınırlamalar dıģında herhangi bir olasılığı göz ardı etmemeliyiz. Maksimum entropi ilkesi altında, bir dağılımın tek biçimliliği bilgi entropisi tarafından ölçülür [59]. Dağılım, p ile ayrı rastgele değiģken X için onun entropisi aģağıdaki gibi tanımlanır: H X = x X p x ln p(x) (2.22) X, rasgele değiģken X in aralığı olduğu yerdir. Lim x 0 x ln x = 0 olduğu için süreklilik tarafından doğrulanan 0 ln 0 = 0 uzlaģısı kullanılmaktadır. Bu yüzden sıfır olasılığın ekli terimleri entropiyi değiģtirmeyecektir. Entropinin X dağılımının bir iģlevi olduğunu hatırlayalım. Rastgele değiģken X tarafından alınan gerçek değerlere bağlı değildir, ancak olasılıklara bağlıdır. Tahmin edilen, E ile belirtilecek. Böylece

52 36 eğer X dağıtım P sine sahipse, o zaman rastgele değiģken f(x) in tahmini değeri Ģöyle yazılır: E p f X = x X p x f(x) (2.23) veya olasılık yığın iģlevi bağlamdan çıkartıldığında basitçe E f X dir. X in entropisi, X in olasılık yığın iģlevine p(x) e göre tasarlandığında Lnp(X) in tahmin edilen değeri olarak da yorumlanabilir. H X = x X p x ln p(x) (2.24) Böylece, X in rastgele değerinin entropisi her zaman pozitif olmasını doğrulamak çok kolaydır, yani H(x) > 0. ġekil 2.7 olasılık yığın iģlevi Pr(X) ile iliģkili olarak bir ikili rasgele değiģken X in entropi eğrisini H(X) i göstermektedir. X, 0 ve 1 olmak üzere iki değiģken değere sahip olmaktadır. Pr (X = 0) = Pr (X = 1) = 0.5 olduğunda, entropinin H(X) en yüksek düzeye çıktığını ve Pr (X = 0) ve Pr (X = 1) birbirinden ayrılmaya baģladığında düģtüğünü görebiliriz. H(X), X in bir değere, 0 veya 1 olasılıklı 1 değeri varsaydığında minimum değere (0) a sahip olur. ġekil 2.7. Olasılık yığın iģlevi Pr(X) ile iliģkili olarak bir ikili rastgele değiģken X in entropisi. Yatay eksen, X=1 i temsil ediyor. Dikey eksen, X in entropisini temsil ediyor [51].

53 37 Maksimum entropi ilkesi testlere göre kullanıģlıdır. Örneğin, verilen bir dağılımın eldeki bilgiyle tutarlı olup olmadığı tanımlanabilir. Pratik olarak, maksimum entropi modelleme çalıģma aģamaları aģağıda gösterilmektedir: 1. Ġlgili özellikler seçilir. Deri tanımlaması için, renk ve deri alanına odaklanır. 2. Eğitim setinde özelliklerin histogramları hesap edilir. 3. Eğitim setinde gözlemlenmiģ olarak özellik histogramlarına sahip olanlar içindeki maksimum entropi modeli yazılır. 4. Modelin parametreleri tahmin edilir. 5. Sınıflandırma yapmak için model kullanılır. Bu plan, konuģma tanıması ve konuģma dili iģlemesi ile ilgili birkaç görev içinde baģarıyla tamamlanmıģtır [55]. Fotoğraflarla çalıģılırken, modelin temelinde yatan grafik piksel kafesidir ve birçok düğüm ve döngülere sahiptir. AĢamaların en zor kısmı ise, 4. aģamadır. ġekil 2.8. Her model için Alıcı ĠĢlemleĢme Özellikleri eğrisi (ROC). X ekseni yanlıģ pozitif, Y ekseni, saptama oranını temsil ediyor. Baseline Modeli çarpılarla, Gizli Markov Modeli (HMM) üçgenlerle, Ġlk Sıraya Koyma Modeli ise kareler ile gösterilmektedir [51]. Maksimum entropi modelle yapılan deneyler, 2.8 ve 2.9 ġekillerde gösterilmektedir. Kurulum, Gizli Markov Modeli (HMM) ile aynıdır. ġekil 2.9 de, bir HMM modeli

54 38 ile karģılaģtırıldığında, deri bölgeleri lokalizasyonunda görsel olarak iyileģtirme görünebilinmektedir. ġekil 2.8 da ROC eğirsisinden sonuçların hafif bir iyileģtirme kaydettiği görülmektedir [51]. ġekil 2.9. Orijinal fotoğraflar (ilk sütun). üst sıradaki fotoğraflar pikseldir, alt sıradaki fotoğraflar pikseldir. Baseline modeli (ikinci sütun), Gizli Markov Modeli HMM (üçüncü sütun), Ġlk Sıraya Koyma Modeli (dördüncü sütun) [51] Maksimum Entropi Modelleri Baseline modeli Ġlk baģta, bütünleģtirilmiģ veritabanında gözlemlenen bir piksel marjinale uyan ve olasılık dağılımları kümesini p(x,y) yı doğrulayan bir model inģa edilmiģtir: C 0 : s S, x s C, y s 0,1, p x s, y s = q(x s, y s ) (2.25) EĢ. (2.26) de eģit iģaretinin sağ tarafındaki miktar, eğitme verilerindeki renk Xs ve etiket Ys nin piksel oranlarıdır. Co altındaki (MaxEnt) çözümü aģağıdaki bağımsız model olmaktadır: p x, y = q(x s, y s ) s S (2.26) Bayes formülü kullanılarak aģağıdaki formül elde edilir:

55 39 p x, y = q(x s y s ) s S (2.27) EĢ (2.28) deki modele Baseline modeli denilir. Literatürde en çok kullanılan modeldir [18]. Bu model, [27] deki RGB histogramlarına dayanan Bayes modelinin aslında bir gerçekleģmesidir. EĢ (2.28) in sağ tarafındaki ürünün her bir terimi, Bayes formülünü kullanarak aģağıdaki gibi eğitme verileri üzerine olasılıklar varsayımında bulunarak hesaplanabilir: q y s x s = 1 q x s q x s y s q(y s ) (2.28) Ve 1 q x s = y s =0 q x s y s q(y s ) (2.29) EĢ. (2.29) daki miktarların değerlendirmesi iki adet 3 boyutlu histograma dayanır q(xs Ys = 1) ve q(xs Ys = 0) ki bu durum deri için bir piksel renk dağılımını ve deri olmayan pikselleri sırasıyla tasvir eder. Pek çok yazar, Gaussian ya da Gaussian karıģımlarının dağılımları gibi histogramlar için parametrik bir ifade elde etmeye çalıģmıģlardır [18,27] Gizli markov modeli (HMM) Baseline modeli fazla gevģek olduğu için ve deri alanlarının tamamen geliģigüzel olmadığı, tam tersine düzenli Ģekillere sahip geniģ bölgelerden meydana geldiği gerçeğini göz önünde tutarak, bunu bir modele mecbur ederek daha iyi tarama sonuçları elde etmek için gerek duyulmaktadır. Bundan dolayı, bütün komģu piksel çiftleri için y nin marjinalleri düzeltilmiģtir. Bütün takip edilenler için 4-komĢulu sistemi kullanılmıģtır. 2-komĢulu sistem için piksel s ve t, gözlemlenen(ys = a; Yt = b) zaman oranı a = 0 için q(a; b), ve b = 0 için 1 olmalıdır. 1, eğitme kümesinde

56 40 ölçülen benzer miktarlardır. Markov rastgele alanları (MRF) nin birinci modeli olan Gizli Markov Modeli, izotropik olduğu varsayılmıģtır; s ve t nin dikey pozisyonda oldukları durumları, s ve t nin yatay pozisyonda oldukları durumlarla birleģtirilmiģtir [60] Ġlk sıraya koyma modeli (First Order Model) Baseline modeli, veritabanında gözlemlendiği üzere renk ve derinin bileģim dağılımı bir piksel marjinalini taklit etmek için inģa edilmiģtir. Daha sonra, HMM yi inģa ederken, modeli pürüzsüzleģtirmek için önceki derililik dağılımı üzerine sınırlamalar eklenmiģtir. ġimdi ise, eğitme verisinde gözlemlenenlerle eģleģtirmek için, 4- komģulu s ~ t için p(xs, Xt, Ys, Yt) olan iki piksel marjinali uygulayarak, bir kez daha (MaxEnt) modeli mecbur ettirilmiģtir. Bundan dolayı aģağıdaki kısıtlamalar tanımlanmaktadır: C 1 : s ~t S S, x s C, x t C, y s 0,1, y t 0,1, p x s, x t, y s, y t = q(x s, x t, y s, y t ) (2.30) q(xs, Xt, Ys, Yt) miktarı, eğitme kümesindeki s ve t piksellerinin yönelimlerine bakmaksızın, bir çift komģu piksel için (Xs, Xt, Ys, Yt) değerlerini gözlemlenmesi beklenen tekrar oranlarıdır. Bu model markov rastgele alanları (MRF) nin ikinci modeli olarak gösterilmektedir [61,62].

57 41 3. GÖRÜNTÜLERĠN SINIFLANDIRILMASINDA ÖZELLĠK ÇIKARMA TEKNĠKLERĠ Dijital görüntülerin sınıflandırılması hafızaya aç ve sayısal olarak karmaģık bir iģlemdir. Bunun çözümü ise özellik çıkarma denilen bir iģlemdir. Özellik çıkarma, bir çeģit boyut indirgemedir. Burada geniģ veri setlerini tanımlamak için kullanılan kaynaklar doğruluktan mümkün olan en az kayıp verilerek basitleģtirilir. Daha önce tartıģılan renk ve doku yöntemleri özellik çıkarmanın biçimleridir, ancak bunlar yalnızca derinin sınıflandırılması için kullanılırlar. Bu bölümde, baskın olarak geometrik ve boyutlu sakıncalı görüntülerin sınıflandırılmasında kullanılan özellikleri tartıģılmaktadır Deri Özellikleri (Nitelikleri) Deri tarandıktan sonra çeģitli özellikler çıkartılabilir. Deri alanı/görüntü oranı, deri ile kaplanmıģ olan görüntünün yüzde oranıdır. Sakıncalı görüntülerin çoğu baskın olarak deri olabildiğinden, deri alanı/görüntü oranı gözden geçirilmiģ sistemlerin hepsinde olmasa da çoğunda kullanılır. Bu oran, deri sınıflandırma yöntemine dayanmamaktadır ve sınıflandırıcı için bir girdi olarak [75,84], ya da erken bir filtreleme sistemi olarak kullanılabilir [72]. Deri bölgelerinin miktarı [85], pozisyonu [80], yönelimi [81], yükseklik ve geniģliği [80], biçimi [65,76], sağlamlığı (katılığı) [86], sıklığı [76], dikdörtgenselliği [76] ve konumu [79,83], makine öğrenim sınıflandırıcıları için girdi bileģenleri olarak kullanılan niteliklerdir. Liang [80], sakıncalı görüntülerin taramasındaki en önemli niteliğin yükseklik niteliği olduğunu bulmuģtur. Sınıflandırıcının seçimi ve uygulanması, deri niteliklerinin etkisini koģullayabilir (öngörebilir), ancak deri niteliklerinin doğruluğu geliģtirebildiği gösterilmiģtir [83]. Bu deri niteliklerini çıkartma becerisi deri taramasında kullanılan yönteme dayanır. Eğer renk histogramları kullanılırsa, o zaman sadece deri alanı/görüntü oranı kullanılabilir, hâlbuki bir deri olabilirlik haritasının kullanılması deri bölgelerinin pozisyonu, yönelimi, yüksekliği ve geniģliği gibi deri niteliklerinin kullanımına izin verebilir.

58 Momentler Momentler, Ģekil ve örüntü tanımada yaygın olarak kullanılırlar, çünkü bir Ģeklin moment-temelli ölçümü tercümeye, rotasyona ya da ölçeğe göre değiģmeden türeyebilir [72]. Bir açıklayıcı, momentler geometrik (HU momentleri, Zenika momentleri) ya da istatistiksel (ortalama, varyans) olabilir. Geometrik momentler bir miktarın (sayının) ve onun bir referans noktasından dikey uzaklığının ya da bir nokta ya da eksen hakkında bir rotasyona sebep olma eğiliminin ürünüdür. Ġstatistiksel momentler rastgele bir değiģkenin pozitif tamamlayıcı gücünün beklenen değeridir. Liang [80] de, HU momentlerinin derinin yükseklik özelliğinden ve deri alanı/görüntü oranından daha az önemli olduğunu, fakat Çok-Katlı Algılama sınıflandırıcısı NN ile kullanıldığında diğer deri özelliklerinin hemen hepsinden daha önemli olduğunu bulmuģtur Yüz Belirleme Eğer geniģ deri alanlı bütün görüntüler sakıncalı olduğu varsayılırsa, o zaman son derece kabul edilebilir bir portre görüntüsü sakıncalı olarak sınıflandırılabilir. Yüz belirleme algoritmaları, deri pikselleri ağırlıklı olarak yüz ya da yüzlerle kaplanmıģ herhangi bir görüntüyü filtrelemek için kullanılırlar. Viola vejones [87] ve Leinhart [88] tarafından önerilen yüz belirleme algoritmaları doğruluk ve sayısal hız arasında iyi mübadeleler vermektedir. Bu nedenle bunlar sakıncalı görüntü belirleme sistemlerindeki yüz belirleme popüler yöntemler haline gelmiģlerdir [74,81] MPEG-7 Tanımlayıcıları Deneme Modeli (XM) yazılımı MPEG-7 tanımlayıcılarına eriģim için kullanılırlar ki bunlar medya dosyalarının rengi, dokusu ve iģitsel enerjisi gibi iģitsel ya da görsel niteliklerin temel özelliklerini tanımlarlar. Sakıncalı görüntü belirlemede yararlı olduğu kanıtlanmıģ olan örüntü iģlemeye uygun tanımlayıcılar Ģunları içermektedir: renk düzenleme [89], renk yapısı [90], homojen doku [89], köģe histogramı [89], bölge ve dıģ hatlar biçimi [90] ve baskın renk tanımlayıcısı [91]. Kim [91], sinirsel

59 43 ağlar sınıflandırıcısıyla kullanılan renk yapısı tanımlayıcısı ile yüksek seviyede doğruluk (kesinlik) elde etmiģtir.

60 44 4. PORNOGRAFĠK WEB SAYFALARINI DĠĞERLERĠNDEN AYIRAN ÖZELLĠKLER Pornografik sayfaların karakteristiklerini belirleyerek bu baģlığa cevap bulunabilir. Bu tür sayfaları ayırt edebilmek için görüntüler, yazılar ve diğer bilgilerden faydalanılmaktadır. Birçok pornografik web sayfası giriģ uyarı mesajına sahiptir. Web sayfasında bulunan yazılar bize içerik hakkında bilgi verir. Yazılar sayfanın bölgelerinde yer alır [13]: Web sayfa baģlığında. Uyarı mesaj bloğunda. Web tarayıcı penceresinde. 'tanımlama-description' ve 'anahtar kelimeler-keywords' metadatalarında. Web sayfasının URL'sinde ve sayfada bulunan diğer web sayfalarının URL'lerinde. Görüntü tooltip yazılarında. Grafik yazılarında (Bazen görüntüler ya da grafikler yazı içerebilir). Belirleyici terimler web browser penceresinde görülebilir ya da görülmeyebilir. Görülebilen terimler web sayfa baģlığında, uyarı mesaj bloğunda, diğer görülebilen yazılarda ve grafiksel yazılarda yer alır. Görülmeyen yazılar (HTML) tagları arasında yer alır. Görülenler ise burada yer almaz. Pornografik web sitelerinin aģağıdaki koģulları taģıdığı düģünülüyor [13]: Cinsel içerik. Erotik hikâyeler ve tanımlayıcı sözcükler. Cinsellik belirten görüntüler. Tamamen ya da kısmen çıplaklık. ġiddet belirten kelimeler ya da grafikler.

61 45 5. ĠSTATĠSTĠKLER AĢağıda yer verilen ekran görüntüleri kaynak [15]'den alınmıģtır. Bu istatistikler dünya çapında pornografi gelirleri ve zaman, çocuk istatistikleri de yer almaktadır. Çizelge 5.1. Ülkelerin pornografi gelirleri 2006 [15] Ülkeler Gelir(Bilyon$) ÇĠN $ GÜNEY KORE $ JAPONYA $ AMERĠKA $ AVUSTURALYA 2.00 $ ĠNGĠLTERE 1.97 $ ĠTALYA 1.40 $ KANADA 1.00 $ FĠLĠPĠN 1.00 $ ġekil 5.1. Dünya çapında pornografi gelirleri 2006 [15] TAYVAN 1.00 $ ALMANYA.64 $ FĠNLANDĠYA.60 $ ÇEK CUMHURĠYETĠ.46 $ RUSYA.25 $ HOLLANDA.20 $ BREZĠLYA.10 $

62 Zaman Ġstatistikleri Her saniye; 3075,64 $ pornografiye harcanıyor Ġnternet kullanıcısı pornografik içerik görüntülüyor 372 Ġnternet kullanıcısı, yetiģkin içerikli kelimeler arıyor Her 39 dakikada; BirleĢmiĢ Milletlerde yeni bir pornografik video oluģturuluyor. Yukarıda geçen istatistikler, kaynak [15] den alınmıģtır. Çizelge 5.2. Ġnternette aranan yasa dıģı kelimelerin istatistiği ve demografileri [15] Web 2006'da En Çok Aranan Kelimeler 2006 yılı arama 2006'da 2005'te Aranan Kelime sayısı DeğiĢim DeğiĢim Sayfalarında Olan kelimeler (Milyon) Demografiler Aranan Kelime Erkek Kadın