Tekstil Desenlerinin Otomatik Olarak Sýnýflandýrýlmasý Üzerine Bir Çalýþma

Transkript

1 Tekstil Desenlerinin Otomatik Olarak Sýnýflandýrýlmasý Üzerine Bir Çalýþma Rýfat AÞLIYAN Adil ALPKOÇAK Dokuz Eylül Üniversitesi Bilgisayar Mühendisliði Bölümü Bornova 35100, Ýzmir Özetçe 1. Giriþ Bu çalýþmada, tekstil desenlerinin çizgili, ekose ve puantiye kategorilerine otomatik olarak sýnýflandýrýlmasý için bir sistem geliþtirilmiþtir. Geliþtirilen sýnýflandýrma sisteminde temel olarak doðru ve çember özellikleri kullanýlmýþtýr. Resimlerin çizgi özellikleri çizgi algýlama operatörü ile, çember özelliði ise Hough dönüþümü ile elde edilmiþtir. Çizgi özelliði, çizgili ve ekose resimlerin, çember özelliði ise puantiye resimlerin sýnýflandýrýlmasýnda kullanýlmýþtýr. Elde edilen özelliklerin sýnýflandýrýlmasýnda kullanýlan yöntemler ve yöntemlerin ayrýntýlarý ve yapýlan deneylerin sonuçlarý da sunulmuþtur. Bir resim arþivindeki resim sayýsý artmaya baþladýðýnda, aranan özellikteki resimlerin en az zaman harcanarak aranýp bulunmasýnda büyük güçlükler çekilmektedir. Bu güçlüðün aþýlmasý için kullanýlabilecek olan yöntemlerden ilki, Ýçerik Tabanlý Resim Eriþimi (ÝTRE, Contend-Based Image Retrieval-CBIR) teknikleri kullanýlmasýdýr. ÝTRE yöntemlerinde kullanýcý aramýþ olduðu resmin genel özelliklerini (renk daðýlýmý, belirgin doku ve þekiller vb.) uygun kullanýcý arayüzlerini kullarak belirtir ve sistem belirtilen özellikleri içeren resimleri arayarak bulur ve sonuçlarý kullanýcýya en benzerden az benzeyene doðru sýralý olarak sunar. Bu yöntemin en önemli güçlüklerinden birisi ise kullanýcýnýn aradýðýný ifade etmekte çekebileceði güçlüktür. Resim arama konusudaki bir diðer yöntem ise, kullanýcýya arþivdeki resimlerin daha önceden belirlenmiþ kategorilere göre sunulmasýdýr. Bu yöntem özellikle ne aradýðýný tam olarak bilmeyen, veya uygun olmayan kullanýcý arayüzleri nedeniyle aradýðýný tam olarak ifade edemeyen kullanýcýlarýn aradýklarý resimlere ulaþabilmesini saðlayabilmesi açýsýndan son derece önemlidir. Resimlerin içeriklerine göre belirli kategorilere ayrýþtýrýlmasýnýn en kolay yöntemi ise bu iþlemin manuel olarak insan aracýlýðýyla yapýlmasýdýr. Fakat manuel yöntem her þeyden önce son derece sýkýcý ve çok zaman alýcý bir yöntemdir. Ayrýca sýnýflandýrma iþleminin baþarýsý doðrudan bu iþlemi yapan kiþiye baðlýdýr ve hata yapýlmasý potansiyeli oldukça yüksektir. Örneðin ayný resim farklý kullanýcýlar tarafýndan farklý kategorilere atanabileceði gibi, ayný kiþi bile ayný resmi farklý zamanlarda farklý kategorilere atayabilmektedir. Bu nedenlerden dolayý sýnýflandýrma iþleminin

2 mümkün olabildiðince insan aracýlýðýna gerek býrakmadan otomatik olarak yapýlabilmesi son derece önemlidir. Büyük resim arþivlerine sahip uygulama alanlarýndan birisi de tekstil desen atölyeleridir. Tekstil desen atölyelerinde binlerce resim sayýsal olarak bulunmakta ve gerek desinatörler ve gerekse müþterilere resimlerin belirli kategoriler altýnda sunulmasý mevcut problemlerinin çözümüne yardýmcý olabilecektir. Bu çalýþmada bir tekstil desen atölyesindeki desenlerin sýnýflanmasý için bir sistem geliþtirilmeye çalýþýlmýþtýr. Sistemin, desenleri öncelikle çizgili, ekose ve puantiye olmak üzere baþlýca üç kategoriye ayýrmasý, çizgili desenleri ise dikey, yatay ve diagonal çizgili olmak üzere daha alt kategorilere ayrýlmasý tasarlanmýþtýr. Bu kapsamdaki bir sýnýflama iþlemi için desenlerdeki çizgi ve çember özellikleri resimlerin sýnýflandýrmasýnda belirleyici olmuþtur. Çünkü, çizgili ve ekose resimler çizgi parçalarýndan oluþmaktadýr. Puantiye resimler ise çember þekillerinden oluþmaktadýr. Her resmin çizgi ve çember özellikleri tespit edilerek bunlarýn uygun bir þekilde sýnýflandýrýlmasý mümkün olabilmektedir. Çizgi özelliðini tespit etmek için çizgi algýlama operatörleri (Line Detection Operators) kullanýlmýþ ve her resmin yatay, dikey, 45-derece ve 135-derece çizgi özelliklerinin sayýsý bulunmuþ ve bir çizgi histogramý (Line Histogram) oluþturulmuþtur. Resimlerin içerdikleri çember özelliðinin algýlanmasý için ise Hough [3] dönüþüm metodu kullanýlmýþtýr. Bu yöntemle önce çember merkezleri sonra da çember yarýçaplarý tespit edilmiþtir. Çizgi özelliði kullanarak her bir resim için yatay, dikey, 45- derece ve 135-derece çizgi sayýlarý bulunmuþ ve bir çizgi histogramý oluþturulmuþtur. Çember özelliðiyle de her resim için çember sayýlarý tespit edilerek bir çember histogramý oluþturulmuþtur. Resimlerin içerik özellikleri çýkarýldýktan sonra resimlerin bir sýnýflandýrma yöntemiyle uygun kategorilere ayýrýlmasý gerçekleþtirilmiþtir. Bu çalýþmada sýnýflama iþlemi için Manuel Eþikleme, En Yakýn Komþu [4,5], K-En Yakýn Komþu [1,6,7] ve Minimum Uzaklýk yöntemleri kullanýlmýþtýr. Resimler, öncelikle çizgili, ekose ve puantiye resimler olarak sýnýflandýrýldýlmýþ ve daha sonra Manuel Eþikleme yöntemi ile yukardaki diðer yöntemlerle ayrý ayrý birleþtirilmiþ ve sonuç sýnýflandýrma yapýlmýþtýr. Bu makalenin geri kalan bölümü þu þekilde organize edilmiþtir: Ýkinci bölümde resimlerden sýnýflamaya temel teþkil edecek özelliklerinin çýkartýlmasý üzerinde durulmuþtur. Üçüncü bölümde ise, elde edilen özelliklerin sýnýflandýrýlmasýnda kullanýlan teknikler anlatýlmýþtýr. Dördüncü bölümde ise sistem bazý ölçütler kullanýlarak deðerlendirilmiþtir. 2. Özelliklerin Algýlanmasý Özelliklerin algýlanmasý, resim sýnýflandýrýlmasýnda en önemli iþlemlerden biridir. Resimler sýnýflandýrýlmadan önce, en uygun özelliklerin seçilmesi ve çýkarýlmasý gerekmektedir. Çizgi ve çember özellikleri seçilmiþ ve çýkarýlmýþtýr. Çizgi özelliði için çizgi algýlama öperatörü ve çember özelliði için ise Hough dönüþümü kullanýlmýþtýr. Böylece her resim içindeki çizgi ve çember sayýlarý tespit edilmiþtir. Resimlerdeki yatay, dikey ve diagonal çizgilerin algýlanmasý için dört tip çekirdek (kernel) kullanýldý. Bu çekirdeklerle evriþim iþlemi (convolution operation) yapýldý ve resimlerdeki yatay, dikey ve diagonal çizgiler tespit edildi. Dolayýsýyla çizgilerin sayýsý belirlendi. Çember ozelliðinin algýlanmasýnda Hough dönuþümü uygulandý. Ýlk olarak resim gri düzeyine çevrildi ve Sobel operatörü ile ayrýt sezim iþlemi yapýldý. Resmin ayrýtlarý tespit edildikten sonra, resimdeki çember

3 merkezleri bulunur ve sonra çember yarýçaplarý hesaplanýr. Dolayýsýyla bir resimdeki çemberlerin sayýsý bulunmuþ olur. 2.1 Çizgi Algýlama Algoritmasý Burada, çizgi özelliklerinin algýlanmasý için yatay, dikey, 45-dereceli ve 135-dereceli çizgilerin algýlama algoritmalarý uygulanmýþtýr. Yatay çizgilerin algýlanmasýnda yatay çizgi çekirdeði kullanýlýr. Çizgi eþik deðeri tespit edildikten ve renkli resim gri düzeyine çevirildikten sonra her piksel için evriþim iþlemi uygulanýr. Evriþtirme sonucu çizgi eþiðinden büyükse yatay çizgi özelliði vardýr denir ve piksel deðeri beyaz olarak atanýr, küçük ise siyah olarak atanýr. Yatay dýþýndaki diðer çizgi özellikleri de benzer þekilde elde edilir. 2.2 Çember Algýlama Algoritmasý Çember özelliðinin algýlanmasýnda, ilk olarak gri tonlamalý resme Sobel operatörü ile ayrýt tespiti yapýlmýþ ve her piksel için mutlak büyüklük ve yönelim deðerleri hesaplanmýþtýr. Ayrýtlar inceltildikten sonra merkezlerin bulunmasý için eðim doðrularýnýn kesiþmesinden yararlanýlmýþ ve bu kesiþme noktalarýnýn sayýsý, belirli bir eþik deðerinden büyükse bir çember merkezi olduðu farz edilmiþtir. Çemberlerin yarýçaplarý ise çemberin çakýþtýrýlmasýyla hesaplanmýþtýr. Böylece bir resimdeki çember sayýlarý belirlenmiþtir. 3. Sýnýflandýrma Yöntemleri Bu çalýþmada, En Yakýn Komþu, K-En Yakýn Komþu, Minimum Uzaklýk ve Manuel Eþikleme yöntemleri kullanýlmþtýr. Manuel Eþikleme hariç, yukardaki *yöntemler gözeten (Supervised) yöntemlerdir. Yani bu yöntemler her sýnýf için bir eðitici sýnýf içerirler ve sýnýflandýrma bu eðitici sýnýfa göre gerçekleþir. 3.1 Manuel Eþikleme Algoritmasý Manuel Eþikleme yönteminde kullanýlan özellikler için eþik deðerleri seçilir ve sýnýflandýrma bu deðerlere göre yapýlýr. Þekil 2 (d) de görüldüðü gibi, eþik deðeri y=10 verilmiþtir ve B sýnýfý 10 deðerinin altýnda, A sýnýfý 10 deðerinin üstünde kalmaktadýr. Gerçekleþtirilen uygulamada, çizgili, ekose ve puantiye resimlerin sýnýflandýrýlmasý için dört tane çizgi (yatay, dikey, 45-dereceli ve 135-dereceli çizgililerin sayýlarý) ve bir çember özelliði (çember sayýsý) kullanýlmýþtýr. Bundan dolayý çizgi ve çember sayýlarýný içeren çizgi ve çember histogramlarý oluþturulmuþtur. Çizgi eþik deðeri çizgili ve ekose resimlerin sýnýflandýrýlmasýnda, çember eþik deðeri puantiye resimlerin sýnýflandýrýlmasýnda kullanýlmýþtýr. Eðer yatay ve dikey çizgilerin sayýsý çizgi eþik deðerinden büyük ise ve 45-dereceli ve 135-dereceli çizgilerin sayýsý sýfýr ise resim ekose sýnýfýna atanýr. Ayný þekilde eðer 45-dereceli ve 135-dereceli çizgilerin sayýsý çizgi eþik deðerinden büyükse ve yatay, dikey çizgilerin sayýsý da sýfýr ise resim ekose sýnýfýna atanýr. Eðer yukardaki dört çizginin üçünün sayýsý sýfýr ve diðerinin sayýsý çizgi eþik deðerinden büyükse resim çizgili sýnýfýna atanýr. Eðer çember sayýsý çember eþik deðerinden büyükse resim puantiye sýnýfýna atanýr.

4 Þekil 2. Bu çalýþmada kullanýlan sýnýflandýrma yöntemleri 3.2 En Yakýn Komþu Algoritmasý En Yakýn Komþu yönteminde, sýnýflandýrýlacak resim ile eðitici sýnýflardaki resimler arasýndaki uzaklýklar hesaplanýr ve en yakýn olan resmin sýnýfý belirlenir ve sýnýflandýrýlacak resim, bu en yakýn resmin sýnýfýna atanýr. Þekil 2. (a) da görüldüðü gibi sýnýflandýrýlacak resim, X, C sýnýfýna atanýr. Çünkü A ve B sýnýflarýndaki resimlere olan uzaklýklara daha büyüktür. Bu yöntemde, çizgili, ekose, puantiye ve sýnýflandýrýlamayan olmak üzere dört eðitici sýnýfýmýz vardýr. Çizgi ve çember özellikleri üzerinde Manhattan uzaklýk ölçüsü kullanýlarak, sýnýflandýrýlacak resim ile eðitici sýnýftaki bütün resimler arasýndaki uzaklýklar hesaplanýr. Sonra, çizgi ve çember için ayrý ayrý en yakýn deðerler bulunur. Deðerlerin hesaplanmasýnda resim ve sýnýf arasýnda ilgili özellikler temel alýnýr. Bu deðerlerden en küçüðü seçilerek, resim ilgili sýnýfa atanýr. 3.3 K-En Yakýn Komþu Algoritmasý K-En Yakýn Komþu yöntemi, En Yakýn Komþu yönteminin benzeridir. Bu yöntemde sýnýflandýrýlacak resme k tane en yakýn resim belirlenir. Bu resimleri en fazla içeren sýnýfa yeni resim atanýr. Þekil 2. (b) de görüldüðü gibi sýnýflandýrýlacak resim X, A sýnýfýna atanacaktýr. Çünkü burada k =3 seçilmiþtir ve resim X e en yakýn 2 resim A da, diðeri ise B sýnýfýnda yer almaktadýr. Bu yöntemin çalýþmamýzdaki uygulamasýnda, öncelikle k deðeri seçilir ve sýnýflandýrýlacak resim ile dört eðitici sýnýfýn içindeki resimler arasýndaki k tane en yakýn uzaklýk deðerleri bulunur. Böylece, her bir sýnýf için, sýnýflandýrýlacak resim ile eðitici sýnýflar arasýndaki uzaklýk, k tane deðerlerin toplanmasýyla hesaplanmýþ olur. Bundan sonra En Yakýn Komþu yöntemindeki iþlem uygulanýr. 3.4 Minimum Uzaklýk Algoritmasý Minimum Uzaklýk yönteminde istatistiksel bir yaklaþým vardýr. Öncelikle, her eðitici sýnýf için bir ortalama deðer hesaplanýr ve sýnýflandýrýlacak resim ile bu ortalama deðerler karþýlaþtýrýlýr. Yeni resmin En yakýn olduðu sýnýf, sýnýflandýrýlacak sýnýf olarak seçilir. Þekil 2 (c) de A, B ve C sýnýflarýnýn ortalama deðerleri görülmektedir. Bu yöntemde öncelikle, Mevcut dört eðitici sýnýfý için ortalama deðerler hesaplanmýþtýr. Çizgili, ekose eðitici sýnýflarý için çizgi ortalama deðerleri, puantiye eðitici sýnýfý için çember ortalama

5 deðeri ve sýnýflandýrýlamayan eðitici sýnýfý için ise çizgi ve çember ortalama deðerleri hesaplanýr. Ýlk olarak, sýnýflandýrýlacak resim ile çizgili, ekose ve sýnýflandýrýlamayan eðitici sýnýflarýnýn çizgi ortalama deðerleri arasýndaki en yakýn uzaklýk bulunur. Resim en yakýn sýnýfýna atanýr. Örnek olarak, yeni resmin en yakýn çember uzaklýðý puantiye sýnýfýnda ise puantiye sýnýfýna atanýr. 4. Sistemin Deðerlendirilmesi Sistemin sýnanmasý için Windows iþletim sistemi altýnda, Delphi 3.0 programlama dili kullanýlarak bir program yazýlmýþ ve bir desen atölyesine ait 3500 resim kullanýlarak denenmiþtir. Sistemi deðerlendirilmesinde en iyi deðelendirme ölçütleri [2] olarak bilinen geri çaðýrma, kesinlik ve F-ölçüsü kullanýlmýþtýr. Geri çaðýrma deðeri, doðru sýnýflandýrýlmýþ resimlerin sayýsýnýn veri tabanýndaki ilgili sýnýfta olmasý gereken resimlerin toplam sayýsýna oranýdýr. Bir baþka ifade ile geri çaðýrma ölçütü, bir sistemin resimleri doðru olarak sýnýflandýrma yeteneðidir. Kesinlik deðeri ise doðru sýnýflandýrýlmýþ resimlerin sayýsýnýn, ilgili sýnýftaki toplam resim sayýsýna oranýdýr. Bir diðer ifade ile, kesinlik ölçütü bir sistemin yanlýþ sýnýflandýrmayý engelleyebilme yeteneðini gösterir. F- ölçüsü ise, kesinlik ve geri çaðýrma deðerlerinin birleþtirilmesiyle elde edilir ve aþaðýdaki (1) gibi tanýmlanýr. F-ölçüsü = (2* Geri Çaðýrma * Kesinlik) / (Geri Çaðýrma + Kesinlik) (1) Çizgili eðitici sýnýfýnda 65, ekose eðitici sýnýfýnda 24, puantiye eðitici sýnýfýnda 15 ve sýnýflandýrýlamayan eðitici sýnýfýnda ise 24 resim manuel olarak seçilmiþtir. Sistemin deðerlendirilmesinde ise 200 tane yeni resim kullanýlmýþ ve bu 200 resimden oluþan veri tabanýnda 20 þer tane çizgili, ekose ve puantiye resim bulunmaktadýr. Bu resim veri tabaný üzerinde deneyler yapýlmýþ ve sonuçlar elde edilmiþtir. Tablo 1 de tekstil resimlerinin sýnýflandýrýlmasýnda geri çaðýrma, kesinlik ve F-ölçüsü deðerlerine göre en iyi ve en kötü sonuçlarý göstermektedir. F-ölçüsü, geri çaðýrma ve kesinlik deðerlerinin birleþtirilmesiyle hesaplanmaktadýr. Bu nedenle sistemin genel olarak deðerlendirilmesinde F-ölçüsününün kullanýlmasý daha uygundur. Buna göre, çizgili resim sýnýfý için en iyi deðer %94.7 dir ve bu deðeri veren yöntem En Yakýn Komþu-Manuel Eþikleme ve K-En Yakýn Komþu-Manuel Eþikleme (K=5,7,11) yöntemleridir. Ekose resim sýnýfý için en iyi deðer %95.0 dýr ve bu deðeri veren En Yakýn Komþu ve En Yakýn Komþu-Manuel Eþikleme yöntemleriyle elde edilmiþtir. Puantiye resim sýnýfý için en iyi deðer % 72.6 dýr ve bu deðeri veren Manuel Eþikleme (Çizgi Eþik>0 ve Çember Eþik>0) yöntemidir. Tablo 1. Sistemin en iyi ve en kötü deðerleri Geri Çaðýrma(%) Kesinlik (%) F-ölçüsü(%) En Ýyi En Kötü En Ýyi En Kötü En Ýyi En Kötü Çizgili Sýnýfý Ekose Sýnýfý Puantiye Sýnýfý

6 5. Sonuç Bu çalýþmada, tekstil resimleri çizgili, ekose ve puantiye resim kategorilerine sýnýflandýracak bir sistem geliþtirilmeye çalýþýlmýþtýr. Bu amaçla, öncelikle resimlerin çizgi ve çember özellikleri çýkartýlmýþ ve ardýndan çakartýlan bu özellik deðerleri kullanýlarak sýnýflama iþlemi yapýlmýþtýr. Sýnýflama yöntemi olarak Manuel Eþikleme, En Yakýn Komþu, K-En Yakýn Komþu ve Minimum Uzaklýk yöntemleri kullanýlmýþtýr. Her bir yöntem teker teker denenmiþ, ardýndan manuel eþikleme yöntemi ile diðer yöntemler arasýnda ikili kombinasyonlarla karma yöntemler denenmiþtir. Sistem tekstil desenleri üzerinde denenmiþ ve sistemin deðerlendirimesi üç temel ölçüt olan geri çaðýrma, kesinlik ve F-ölçütü açýsýndan deðerlendirilmiþtir. Elde edilen sonuçlar kabul edilebilir sýnýrlar içerisindedir. Kaynakça [1]. Akkuþ A. ve Güvenir H.A., K-Nearest Neighbor Classification on Feature Projections. In Proceedings of ICMI 96 Lorenzo Saitta (ED), Morgan Kaufmann, Bari, Italy, s.12-19, [2]. Frakes W.B. ve Baeza-Yates R., Information Retrieval: Data Structures and Algorithms. Prentice Hall,1992. [3]. Duda R.O. ve Hart P.E., Use of the Hough Transformation to detect lines and curves in pictures. Communications of the ACM, 15: 11-15, [4]. Cover T. M. ve Hart P.E., Nearest Neighbor Pattern Classification, IEEE Transactions on Geometric Learning Algorithms, s. 17, Information Theory s , [5]. Clavier E., Clavier S. ve Labiche J., Image Sorting-Image Classification: A Gloabal Approach. Proceedings of the Fifth International Conference on Document Analysis and Recognition, 1998 [6]. Szummer M. ve Picard R., Indoor-Outdoor Image Classification. In Workshop n Contentbased Access to Image and Video Databases, Bombay, India, [7]. Gevers T., Aldershoff F. ve Smeulders A.W.M., Classification of Images on Internet by Visual and Textual Information. In SPIE, San Jose, 2000.

7 This document was created with Win2PDF available at The unregistered version of Win2PDF is for evaluation or non-commercial use only.