HÜCRESEL YAPAY SİNİR AĞLARI İLE KIZILÖTESİ GÖRÜNTÜLERDE GÜRÜLTÜNÜN TEMİZLENMESİ

Transkript

1 HAVACILIK VE UZAY TEKNOLOJİLERİ DERGİSİ OCAK 200 CİLT 2 SAYI (77-86) HÜCRESEL YAPAY SİNİR AĞLARI İLE KIZILÖTESİ GÖRÜNTÜLERDE GÜRÜLTÜNÜN TEMİZLENMESİ Ali Orhan TOLLUOĞLU Harp Akademileri Komutanlığı Haa Harp Akademisi Komutanlığı Yenileent / İSTANBUL orhan_tolluoglu@hotmail.com Osman N. UÇAN Elektrik e Elektronik Mühendisliği Bölümü İstanbul Üniersitesi Acılar / İstanbul uosman@istanbul.edu.tr Serdar KARGIN Haa Harp Okulu Komutanlığı Elektronik Müh. Böl. Bşk. Yeşilurt / İstanbul s.kargin@hho.edu.tr Sedef KENT Elektrik e Elektronik Mühendisliği Bölümü İstanbul Teknik Üniersitesi Maslak / İstanbul kent@ehb.itu.edu.tr ÖZET Hücresel Yapa Sinir Ağları (HYSA) 988 ılında Chua e Yang [] tarafından teorisi açıklanmış görüntü işleme e örüntü tanıma ugulamalarıdır. Özellikle kenar belirleme e gürültülü resimlerin görüntü kalitelerinin artırılmasında oldukça başarılıdır. HYSA iki seieli apısı nedeni ile gürültü temizleme sırasında bilgi kaıplarına da ol açmaktadır. Yapılan çalışmada bu bilgi kaıplarını da ortadan kaldırarak gürültü temizlemesi apılabilmiş e kızılötesi görüntülerde bozucu etkinin ortadan kaldırılmasına çalışılmıştır. Kızılötesi görüntüler cisimlerin ısıl enerjilerinin ortama kızılötesi frekanslarda aılması e bu enerjinin termal kameralarla hissedilip ideo sinallerine çerilmesi ile gerçekleşir. Atmosferdeki su buharı e karbondioksit ise bu görüntüleri olumsuz etkileerek görüntüü bozar. Bu makalede ilk önce kızılötesi görüntü daha sonraki bölümde de HYSA nın teorik mantığı anlatılarak apılan ugulamalar gösterilmiştir. Anahtar Kelimeler: Kızılötes Hücresel Yapa Sinir Ağları, Görüntü İşleme. GİRİŞ Gürültü, genel anlamı ile istenmeen etkilerdir. Bu etkiler daha çok dış ortamın karakteristiğinin sistem üzerine apacağı olumsuz katkıdır. Kızılötesi enerjinin ise ne olduğunu anlamak için elektromanetik spektrumun incelenmesi gerekir. İnsan gözünün görebileceği ışığın dalga bou 0.4 ile 0.7 mikron ( mikron= /000 milimetre) arasındadır. 0.4 mikron ma 0.7 mikron ise kırmızı rengin ortaa çıkmasını sağlaan dalga boudur. İnsan gözünün hücresel apısı dalga bou 0.7 mikron üzerindeki ışığı, ani kırmızıdan sonrasını göremez. Bu bölge kırmızıdan sonra geldiği için kırmızı ötesi ea kızılötesi (Infra Red) adını alır. Infrared (IR), 0.76 mikrondan başlaarak 000 mikron (mm) dalga bouna kadar genel olarak anı karakteristik özellikleri taşır. 000 mikrondan sonra ise mikrodalga bölgesi başlar [2]. Kızılötesi dalga boundaki enerji ısıl kanaklıdır. Bütün cisimler belirli seiede sıcaklığa sahip olduğu için herbiri dış ortama kızılötesi dalga bounda enerji aarlar. Cisimlerin sahip oldukları ısı enerjisi hem kendi içlerinde medana gelen sıcaklık artması ea azalması ile olabileceği gibi dış etkilerden örneğin güneşten kanaklanan nedenlerle de olabilir. Cisimlerin sıcaklıkları ile adıkları enerji arasında güçlü bir ilişki ardır. Örneğin sıcaklığı 2 katına çıkarılan bir cismin etrafına adığı enerji 6 kat artar [3]. Ortama aılan kızılötesi enerji için en büük etkii atmosfer apar. Atmosfer; nitrojen (azot), oksen, su buharı, kabondioksit, karbonmonoksit, ozon e atmosfer içinde uçuşan küçük zerrreciklerden (toz gibi) medana gelir. Kızılötesi enerjii utan temel faktör su buharı e karbondioksittir. Bu iki atmosfer karışımı kızılötesi enerjinin bir kısmını tutar e bazılarını geçirir [2]. Kızılötesi enerji için diğer bir olumsuz etki cisimlerin ısı değerlerinin birbirine 77

2 akınlaşmasıdır. Enerji seieleri birbirine akınlaşan cisimler görüntü açısından ii bir arım sağlaamaacağı için görüntü kalitesini bozacaktır. Termal kameralar ışığın ani güneşin olmadığı şartlarda çere görüşü sağlamak amacıla geliştirlmiş görüntü sistemleridir. Özellikle gece karanlık şartlarında kullanılmak üzere geliştirilmiştir. Kuru dumandan etkilenmeen termal sistemler için en büük engel su buharı e karbondioksittir. Termal kameranın sensörüne ulaşabilen zaıf enerji ancak bir nei gürültüe uğramış hali ile görüntüe çerilebilir. Su buharı e kabondioksitin atmosfer içindeki oranı nisbetinde görüntü kaitesinde de düşüş olması kaçınılmaz olacaktır. Bu sorunu çözmek için güncel görüntü işleme öntemi olan Hücresl Yapa Sinir Ağları (HYSA) - Cellular Neural Network (CNN) kullanılarak kızılötesi görüntülerin olumsuz çere koşullarından kanaklanan gürültünün temizlenmesi gerçekleştirilmiştir. 2. HÜCRESEL YAPAY SİNİR AĞLARI-HYSA İlk olarak 988 ılında Leon Chua e Lin Yang [] tarafından ortaa atılmıştır. YSA nın kabilietleri kullanılarak eni bir dere mimarisi oluşturulmuş görüntü işleme e örüntü tanıma konusunda önemli bir ugulama sahası açmıştır. Dinamik apıa sahip sinir ağ modelinden oluşmaktadır. İşlem basamakları paralel apıda oluşturulmuştur. Değişmez bir bağlantı ağı kurma kabilieti HYSA ı klasik anlamdaki Yapa Sinir Ağlarına (YSA) göre oldukça aantajlı bir konuma getirmektedir. Genel olarak iki boutlu apılarda kullanılmaktadır. Ancak teorik olarak çok boutlularda da kullanılabilir. Kısa zamanda teorisenlerin ilgisini çeken bu eni nöral ağ mimaris son ıllarda hızla gelişmee e umut erici sonuçların alınmasına ol açmıştır [4]. HYSA, özel sınıf dinamik ağ olup matematiksel temeli en sağlam sinir ağ modellerinden biridir []. Doğrusal olmaan analog dizi olarak da adlandırılır. Bu ağ mimarisinde nöronlar, insan doğasına ugun olarak erleştirilmiştir. Tüm dinamik sinir ağlarda olduğu gibi buradaki hücrelerde de toplama e aktiason fonksionuna ilaeten bir dinamik birim bulunmaktadır. Bu dinamik birim, RC deresinden oluşur e bu sebeple söz konusu ağlarda geçici bir rejimden söz edilebilir. HYSA nın diğer dinamik sinir ağlardan farkı özel komşuluk boutu içinde hücrelerin en akın komşuları ile bağlı olmasıdır. Aktiason fonksionu olarak kısmi doğrusal kullanılır [6]. Bütün hücreler birbirlerine doğrudan bağlanmasa da geri beslemeli derenin son duruma akınsaması sırasında bütün hücreler birbirlerini dolalı olarak etkilerler. 2.. Tanım HYSA; hücrelerden medana gelmiş e her bir hücre en akınındaki hücre ile etkileşim e komşuluk ilişkisi içerisinde bulunan dinamik YSA modelidir. Yapıı oluşturan temel elemanlar hücrelerdir [7]. Her bir hücre, görüntü içerisindeki en küçük apıı ani pikselleri temsil eder. Görüntü işlemedeki temel göre herhangi bir giriş görüntüsünü istenilen amaca ugun olarak çıkış görüntüsüne dönüştürmektir. Çıkış görünüşü, ilk durumundan farklı olarak değişikliğe uğrar. Çıkışta piksel değerleri - e + olacak şekilde sınırlandırılır. Ancak buna karşılık giriş görüntüleri ugun gerilim değerleri de sağlandıktan sonra, çoklu gri seielere de sahip olabilir. HYSA dan geçirilen görüntü geçici rejim sonrasında her zaman bir kararlı duruma akınsamaktadır [4]. HYSA da da klasik sinir ağlarda olduğu gibi giriş erisi konolüson işleminden sonra aktiason fonksionundan geçirilmektedir. İstenilen sonuca ulaşılana kadar hata gerie ama işlemi ile bu adımlar tekrarlanmaktadır Hücresel Yapa Sinir Ağlarının Genel Yapısı HYSA; girişlerin e çıkışın toplandığı toplama birim dinamik birim e aktiason fonksionundan oluşur [6]. Şekil de bu apı gösterilmektedir. HYSA ı oluşturan en küçük birime hücre adı erilir. M X N boutlu bir apıda her bir piksel hücree karşılık gelir. i nci satır e j nci sütundaki hücree (i, hücresi denir e C (i, ile gösterilir Hücresel Yapa Sinir Ağlarında Komşuluk Bu sinir ağ apısındaki en belirgin özellik komşuluk ilişkisidir. Her hücre çeresindeki hücrelerle özel bir bağ kurar. Bu bağ saesinde iletişim e etkileşim olabildiğince hızlıdır. Bu ilişki bağlantısı saesinde başarım artar. Yapı birbirine örülmüş e odaklanmış şekildedir. Hücreler en akınındakilere doğrudan bağlıdır [7]. Etkileşim, işlem apılan hücre merkez olacak şekilde dışa doğru aılarak gider. Bir hücrenin komşularına olan etkisi komşularının ona olan uzaklığı e akınlığı ile ilgilidir. İki boutlu 4 X 4 apıa sahip bir model şekil 2 de gösterilmiştir. 78

3 Giriş f(.) Çıkış Toplama Birimi Dinamik Birim Aktiason Fonksionu Şekil. Hücresel Yapa Sinir Ağlarının Genel Yapısı Şekil 2 de görülen apıda, ukarıda da belirtildiği gibi i satırları j ise sütunları göstermektedir. i nci satır e j nci sütun C hücresinde C (i, gösterimi ile sunulur. Hücrelerin komşuluk ilişkileri ise r ile gösterilir e r, C (i, hücresinin komşuluk arıçapını erir. Her bir C (i, hücresine ait r- komşuluğu, denklem () de gösterilmiştir []. C(,) C(,2) C(,3) C(,4) Komşuluk arıçapını arttırmak mümkündür. Komşulukları r =, r = 2 e r = 3 olan apılar şekil 2.9 da gösterilmiştir. Bu şekillerden de anlaşılacağı üzere r = komşuluk 3 X 3, r = 2 komşuluk X e r = 3 komşuluk 7 X 7 apılar oluşturur. Komşuluk arıca simetri özelliğine de sahip olup denklem (2) de gösterilmiştir. C( N ( ise C( N ( (2) r r C(2,) C(2,2) C(2,3) C(2,4) C(3,) C(3,2) C(3,3) C(3,4) C(4,) C(4,2) C(4,3) C(4,4) Şekil 2. Hücresel Yapa Sinir Ağlarında Komşuluk Burada r pozitif bir tamsaıdır. Genellikle r = komşuluk kullanılır e bu komşuluk 3 satır 3 sütundan oluşan 3 X 3 apısında bir ilişkii anlatır. { C( max( i k, j l ) r, k M ; l N} N r ( = () Şekil 3. Hücresel apa sinir ağlarında r =, r = 2 komşulukları 2.4. Hücresel Yapa Sinir Ağlarının Deresel Gösterilimi HYSA da bir hücree karşılık gelen deresel eşdeğer şekil 4 de gösterilmiştir. Bu derede bulunan u, x e sırası ile giriş, durum e çıkışı göstermektedir. C (i, hücresine ait x durum geriliminin başlangıç koşulu ile giriş gerilimi olan u ea eşit olduğu kabul edilmiştir. gerilimidir. nin den küçük ise çıkış 79

4 u x E + - I C R x I xu ( I x ( I x R Şekil 4. Hücresel Yapa Sinir Ağ Deresi Şekil 4 deki dere incelendiğinde C (i, hücresi bir bağımsız gerilim kanağı E, bir bağımsız akım kanağı I, bir doğrusal kapasite C, iki doğrusal direnç R x e R, giriş kontrol gerilimi u kl ile çıkış kontrol gerilimi kl tarafından geri besleme olarak kontrol edilen doğrusal gerilim kontrollü akım kanaklarından medana geldiği görülür. Burada I x ( e I xu ( gerilim kontrollü akım kanaklarının karakteristikleri C( Nr ( komşuluğu altında (, ;, ) = (, ;, ) e I i j k l A i j k l * x kl I ( = B( * olarak ifade xu ukl edilirler. Her hücre içerisindeki tek doğrusal olmaan eleman kısmi doğrusal I x = ( / R ) f ( x ) karakteristiğine sahip olan gerilim kontrollü akım kanağıdır. Bu akım kanağını belirleen aktiason fonksionu f(.) şekil de gösterilmiştir [7]. f() Kirchoff gerilimler e akımlar asası ugulanarak bu hücresel derenin eşitliği şu şekilde olacaktır. HYSA durum denklemi: d x ( t) C = x ( t) + A( t C k l Nr i j kl ( ) + dt R (, ) (, ) x B( I i M j N C k l Nr i j ukl +, ; (, ) (, ) (4) HYSA çıkış denklemi: [ x ( t) + x ( t) ] i M ; j N ( t) = 2 ( ) HYSA giriş eşitliği: u ( t) = E i M ; j N (6) kısıtlar : x ( 0) i M ; j N (7) - u kabuller : i M ; j N (8) Şekil. - Kısmi Doğrusal Fonksion A( i M ; j N (9) C > 0, Rx > 0 i M ; j N (0) 80

5 Bir HYSA daki tüm merkezi hücreler anı dere apısında e değerindedir. Bir merkezi hücre, tanımlanan r komşuluğunda (2r+) 2 kadar komşu hücree sahiptir. Bunun dışında kalan hücreler ise sınır hücreleridir. Bu şekilde tanımlanan ağ apıları doğrusal olmaan bir denklem takımı ile karakterize edilirler. 2.. Hücresel Yapa Sinir Ağlarında Geri Besleme e Kontrol Şablonları ile Konolüson İlişkisi Bir hücrenin dinamiklerin çıkış geri beslemesini belirleen A( parametresi ile girişin kontrol etkisini belirleen B( parametreleri oluşturur. A parametres geri besleme ağırlık katsaısı ea geri besleme şablonu, B parametresi de giriş ağırlık katsaısı ea kontrol şablonu olarak adlandırılır [7]. Ağırlıklar sadece bir komşuluk grubu içinde tanımlı olduğundan bu matrislere (şablonlara) küme kalıbı (cloning template) adı erilir [8]. Hücrelerin komşuları ile olan bağıl uzaklığına göre bu şablonların içindeki katsaılar konolüson işlemini gerçekleştirirler. A e B şablonlarının r = komşuluklu bir apı için bağıl uzaklıkları şu şekilde olacaktır. A = A(-, -) A(0, -) A(, -) A(-, 0) A(0, 0) A(, 0) A(-,) A(0,) A(,) B(-, -) B(-, 0) B(-,) B = B(0, -) B(0, 0) B(0,) () B(, -) B(, 0) B(,) Yukarıda matris formu gösterilen geri besleme e kontrol şablonunun ortasındaki katsaılar ani A(0,0) e B(0,0) hücrenin kendi üzerindeki geri besleme e kontrol etkisini anlardakiler ise komşu hücrelerdeki geri besleme e kontrol etkisini göstermektedir. Geri besleme e kontrol şablonunun hücrelere apacağı bu etkii sağlaan, şablonların hücrelerle apacağı konolüsondur. Burada konolüson (*) simgesi ile gösterilecektir. A* V kl e B * V ukl gösterim A nın V kl ile, B nin de V u kl ile konolüsonunu ifade eder. Komşu hücreler de dahil olmak üzere çıkış kontrol gerilimi, giriş kontrol gerilimi ise Vu kl ile temsil edilmiştir V kl apacağı konolüsondur. Burada konolüson (*) simgesi ile gösterilecektir. A* V kl e B * V ukl gösterim A nın V kl ile, B nin de V u kl ile konolüsonunu ifade eder. Komşu hücreler de dahil olmak üzere çıkış kontrol gerilimi, giriş kontrol gerilimi ise Vu kl ile temsil edilmiştir Geri besleme şablonunun her bir hücre için oluşturacağı ağırlıklı toplam şu şekilde gösterilir. C( l ) N r ( A ( * V (2) kl Kontrol şablonunun ise her bir hücre için oluşturacağı ağırlıklı toplam da aşağıdaki gibi olacaktır. C( N ( B ( * (3) r Vu kl HYSA nın temel işleişi şekil 6 da gösterilmiştir. Giriş hücresi kontrol şablonu ile konolüsona girerek toplama birimine gelir e birinci toplamda sadece eşik değeri ile toplanarak farksal durum (x& ) bulunur. Farksal durum, integral birimde duruma ( x ) çerilir. Durum aktiason fonksionundan geçirilerek sonuç ( ) elde edilir. Eğer sonuç istenilen düzee ulaşmamışsa (ilk döngüde ulaşmaacaktır) ikinci döngüe girilir. Sonuç ( ) geri besleme şablonu ile konolüsona girer. Buradan elde edilen değerler ile girişin kontrol şablonu ile apacağı konolüson değerleri toplanır. Bu toplama eşik değeri de ilae edilerek integral birimine, buradan da aktiason fonksionuna gelinir. İstenilen sonuç elde edilene kadar işlemler tekrar edilir e nihai sonuç ( ) bulunur Öğrenme Algoritması HYSA da istenilen herhangi bir işi erine getirmesi için henüz analitik olarak geliştirilmiş bir öğrenme algoritması oktur. Başka bir değişle istenen görüntü işleme işleini erine getirecek bağlantı ağırlık katsaılarını belirlemek halen önemli bir araştırma konusu olmaa deam etmektedir [9]. V kl Geri besleme e kontrol şablonunun hücrelere apacağı bu etkii sağlaan, şablonların hücrelerle 8

6 Kontrol şablonu Eşik ( Giriş + x& İntegral Birimi x f(x) Geri besleme şablonu Şekil 6. Dinamik bir ağ olan HYSA için iki değişik öğrenme algoritması kullanılabilir [0, ]. Bunlar Dinamik Gerie Yaılım Algoritması-Recurrent Backpropagation Learning Algorithm (RBLA) e Dinamik Algılaıcı Öğrenme Algoritması Recurrent Perceptron Learning Algorithm (RPLA) dır. Her iki öğrenme algoritması da aslında kısıtlamalı bir enazlama probleminden farksızdır [2]. Algılaıcı (Perceptron) öğrenme algoritmasının dinamik bir ağ olan HYSA a uarlanması sonucu oluşturulan bu modele dinamik algılaıcı öğrenme algoritması-recurrent Perceptron Learning Algorithm (RPLA) adı erilmiştir. RBLA algoritması, türelenebilir kısmi doğrusal fonksionda kullanılmaktadı. RPLA öğrenme algoritmasında ise hata fonksionunun türeine ihtiaç oktur. Hücresel Yapa Sinir Ağlarının İşleiş Şeması doğrultusunda ağın, kararlı durum çıkışlar e bunlara karşılık düşen istenen çıkışlardan oluşmuş çiftlerle eğitilmesi gerekmektedir. Minimize edilecek hata fonksionu E (w), kararlı durum çıkışlarının e istenen çıkışların farkı ile orantılıdır. Metrik olarak Euclidean mesafesi alındığında hata fonksionu bir eğitim çifti için şu şekilde tanımlanmaktadır. k k k 2 E ( w) = ( d ) (4) 2 j Tam kararlı bir HYSA nın elde edilmesi için bağlantı ağırlık katsaıları simetrik seçilmiştir. Ağırlık ektörü w şu şekilde olacaktır. [ a ] T b T I T = [ a a a a a bb b b b I ] T w = () Hata fonksionu e ağırlık hesaplamaları aşağıdaki T T denklemelerde erilmiştir. = [ u x ] giriş ektörünü ifade etmektedir. Burada [ ] T u =..., u,... dış girişler [ ] T x =..., x (0),... başlangıç durumlarını temsil etmektedir. Belirli bir giriş ektörü e bağlantı ağırlık katsaıları ektörü (w) için, tam kararlı bir sinir ağında çıkış ektörü ( t) =..., ( t),..., kararlı durum çıkışı olan [ ] T ( ) a dönüşmektedir [3]. Kararlı durum çıkışlarının eğiticili öğretilebilmesi için, ağın kararlı durum çıkışlarının farkı ile orantılı bir hata fonksionu minimize edilmelidir. Bu amaç Ağırlık ektöründe önemli olan nokta, geri besleme ağırlık katsaılarını gösteren matriste diğer adı ile geri besleme şablonunun (A) tam ortada bulunan ağırlık katsaısı a ile gösterilmiş olup, a > koşulunu sağlamak durumundadır. Öğrenme, bu koşulu sağlaan bir ağırlık katsaı ektörü ile başlaıp giriş (istenen) e kararlı durum çıkış çiftlerinden oluşan eğitim seti ile eğitilmektedir. Burada girişler, hem dış ortamdan gelen girişler hem de başlangıç durumlarıdır. Kararlı durum çıkışı, istenen kararlı durum çıkışından farklı olan hücrei e komşu hücrelerden gelen bağlantı ağırlık katsaılarını arttırmaktadır (azaltmaktadır). 82

7 İki kutupluluk e kararlılık şartlarının sağlanabilmesi için her adım sonunda değiştirilen bağlantı ağırlık katsaıları (w), A = { w R a > } kümesi ile kısıtlandırılmışlardır. Görüldüğü gibi w simetrik alınara bağlantı ağırlık katsaıları 9 dan e indirilmiştir. Bölece hem kararlık şartı sağlanmıştır, hem de w nın güncellenmesi için gereken hesaplar azaltılmıştır. RPLA ile en azlanacak olan hata işlei bir önceki bölümdeki notasonlar uarınca aşağıda erilmiştir. E( w) = (6) [ d ] j + j D j D + Burada = ( i = {, = = } D d an istenen - olmasına rağmen + kararlı durum çıkışı eren hücrelerin oluşturduğu küme D = {( = d = } an istenen çıkış + olmasına rağmen - kararlı durum çıkışı eren hücrelerin oluşturduğu kümedir. Buna göre E (w) hata fonksionu, kararlı durum çıkışlar ile istenen kararlı durum çıkışları çakışmaan hücrelerin toplamıdır. Hata fonksionunun değerinin bulunabilmesi için istenen çıkışlarla, kararlı durum çıkışları çakışmaan hücrelerin hangileri olduğunun bilinmesi gerekmektedir. Kararlı durumda x& = 0 olacağı için durum denkleminde x = 0 sol tarafa alınarak bulunabilmekte e normalize hale getirilmektedir. x ) ( ) = wpl i + p, j + ( ) + z plu p, j + ( + I = p, l {,0,} p, l {,0,} 7) Burada Y toplam girişi temsil etmektedir. T [ [ ] [ u ] ] T T T [ Y ] w Y = (8) Y, toplam adet bağlantı ağırlık katsaısından oluşmuştur. İlk beş katsaı çıkışlardan, ikinci beş katsaı girişlerden e son katsaı ise değerinden oluşmaktadır. ( i i, j i, j ( ) ) = + ( (9), j + j + j, j +, j, j j Eşitlik 9 da Y i oluşturan çıkış değerler eşitlik 20 de de giriş değerleri görülmektedir. u ui ui = ui ui, j, j, j +, j + + u + u + u + u u j Çıkış fonksionu da;, j +, j, j j [ x + x ] (20) = (2) 2 olduğuna göre bağlantı ağırlık katsaılarının değişimi şöledir, [ w( n) ε ( n) Y ( )] w( n + ) = n (22) Burada - olması istenen ama + değerlikli e + olması istenip - değerlikli olan tüm girişlerin gösterilimi şu şekilde olacaktır, Y ( n) = + Y ( n) Y ( n) (23) + ( D ( D Ağırlık katsaısında a elemanı arı bir önem taşımaktadır. Bu katsaı, değerini i, j den almakta olup eşitlik 24 de de görüleceği üzere değerinden büük olmalıdır. { w( n) R a > } w ( n) A = (24) 83

8 w( n) A olduğu durumlarda w( n) = K w( n) alınmaktadır. Bölece eşitlik 24 şartı sağlanmış olur. K n µ a ( n) = (2) n olan farklılıklarının azalmasına hatta ok olmasına neden olur. Belirtilen şartlar en fazla günbatımı sonrası e gün doğumu öncesinde oluşur. En ii ısı farkının oluştuğu zaman ise gece arısıdır. µ > olmalıdır e genelde µ =. alınmıştır. Aşağıda erilmiş olan özellikler RPLA nın daranışlarını daha ii açıklamaktadır. Özellik : Y (w) nin beşinci elemanı, ani a, E (w) a eşittir. Arıca pozitif öğrenme oranları için ε ( n) > 0 e a ε ( n) E( n) olamadığı sürece a artmamaktadır. Özellik 2: Y (w) nin on birinci elemanı, ani, D + - D - fakına eşittir. Burada D + - D - sırası ile + e - uumsuz olan hücrelerden oluşan kümelerin eleman saısını ifade etmektedir [3]. Şekil 7. Kzılötesi Görüntü Kızılötesi enerji atmosferdeki meteorolojik olalar sisteminin çalışmasını önemli derecede etkilemektedir. Her türlü ağış, bulut, sis, nem oranı e rüzgar şiddet cisimlerin aınladıkları IR enerji miktarını azaltarak IR görüş sistemini olumsuz olarak etkilemektedir. 3. HÜCRESEL YAPAY SİNİR AĞLARINDA ÇOK SEVİYELİ ÇIKIŞ ÜRETEREK GÜRÜLTÜ TEMİZLEME UYGULAMASI Yapılan değişik ugulamalarda da görülmüştür ki HYSA resimleri belli bir seiee kadar gürültüden arındırabilmektedir. Arıca HYSA genel apısı itibari ile iki seieli çıkış üretebilmektedir. İki seieli görüntülerde ise gürültüden arınmış resim önemli bilgi kaıplarına uğrmaktadır. Buradaki çalışmada çok seieli görüntü elde edebilmek için çıkış erine durum kullanılmıştır. İterason saısı arttırıldığında da büük değişiklikler olmamaktadır. Arıca iterason saısı zamansal malietin artmasına da ol açmaktadır. Zamansal malieti düşürmek için temizlenecek görüntü belli bir iterasonda sonlandırılarak çıkış tekrar HYSA dan geçirilmiştir [4]. Kızılötesi görüntü; duman, pus e karanlıktan etkilenmez. Sistemi kısıtlaan en önemli etken su buharıdır. Su buharı, elektromanetik enerjii absorbe ederek iletiminde kaıplara ol açar. Bölece eterli seiede cisimlerin özelliklerini ansıtacak enerjinin sisteme ulaşması engellendiğinden perdeleme oluşur e görüntü kalitesi düşer. Görüntü kalitesindeki düşüşe neden olan diğer bir etken de cisimlerin hepsinin ea çoğunun anı enerji seiesinde aınım apacak ısıa ulaşmalarıdır. Bu durumda soğuk e sıcak karamı ok olur. Cisimlerin birbirine Şekil 8. Gürültü (Gaussian 0,0.3) Bindirilmiş Kzılötesi Görüntü Kızılötesi görüntüler üzerinde apılan ugulamalar şu şekilde gerçekleştirilmiştir. Şekil 7 de görülen resim termal kamera ile çekilmiş bir görüntüdür. Resimde patika ollar e bu olların birleştiği geniş bir alan görülmektedir. Yol kenarında sıralı top ağaçlar dikkat çekmektedir. Resmin orta bölümünde bir araç görülmektedir. Bu görüntü ii çere koşullarında elde edilmiştir e 384 satır 2 sütun toplam pikselden oluşmaktadır. Kötü çere şartları düşünülerek orinal görüntü Gaussian (ortalama 0, sapma 0.3) ile bozularak şekil 8 elde edilmiştir. Bu gürültülü görüntüde resme ait hiçbir arıntı e bilgi görülmemektedir. Bu resimde ola çıkarak bir amacı gerçekleştirmek mümkün değildir. 84

9 Şekil 9. Hücresel Ağlarla Temizlenmiş Kzılötesi Görüntü Şekil 8 deki gürültülü kızılötesi görüntüsüe HYSA ugulanarak şekil 9 elde edilmiştir. Resim incelendiğinde HYSA nın gürültülü resmi başarılı bir şekilde gürültüden arındırarak araç e çeresi hakkında önemli arıntıların ortaa çıkmasını sağlamıştır. 4. SONUÇ Sinir ağları konusunda apılan araştırma e incelemeler neticesinde HYSA nın görüntü işlemede oldukça başarılı olduğu görülmüştür. Hücresel ağlar paralel mimarileri saesinde çok hızlı eri işleebilmektedir. Komşuluk ilişkileri nedeni ile birbirlerini etkileebilme kabilietine sahip olmaları da arı bir aantaj sağlamaktadır. Görüntü gibi birbiri ile anlamlı komşuluk ilişkisi olan apılar HYSA için çok ugundur. Yukarıdaki bu ugulamalardan elde edilen sonuçlar hücresel ağların, elerişsiz çere koşullarında termal sistemlerin görüntü sağlama ünitelerinde kullanılabileceğini göstermiştir. Bu sistemde görüş sağlaan ünite pasif apıdadır. HYSA kendisine ulaşan görüntünün içerdiği bilgi oranında başarı sağlaabilir. Kalın bulut tabakalarının arkasında görüş tamamen bozulacağı e görüşe ait tüm bilgiler kabolacağı için ideo karelerindeki piksellerin komşulukları da ok olacaktır bu durumda görüntü kalitesi artmaacaktır. Ancak ince bulut tabakaları, nem e ağış gibi durumlarda HYSA başarılı bir şekilde kızılötesi görüntüü gürültüden arındırarak eterli görüş kalitesini sağlaacaktır. KAYNAKLAR [] Chua, L.O., Yang, L., Cellular Neural Networks: Theor, IEEE Transaction on Circuits and Sstems, Vol 3,No.0, , 988. [2] Harp Akademileri Komutanlığı Yaınları, Haa Kuetlerinde Elektronik Harekat, Harp Akademileri Basım E İstanbul, 0-7, [3] L. Herol, N. Ünal, İnfrared Güdümlü Silahlar e Çalışma Prensipleri, Haa Harp Okulu Yaınları, İstanbul, 2-3, 996. [4] Uçan, O.N., Özmen A., Hücresel Yapa Sinir ağları ile Bölütlenmiş Görüntülerin e Hücresel Yapa Sinir Ağ ile Modellenen Kanak/Kanal Kanal İşaretlerin Rician Ortamında Hata Başarımı, SİU 99, 7. IEEE Sinal İşleme Ugulamaları Kurultaı, 72-76, Ankara, 999. [] Güzeliş, C., Hücresel Yapa Sinir Ağları ile Görüntü İşlenmesi, Tübitak Proje No.EEEAG- 03, Rapor, İstanbul, 993. [6] Tander, B., Ün, M. Hücresel Sinir Ağları İçin Gerilim Kanaklı Hücre Modelleri, İstanbul Unersit Engineering Facult Journal of Electrical & Electronics, Vol, No. 2, , 200. [7] Chua, L.O., Yang, L., Cellular Neural Networks: Applications., IEEE Transaction on Circuits and Sstems, Vol 3,No.0, , 988. [8] Özdemir, S., Hücresel Nöral Ağlar e Ugulamaları, Yüksek Lisans Tez İstanbul Teknik Üniersites İstanbul, 99. [9] Özmen, A., Hücresel Yapa Sinir Ağları e Görüntü İşleme Ugulamaları, Doktora Tez İstanbul Üniersites İstanbul, 200. [0] Schuler, A.J., Nachbar, P., Nosse J.A., Chua, L.O. Learning State Space Trajectories in Cellular Neural Network, In Proc. IEEE 2nd int. Workshop on Cellular Neural Networ 68-73, 992. [] Magnussen, H., Nosse J.A. Towards a Learning Algorithm for Discrete-Time Cellular Neural Network. In Proc. IEEE 2nd int. Workshop on Cellular Neural Networks, 80-8, 992. [2] Uçan, O. N., Bilgil E., and Albora, A. M., Detection of Buried Objects on Archeological Areas Using Genetic Cellular Neural Network. European Geophsical Societ XXVI General Assembl Vol. 3, , Nice, France, 200. [3] Karamahmut, S., Hücresel Yapa Sinir Ağları İçin İki Öğrenme Algoritması e Görüntü İşleme Ugulamaları. Yüksek Lisans Tez İstanbul Teknik Üniersites İstanbul, 994. [4] Tolluoğlu A.O., Bölütlenmiş Hücresel Yapa Sinir Ağları Tasarımı e Hücresel Ağlarla Lantırn Uçuşlarında Görüntü Kalitesinin Artırılması, Yüksek Lisans Tez Haa Harp Okulu, İstanbul,

10 ÖZGEÇMİŞLER H.Plt.Yzb. Ali Orhan TOLLUOĞLU Ankara da 973 ılında doğdu. İlk e orta okulu İstanbul da tamamladı. 987 ılında Işıklar Askeri Lisesi ni kazandı. Dört ıllık eğitimi sonunda 99 ılında Haa Harp Okulunda Elektronik Mühendisliği Bölümünde lisans eğitimine başladı. 99 ılında Teğmen olarak mezun oldu. Şubat 997 ılında 2 nci Ana Jet Üs Uçuş Eğitim Merkezi Komutanlığında uçuş eğitimini tamamladı. Ekim 997 ılında 3 ncü Ana Jet Üs Komutanlığında harbe hazırlı Ekim 998 ılında 4 ncü Ana Jet Üs Komutanlığında F-6 harbe hazırlık eğitimini tamamlaarak ilk tain eri olan 8 nci Ana Jet Üs 82 nci Filo Komutanlığına kol uçucusu olarak atandı ılında 6 ncı Ana Jet Üs 6 nci Filo Komutanlığına atandı ılında LANTIRN uçuş eğitimini tamamladı. Anı ıl Haa Harp Okulu Haacılık e Uza Teknolojileri Elektronik Mühendisliği Ana Bilim dalında Yüksek Lisans öğrenimine başladı e 2004 ılında buradan mezun oldu. Halen Haa Harp Akademisi Komutanlığında Akademi eğitimine deam etmektedir. Araştırma Görelisi olarak çalışmaa başladığı İTÜ'de 998'den beri Doçent olarak göre apmaktadır. İlgi alanları Uzaktan Algılama Teknikler Çok Boutlu İşaret İşleme, Ters Problemler, Yüksek Çözünürlüklü Radar Görüntüleme-Yapa Açıklıklı Radarlar e Mikrodalgadır. H.Dr.Müh.Yb. Serdar KARGIN 98 ılında İstanbul Teknik Üniersitesi Elektrik- Elektronik fakültesinden mezun oldu. 993 ılında anı fakülteden üksek lisans e 2000 ılında doktora derecesi aldı. Halihazırda Haa Harp Okulu Elektronik Mühendisliğinde bölüm başkanı olarak göre apmaktadır. İlgi alanları Radar Sistem Konfigürasonu, Yapa Açıklıklı Radarlar, Elektromanetik Alanlar, Mikrodalga Dere Teorisi e Genetik Algoritmadır. Prof.Dr. Osman N. UÇAN 960 ılında Kars da doğdu. 98 ılında İstanbul Teknik Üniersitesi Elektrik-Elektronik Mühendisliği fakültesinden mezun oldu. 988 ılında anı fakülteden üksek lisans e 99 ılında doktora derecesi aldı ılları arasında anı üniersitede araştırma görelisi olarak göre aptı. 998 ılında TÜBİTAK-MAM da superisor olarak çalıştı. Şu an İstanbul Üniersitesi Elektrik-Elektronik fakültesinde profesör olarak göre apmaktadır. Prof.Dr. Sedef KENT Istanbul'da doğan Doç. Dr. Sedef Kent, Lisans eğitimini 984 ılında İstanbul Teknik Üniersites Elektrik-Elektronik Fakültes Elektronik e Haberleşme Mühendisliği Bölümünde tamamlamıştır. Yüksek Lisans e Doktora derecelerini İTÜ Fen Bilimleri Enstitüsü, Elektronik e Haberleşme Mühendisliği Programından alan Kent, 984 ılında 86