Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler
|
|
- Duygu Kut
- 6 yıl önce
- İzleme sayısı:
Transkript
1 Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler Yılmaz KAYA 1, Lokman KAYCİ 2 1 Bilgisayar Mühendisliği Bölümü, Siirt Üniversitesi, Siirt 2 Biyoloji Bölümü, Siirt Üniversitesi, Siirt Özet Kelebeklerde kanat şekilleri, desen ve renkler son derece büyük farklılıklar gösterir. Bu morfolojik özellikler çoğu defa türlerin ayrımında önemli rol oynarlar. Morfolojik özelliklerine göre sınıflandırmanın gerçekleştirilemediği durumlarda teşhis için zor bir işlem olan genital karakterlerin incelenmesi ile gerçekleşir. Bu çalışmada kelebek teşhisi için klasik teşhis yöntemlerine alternatif yerel ikili örüntüler (YİÖ) tabanlı bir bilgisayar görü sistemi önerilmiştir. Çalışmada ayrıca komşular arası ilişkilere dayalı yeni bir yerel ikili örüntü (nlbp d ) operatörü önerilmiştir. Önerilen nlbp d operatörü klasik LBP operatörüne göre kelebek görüntülerin sınıflandırılmasında daha yüksek başarı göstermiştir. Anahtar Kelimeler: kelebek sınıflandırma, yerel ikili örüntüler, bilgisayarla görü, örüntü tanıma Abstract Butterflies are classified according to their outer morphological qualities. These morphological characteristics play an important role in distinction of species most times. It is required to analyze their genital characters when classification according to their outer morphological qualities is not possible. In this study, a computer vision system based on local binary patterns was proposed to alternative conventional diagnostic methods for the identification of butterfly species. Also, a new local binary pattern operator (nlbp d ), which is based on neighbor relations, was proposed for butterfly identification. The proposed nlbp d operator showed higher success in classification of butterfly images according to the classic LBP operator.
2 Key Words: butterfly identification, local binary pattern, computer vision, pattern recognition 1. Giriş Kelebek ve güveler takımı, sahip olduğu den fazla türüyle böcekler arasındaki en zengin takımlardan biridir. Türkiye, 5300 den çok Lepidopter türü ile bölgenin zengin ülkeleri arasında sayılır [1,2]. Kelebeklerde kanat şekilleri, desen ve renkler son derece büyük farklılıklar gösterir. Öyle ki, bu özellikler ilk bakışta çoğu defa türlerin ayrımında önemli rol oynarlar. Türler içinde sınırlı kaldığı sürece bu tip özellikler taksonomik karakterler olarak kullanılırken, bazen birbirine dıştan çok benzeyen türlerin ayrımında, bilhassa erkek bireyin dış genital organlarının yapısal özelliklerinin incelenmesine ihtiyaç duyulur [1,3]. Bu çalışmanın amacı desen öznitelikler kullanarak kelebekleri otomatik sınıflandıran bir bilgisayar görü sistemi tasarlamaktır. Desen, bir görüntüde piksel ton uzaysal değişimini belirten ve farklı alanlarda sayısal görüntülerin sınıflandırılmasında kullanılabilen yapılardır [4]. Desen bir görüntü yüzeyindeki düzensizlik veya benzerlik olarak ta ifade edilmektedir. Kelebek görüntülerini sınıflandırmak için yerel ikili örüntüler (local binary Pattern, LBP) kullanıldı. LBP, hareket algılama, görsel denetim ve dış mekan görüntü analizlerinde yaygın bir şekilde kullanılmaktadır [5,6,7]. LBP nin en önemli özelliği görüntülerdeki en küçük değişimlerine hassasiyet ve hesaplama kolaylığıdır. Bu çalışmada, yeni bir yerel ikili örüntü metodu önerilmiştir. Bu metot, bir pikselin etrafındaki komşular arasındaki ilişkilerden elde edilen bilgilere dayanmaktadır. Görüntüdeki farklı örüntüleri elde etmek için bir pikselin etrafındaki komşular arasındaki ilişkilere dayalı bilgiler kullanılmıştır. Elde edilen LBP örüntüler öznitelik olarak kullanılıp YSA ile sınıflandırma işlemi gerçekleştirildi. Bu çalışma ile beraber teşhis için kullanılan dış morfolojik özelliklere bu canlılardaki doku özelliklerinin de belirleyici olduğu gösterilmeye çalışılmıştır. Elde edilen başarı sonuçlarına göre kelebek kanatları yüzeyinden elde edilen LBP özniteliklerin kelebek türünün açıklanmasında önemli bir avantaj sağladığı görülmüştür 2. Materyal ve Metot 2.1. Veri Kümesi
3 Çalışma ile ilgili inceleme materyali Van, Erek Dağı nda toplanmıştır. Bu çalışmada Satyridae kelebek ailelerinin Şekil 1 de gösterilen 14 türü kullanılmıştır. Her tür için 10 ar görüntü kullanıldı. Şekil 1: Örnek kelebek görüntüleri 2.2. Geleneksel Yerel İkili Örüntüler LBP operatörü, 3x3 komşuluğunda merkez pikseli f C etrafındaki pikseller f P = (P = 0,1,,7) ile karşılaştırarak her piksel için ikili bir değer S(f P f C ) oluşturmaktadır. LBP operatörü ile bir pikselin etiketlenmesine ilişkin bir örnek Şekil 2 de verilmiştir. LBP değerleri görüntüdeki her pikselin komşuları arasındaki farkın basamak fonksiyonu ile ikilileştirilmesi ile elde edilir (Eşitlik 1) [5 6,8]. LBP P,R x c = P p=0 μ(x p x c )2 p, μ y = (1) 1, y 0 ise 0, y < 0 ise LBP P,R notasyonunda, R komşu piksellerin merkez piksele olan uzaklığını belirtirken, P ise işleme dahil edilen komşu piksel sayısını ifade eder.
4 Alt resim Komşu piksellerin merkez piksel ile karşılaştırılması 8 bitlik ikili gösterim 10'lu taban değeri 1 th bit 2 nd bit 3 th bit th bit th bit ( ) th bit 6 th bit 5 th bit Şekil 2. Bir piksel için LBP değerin elde edilmesi Yapılan çalışmalarda görüntülerdeki doku yüzeylerinin büyük bir kısmının tekdüze örüntülerden oluştuğu görülmektedir [5,7]. Tekdüze örüntüler, ikili LBP kodunda 0-1 yada 1-0 geçiş sayısı 2 ya da daha az olanlardır. Örneğin ve örüntüleri 0 geçişe, ve örüntüleri 2 geçişe sahip olduklarından tekdüze örüntülerdir. Tekdüze örüntüler, spot, kenar, köşe gibi basit dokuları da açıklayabilmekteler. Toplamda (P-1)P+2 tekdüze örüntü bulunmaktadır [8]. LBP nin ilk parametresi komşu sayısını belirten P dir. LBP görüntünün oluşturulmasında P nin büyük değerleri hem öznitelik histogramını büyütmekte hem de işlem maliyetini artırmaktadır. P nin küçük değerleri ise önemli bilgi kaybına neden olabilmektedir. LBP nin ikinci parametresi ise ölçek (R) parametresidir. R komşu piksellerin merkez piksele olan uzaklığını belirtir. Farklı R değerlerin kullanılması ile farklı ölçekteki dokuların analizini gerçekleştirmek mümkün olmaktadır. Bu notasyon çeşitli dairesel komşulukların kullanılabileceğini de göstermektedir. Farklı P ve R değerlerin kullanılması ile farklı ölçekteki dokuların analizini gerçekleştirmek mümkün olmaktadır. Şekilde 3 te farklı LBP operatörlerine örnek verilmiştir. (P,R)=(8,1) (P,R)=(12,2.5) (P,R)=(16,4) Şekil 3. Farklı P ve R parametrelerine göre LBP operatörleri 2.3. Komşu Tabanlı Yerel İkili Örüntüler (nlbp d ) Bu operatör bir pikselin etrafında seçilen 8 komşu P={P0, P1, P2, P3, P4, P5, P6, P7} arasındaki ilişkilere bağlıdır. Bir pikselin etrafındaki seçilen komşuların Şekil 4 deki gibi
5 birbirleri karşılaştırmalar sonucunda elde edilen ikili bilgiler kullanılmaktadır. Diğer aşamalar klasik LBP metodunda anlatılan işlemler gibidir. Bu operatörde ayrıca bir d uzaklık parametresine ile komşular arasında bir mesafe belirterek farklı örüntülerin aranması sağlanmıştır. Bu yöntemin aşamaları şekil 4 te gösterilmiştir. Şekil 4: Komşu Tabanlı Yerel İkili Örüntüler metodu için komşular arasındaki ilişki Şekil 4 te nlbp d yönteminde farklı uzaklıklar için ikili örüntülerin elde edilmesi anlatılmıştır. Karşılaştırmalar ve elde edilen ikili dizgenin onlu tabana çevrilmesi işlemleri eşitlik 2 ve 3 te gösterilmiştir. Pc={S(P0>P1),S(P1>P2),S(P2>P3),S(P3>P4),S(P4>P5),S(P5>P6),S(P6>P7),S(P7>P0)} (2) Burada S karşılaştırmaları belirtmekte ve aşağıdaki gibi hesaplanmaktadır. S(P i > P j ) = 1 eğer P i > P j, 0 eğer P i P j (3) Bu yönteme ait d nin farklı değerlerleri için iki örnek aşağıda gösterilmiştir. d=1=>pc={s(88>90), S(90>94), S(94>77), S(77>94), S(94>95), S(95>91), S(91>75), S(75>88)} ve Pc={0, 0, 1, 0, 0, 1, 1, 0} buna göre Pc = 38 olur. d=2=>pc={s(88>94), S(90>77), S(94>94), S(77>95), S(94>91), S(95>75), S(91>88), S(75>90)} ve Pc={0, 1, 0, 0, 1, 1, 1, 0} buna göre Pc = 78 olur. Örneklerden görüldüğü gibi aynı pikseller için d parametresinin farklı değerleri ile farklı örüntüler elde edilmiştir. 3. Deneysel Sonuçlar
6 Kelebek veri kümesini kullanarak hem klasik LBP hem de önerilen nlbp d metotları test edilmiştir. nlbp d ile farklı uzaklıklar (d=1, d=2, d=3, d=4) için özellikler elde edilmiştir. Bu iki metot ile elde edilen tüm ve tekdüze özellikler kullanılarak yapay sinir ağları (YSA) ile 10 katlı çapraz geçerlilik testine göre sınıflandırma işlemi gerçekleştirilmiştir. Elde edilen başarı oranları Tablo 1 de verilmiştir. Tablo 1: nlbp d ile farklı uzaklıklar için elde edilen başarı oranları d=1 d=2 d=3 d= Tablo 1 den görüldüğü gibi farklı uzaklık(d) değerleri ile farklı başarı oranları elde edilmiştir. En uygun uzaklık değerine denemeler sonucunda karar verilmelidir. En yüksek başarı oranı %93.57 olarak d=1 olması durumunda elde edilmiştir. Uzaklık parametresinin farklı değerleri için elde edilen özellik histogramları Şekil 5 te verilmiştir. Şekil 5: Kelebek veri kümesinden bir görüntü. (1): Orijinal görüntü, (2): nlbp d=1, nlbp d=2, nlbp d=3 ve nlbp d=4 görüntüleri, (3) nlbp d için farklı d değerlerine ait histogramlar. Şekillerden görüldüğü gibi oluşturulan histogramlar aynı değildir. d parametresinin değeri artıkça elde edilen bir kısım özniteliklerin değerlerinin arttığı görülmüştür. Aynıca d nin artması ile başarı oranın düştüğü görülmektedir. d nin optimum değerine denemeler u2 sonucunda karar verilmelidir. Tekdüze öznitelikler ile nlbp d elde edilen başarı oranları Tablo 2 de verilmiştir. Tablo 2: Tekdüze özellikler nlbp u2 d ile elde edilen başarı oranları
7 d=1 d=2 d=3 d= Tekdüze özellikler ile en yüksek başarı oranı %95.71 olarak d=1 olması durumunda elde edilmiştir. Tekdüze özellikler kullanılarak elde edilen başarı oranı tüm özelliklerin kullanılması ile elde edilen başarı oranından daha yüksek çıkmıştır nlbp d ve klasik LBP operatörlerin karşılaştırılması İki yöntemin karşılaştırılması sonucu elde edilen sınıflandırma başarı oranları Tablo3 te verilmiştir. Tablo 3: LBP ve nlbp d yöntemlerine ait başarı oranları LBP LBP u2 nlbp d u2 nlbp d Tablo3 ten görüldüğü gibi önerilen nlbp d yönteminin klasik LBP yönteminden daha başarılı u2 olduğu görülmüştür. nlbp d tekdüze özellikler ile diğer tüm özellikler göre daha başarılı sonuçlar elde edilmiştir. En yüksek başarı oranı nlbp u2 d tekdüze özellikler ile %95.71 olarak elde edilmiştir. Elde edilen sonuçlara göre kelebek görüntülerin sınıflandırılmasında nlbp d yönteminin klasik LBP yönteminden daha başarı sonuçlar ürettiği görülmüştür. Önerilen yöntemin farklı dokusal görüntülerin işlenmesinde kullanılabilir olacağı düşünülmektedir. 4. Sonuç Kelebek türlerin ayrımında farklı teknikler kullanılırken, bilgisayar görü tekniklerin yeterince kullanılmadığı görülmüştür. Bu çalışmada, kelebek teşhisi için yerel ikili örüntüler (local binary Pattern, LBP) yöntemi kullanıldı. Klasik LBP metodu yanında önerdiğimiz nlbp d yöntemi de kelebek teşhisi için kullanılmıştır. Önerdiğimiz yeni yöntemin klasik LBP ye göre daha başarılı olduğu görülmüştür. Çalışmada Styridae ailesinin 14 kelebek türüne ait 140 görüntü kullanıldı. Görüntülerden elde edilen LBP öznitelikler YSA ile sınıflandırıldı. Çalışmamız, kelebeklerin kanatlarının farklı mikro ve makro özelliklerine sahip olduğu ve kelebek türleri nlbp d öznitelikleri ile teşhis edilebilir olduğunu göstermiştir. Teşekkür Bu çalışma, Siirt Üniversitesi Bilimsel araştırma Projeleri Başkanlığı (SİÜBAPB) tarafından desteklenmiştir. Proje no: 2013-SİÜMÜH-M1.
8 References [1]. Kaya, Y.,Kayci, L.,Tekin, R, A Computer Vision System for the Automatic Identification of Butterfly Species via Gabor-Filter-Based Texture Features and Extreme Learning Machine: GF+ ELM, Tem Journal, Vol. 2(1), pp , [2]. Kayci, L., & Kaya, Y, A vision system for automatic identification of butterfly species using a grey-level co-occurrence matrix and multinomial logistic regression, Zoology in the Middle East, Vol. 60(1), pp , [3]. Kaya, Y., & Kayci, L, Application of artificial neural network for automatic detection of butterfly species using color and texture features, The Visual Computer, Vol. 30(1), pp , [4]. Haralick, R. M., Shanmugam, K., & Dinstein, I. H, Textural features for image classification. Systems, Man and Cybernetics, IEEE Transactions on, Vol. (6), pp , [5]. T. Ojala, M. Pietikäinen, T. Mäenpää, Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns, IEEE Trans. on Pattern Anal. Mac. Intel., vol. 24, pp ,2002. [6]. B. Kurt, V.V. Nabiyev, Down syndrome recognition using local binary patterns and statistical evaluation of the system, Expert Systems with Applications, vol. 38, pp , [7]. N. Loris, B. Sheryl, L. Alessandra, A local approach based on a Local Binary Patterns variant texture descriptor for classifying pain states, Expert Systems with Applications, vol.37, pp , [8]. Kaya, Y., Kayci, L., Tekin, R., & Faruk Ertuğrul, Ö, Evaluation of texture features for automatic detecting butterfly species using extreme learning machine, Journal of Experimental & Theoretical Artificial Intelligence, Vol. 26(2), pp , 2014.
Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım
Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Yılmaz KAYA 1, Ömer Faruk ERTUĞRUL 2, Ramazan TEKİN 3 1 Siirt Üniversitesi, Bilgisayar Mühendisliği Bölümü 2 Batman Üniversitesi, Elektrik-Elektronik
DetaylıPROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI
PROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI Proje Yüklenicisi: Yeditepe Üniversitesi Mühendislik ve Mimarlık Fakültesi
DetaylıLOCAL BINARY PATTERN YÖNTEMİ İLE YÜZ İFADELERİNİN TANINMASI
LOCAL BINARY PATTERN YÖNTEMİ İLE YÜZ İFADELERİNİN TANINMASI ŞEKİL TANIMA,2014 YRD. DOÇ. DR. M. ELİF K ARSLIGİL -------------------------------------------------- HAZIRLAYAN: M. AYYÜCE K I ZRAK 13505007
DetaylıÖZGEÇMİŞ 1.GENEL. Yrd.Doç.Dr. YILMAZ KAYA Siirt Üniversitesi, Bilgisayar Müh. Bölümü 2.EĞİTİM 3. AKADEMİK VE MESLEKİ DENEYİM 4.ALDIĞI SERTİFİKALAR
ÖZGEÇMİŞ 1.GENEL DÜZENLEME TARİHİ 20.02.2017 ÜNVANI ADI SOYADI YAZIŞMA ADRESİ TELEFON E-POSTA Yrd.Doç.Dr. YILMAZ KAYA Siirt Üniversitesi, Bilgisayar Müh. Bölümü İŞ: (0484) 212-1111 / 3010 yilmazkaya@siirt.edu.tr
DetaylıYüz Örüntülerinden Cinsiyet Tespitinde Hibrit Özniteliklerle Performans Geliştirme
Yüz Örüntülerinden Cinsiyet Tespitinde Hibrit Özniteliklerle Performans Geliştirme Uğur TURHAL 1 Ahmet AKBAŞ 2 1 Uğur TURHAL, 1 Yalova Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü
Detaylı2000 Bachelor Selçuk Üni. Engineering. Faculty. Computer Eng Master 100. Yıl University, Biometry and Genetic
CV 1.GENERAL INFORMATION DATE OF ISSUED 20.02.2017 TİTLE NAME SURNAME MAİL ADDRESS Yrd.Doç.Dr. YILMAZ KAYA Siirt Üniversitesi, Bilgisayar Müh. Bölümü PHONE Official: (0484) 212-1111 / 3010 E-MAİL yilmazkaya@siirt.edu.tr
DetaylıBulunması. Corresponding author: vasif@ktu.edu.tr. ikili örüntü (local binary pattern-lbp) histogramlarından faydalanılmaktadır.
Çankaya University Journal of Science and Engineering Volume 8 (2011), No. 1, 27 41 LBP Yardımıyla Görüntüdeki Kişinin Yaşının Bulunması Vasif V. Nabiyev 1, ve Asuman Günay 1 1 Karadeniz Teknik Üniversitesi,
DetaylıUzaktan Algılama Uygulamaları
Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ
DetaylıT.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU
T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P
Detaylı91-03-01-517 YAPAY ZEKA (Artificial Intelligence)
91-03-01-517 YAPAY ZEKA (Artificial Intelligence) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 27.09.2009 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka)
DetaylıBir Boyutlu Yerel İkili Örüntüler ve Ayrık Dalgacık Dönüşümü Tabanlı Yeni Bir Güç Kalitesi Olay Sınıflandırma Yöntemi
KSU Mühendislik Bilimleri Dergisi, 9(3), 26 7 KSU. Journal of Engineering Sciences, 9(3), 26 Bir Boyutlu Yerel İkili Örüntüler ve Ayrık Dalgacık Dönüşümü Tabanlı Yeni Bir Güç Kalitesi Olay Sınıflandırma
DetaylıYüz Tanımaya Dayalı Uygulamalar. (Özet)
4 Yüz Tanımaya Dayalı Uygulamalar (Özet) Günümüzde, teknolojinin gelişmesi ile yüz tanımaya dayalı bir çok yöntem artık uygulama alanı bulabilmekte ve gittikçe de önem kazanmaktadır. Bir çok farklı uygulama
DetaylıBİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU
BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU KİŞİSEL BİLGİLER Adı Soyadı Tolga YÜKSEL Ünvanı Birimi Doğum Tarihi Yrd. Doç. Dr. Mühendislik Fakültesi/ Elektrik Elektronik Mühendisliği 23.10.1980
DetaylıSözlük Kullanarak Türkçe El yazısı Tanıma
Sözlük Kullanarak Türkçe El yazısı Tanıma Murat Şekerci 1 Rembiye Kandemir 2 1,2 Bilgisayar Mühendisliği Bölümü Mühendislik-Mimarlık Fakültesi Trakya Üniversitesi, 2250, Edirne 1 e-posta: muratsekerci@hotmail.com
DetaylıDEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 7 Sayı: 3 s. 31-36 Ekim 2005
DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 7 Sayı: 3 s. 31-36 Ekim 2005 PROSTAT HÜCRE ÇEKİRDEKLERİNİN SINIFLANDIRILMASINDA İSTATİSTİKSEL YÖNTEMLERİN VE YAPAY SİNİR AĞLARININ BAŞARIMI (PERFORMANCE
DetaylıYEREL İKİLİ ÖRNEKLERLE YÜZ GÜZELLİĞİ KARARI. Vasif Nabiyev 1, Fermudiye Koçak 2
YEREL İKİLİ ÖRNEKLERLE YÜZ GÜZELLİĞİ KARARI Vasif Nabiyev 1, Fermudiye Koçak 1 Bilgisayar Mühendisliği Bölümü Karadeniz eknik Üniversitesi vasif@ktu.edu.tr Bilgisayar Mühendisliği Bölümü Karadeniz eknik
DetaylıGörüntü İşlemeye Giriş Introduction to Image Processing. Doç. Dr. Aybars UĞUR
Görüntü İşlemeye Giriş Introduction to Image Processing Doç. Dr. Aybars UĞUR 2013 1 İçerik Görüntü ve Piksel Görüntü Türleri Görüntü İşleme Görüntü İşlemenin Amaçları Görüntü İyileştirme Görüntü Analizi
DetaylıİRİSTEN KİMLİK TANIMA SİSTEMİ
ÖZEL EGE LİSESİ İRİSTEN KİMLİK TANIMA SİSTEMİ HAZIRLAYAN ÖĞRENCİLER: Ceren KÖKTÜRK Ece AYTAN DANIŞMAN ÖĞRETMEN: A.Ruhşah ERDUYGUN 2006 İZMİR AMAÇ Bu çalışma ile, güvenlik amacıyla kullanılabilecek bir
DetaylıGeliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma
Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma Mustafa TEKE, Dr. Ufuk SAKARYA TÜBİTAK UZAY IEEE 21. Sinyal İşleme, İletişim ve Uygulamaları Kurultayı (SİU 2013),
Detaylı91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing)
91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing) Dersi Veren Öğretim Üyesi Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 1 Amaçlar Öğrencileri Matlab gibi teknik
DetaylıELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ
ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ Doktora Yeterlik Sınavı, başvurunun yapıldığı ve Doktora Yeterlik Komitesi nin başvuruyu onayladığı dönemdeki, dönem sonu sınavlarının
DetaylıKelebek Görüntülerin Sınıflandırılması için Bir İçerik Bazlı Görüntü Erişim Sistemi
Akademik Bilişim 14 - XVI. Akademik Bilişim Konferansı Bildirileri 5-7 Şubat 014 Mersin Üniversitesi Kelebek Görüntülerin Sınıflandırılması için Bir İçerik Bazlı Görüntü Erişim Sistemi Yılmaz Kaa 1, Lokman
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Final
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Final Harris ve Moravec Köşe Belirleme Metotları Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim
DetaylıYüz İfadelerinin Tanınması
Yüz İfadelerinin Tanınması Burçin Kurt Vasıf V. Nabiyev Yasemin Bekiroğlu Bilgisayar Mühendisliği Bölümü Karadeniz Teknik Üniversitesi 61080 Trabzon burcinnkurt@gmail.com, vasif@ktu.edu.tr, yaseminbekiroğlu@gmail.com
DetaylıHızlı Düzey Küme Yöntemine Bağlı Retinal Damar Bölütlemesi. Bekir DİZDAROĞLU. KTÜ Bilgisayar Mühendisliği Bölümü
Bekir DİZDAROĞLU KTÜ Bilgisayar Mühendisliği Bölümü bekir@ktu.edu.tr 1/29 Tıbbi imge bölütleme klasik yaklaşımları a) Piksek tabanlı b) Kenar tabanlı c) Bölge tabanlı d) Watershed (sınır) tabanlı e) Kenar
DetaylıSAYISAL GÖRÜNTÜİŞLEME (Digital Image Processing)
91-03-01-529 SAYISAL GÖRÜNTÜİŞLEME (Digital Image Processing) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 29.09.2009 Y. Doç. Dr. Aybars UĞUR (529
DetaylıŞifrebilimde Yapay Sinir Ağları
Ege Üniversitesi Bilgisayar Mühendisliği Bölümü Şifrebilimde Yapay Sinir Ağları BİM345 Yapay Sinir Ağları İlker Kalaycı Mayıs,2008 Gündem Şifrebilim Şifrebilim nedir Şifreleme Şifre Çözme Klasik Şifreleme
DetaylıÇekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme
Çekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme Adjusting Transient Attributes of Outdoor Images using Generative Adversarial Networks Levent Karacan, Aykut Erdem,
DetaylıÖZET OTOMATİK KÖKLENDİRME SİSTEMİNDE ORTAM NEMİNİN SENSÖRLERLE HASSAS KONTROLÜ. Murat ÇAĞLAR
vii ÖZET OTOMATİK KÖKLENDİRME SİSTEMİNDE ORTAM NEMİNİN SENSÖRLERLE HASSAS KONTROLÜ Murat ÇAĞLAR Yüksek Lisans Tezi, Tarım Makinaları Anabilim Dalı Tez Danışmanı: Doç. Dr. Saadettin YILDIRIM 2014, 65 sayfa
DetaylıDOKU TİPİ İMGELERİN SINIFLANDIRILMASI İÇİN BİR UYARLAMALI ENTROPİ TABANLI DALGACIK-YAPAY SİNİR AĞI SİSTEMİ
Gazi Üniv. Müh. Mim. Fak. Der. J. Fac. Eng. Arch. Gazi Univ. Cilt 22, No 1, 27-32, 2007 Vol 22, No 1, 27-32, 2007 DOKU TİPİ İMGELERİN SINIFLANDIRILMASI İÇİN BİR UYARLAMALI ENTROPİ TABANLI DALGACIK-YAPAY
DetaylıDigital Görüntü Temelleri Görüntü Oluşumu
Digital Görüntü Temelleri Görüntü Oluşumu Işık 3B yüzeye ulaşır. Yüzey yansıtır. Sensör elemanı ışık enerjisini alır. Yoğunluk (Intensity) önemlidir. Açılar önemlidir. Materyal (yüzey) önemlidir. 25 Ekim
Detaylıİleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik
Tekrar Konular İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik 1. Uygulamalar ve tanımlamalar 2. Örüntü tanıma sistemleri ve bir örnek 3. Bayes karar teorisi 4. En yakın komşu sınıflandırıcıları
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Örüntü Tanıma Dersin Orjinal Adı: Pattern Recognition Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisansüstü Dersin Kodu: CSE
DetaylıDr.Öğr.Üyesi UĞUR ŞEVİK
Dr.Öğr.Üyesi UĞUR ŞEVİK ÖZGEÇMİŞ DOSYASI KİŞİSEL BİLGİLER Doğum Yılı : Doğum Yeri : Sabit Telefon : Faks : E-Posta Adresi : Web Adresi : Posta Adresi : 1981 MERSİN - MERSİN(MRK) T: 4623773708 F: usevik@ktu.edu.tr
DetaylıElena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007
AVUÇ İZİ VE PARMAK İZİNE DAYALI BİR BİYOMETRİK TANIMA SİSTEMİ Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK İstanbul Bilgi Üniversitesi Bilgisayar Bilimleri 2 Şubat 2007 Biyometrik Biyometrik, kişileri
DetaylıRapor Hazırlama Kuralları
Temel Bilgiler 1. Temel Bilgiler Rapor Hazırlama Kuralları Rapor hazırlamada, bu belge ile birlikte bulunan rapor örneği sitili kullanılabilir. Bu kalıp stil seçildiğinde, sayfa düzeni, paragraf yapıları
DetaylıAMAÇ Araçlardaki Kamera Sistemleri
SUNU PLANI AMAÇ OPEN CV GÖRÜNTÜ EŞİKLEME KENAR BULMA ŞEKİL BULMA GÖRÜNTÜ GENİŞLETME VE BOZMA GÖRÜNTÜ DOLDURMA AFFİNE DÖNÜŞÜMÜ PERSPEKTİF DÖNÜŞÜM KUŞ BAKIŞI GÖRÜNTÜ DÖNÜŞÜMÜ AMAÇ Araçlardaki Kamera Sistemleri
DetaylıSahne Geçişlerinin Geometrik Tabanlı olarak Saptanması
Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması 1 Giriş Binnur Kurt, H. Tahsin Demiral, Muhittin Gökmen İstanbul Teknik Üniversitesi, Bilgisayar Mühendisliği Bölümü, Maslak, 80626 İstanbul {kurt,demiral,gokmen}@cs.itu.edu.tr
DetaylıDoküman dili tanıma için yeni bir öznitelik çıkarım yaklaşımı: İkili desenler
Journal of the Faculty of Engineering and Architecture of Gazi University 31:4 (216) 185-194 Doküman dili tanıma için yeni bir öznitelik çıkarım yaklaşımı: İkili desenler Yılmaz Kaya 1*, Ömer Faruk Ertuğrul
DetaylıTürkçe Dokümanlar Ġçin Yazar Tanıma
Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:
DetaylıFARKLI YÖNTEMLERLE SINIFLANDIRILMIŞ UYDU GÖRÜNTÜLERİNİN BENZERLİK KARŞILAŞTIRMASI. Tolga BAKIRMAN 1
FARKLI YÖNTEMLERLE SINIFLANDIRILMIŞ UYDU GÖRÜNTÜLERİNİN BENZERLİK KARŞILAŞTIRMASI Tolga BAKIRMAN 1 1 Arş. Gör., Yıldız Teknik Üniversitesi, Harita Mühendisliği Bölümü, 34220, Davutpaşa, İstanbul, bakirman@yildiz.edu.tr
DetaylıYönbağımsız ve Yönbağımlı Gauss Süzgeçleme Isotropic and Anisotropic Gaussian Filtering
Yönbağımsız Yönbağımlı Gauss Süzgeçleme Isotropic and Anisotropic Gaussian Filtering Deniz Yıldırım 1, Bekir Dizdaroğlu 2 1 Harita Mühendisliği Bölümü, 2 Bilgisayar Mühendisliği Bölümü Karadeniz Teknik
DetaylıMÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 ( yılı öncesinde birinci
MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 (2016-17 yılı öncesinde birinci sınıfa başlayan öğrenciler için) BİRİNCİ YIL 1. Dönem CMPE113
DetaylıKablosuz Sensör Ağlar ve Eniyileme. Tahir Emre KALAYCI. 21 Mart 2008
Kablosuz Sensör Ağlar ve Eniyileme Tahir Emre KALAYCI 21 Mart 2008 Gündem Genel Bilgi Alınan Dersler Üretilen Yayınlar Yapılması Planlanan Doktora Çalışması Kablosuz Sensör Ağlar Yapay Zeka Teknikleri
DetaylıKaraciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması
Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş
DetaylıSOBEL İŞLECİ KULLANILARAK RENKLİ GÖRÜNTÜLERDE KENAR BULMA. Elif AYBAR. Anadolu Üniversitesi, Porsuk Meslek Yüksekokulu, 26430, Eskişehir/Türkiye
Afyon Kocatepe Üniversitesi 8(1) Afyon Kocatepe University FEN BİLİMLERİ DERGİSİ JOURNAL OF SCIENCE SOBEL İŞLECİ KULLANILARAK RENKLİ GÖRÜNTÜLERDE KENAR BULMA ÖZET Elif AYBAR Anadolu Üniversitesi, Porsuk
DetaylıMİKRODALGA YÖNTEMİYLE NİKEL FERRİT NANOPARTİKÜLLERİN SENTEZİ VE KARAKTERİZASYONU
MİKRODALGA YÖNTEMİYLE NİKEL FERRİT NANOPARTİKÜLLERİN SENTEZİ VE KARAKTERİZASYONU Zeynep KARCIOĞLU KARAKAŞ a,*, Recep BONCUKÇUOĞLU a, Mehmet ERTUĞRUL b a Atatürk Üniversitesi, Mühendislik Fakültesi, Çevre
DetaylıDijital (Sayısal) Fotogrametri
Dijital (Sayısal) Fotogrametri Dijital fotogrametri, cisimlere ait iki boyutlu görüntü ortamından üç boyutlu bilgi sağlayan, sayısal resim veya görüntü ile çalışan fotogrametri bilimidir. Girdi olarak
Detaylı2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir.
ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği
DetaylıSevim Yasemin ÇİÇEKLİ 1, Coşkun ÖZKAN 2
1078 [1025] LANDSAT 8'İN ADANA SEYHAN BARAJ GÖLÜ KIYI ÇİZGİSİNİN AYLIK DEĞİŞİMİNİN BELİRLENMESİNDE KULLANILMASI Sevim Yasemin ÇİÇEKLİ 1, Coşkun ÖZKAN 2 1 Arş. Gör., Erciyes Üniversitesi, Harita Mühendisliği
DetaylıA. SCI ve SCIE Kapsamındaki Yayınlar
A. SCI ve SCIE Kapsamındaki Yayınlar A.1. Erilli N.A., Yolcu U., Egrioglu E., Aladag C.H., Öner Y., 2011 Determining the most proper number of cluster in fuzzy clustering by using artificial neural networks.
DetaylıÜÇ BOYUTLU M-BANTLI DALGACIK DÖNÜŞÜMÜ İLE TRAFİK TIKANIKLIĞININ BELİRLENMESİ
ÜÇ BOYUTLU M-BANTLI DALGACIK DÖNÜŞÜMÜ İLE TRAFİK TIKANIKLIĞININ BELİRLENMESİ 1. Giriş Tolga Kurt, Emin Anarım Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği 80815,Bebek, İstanbul-Türkiye e-posta:
Detaylıgörüntü işleme, pattern tanıma yapay zeka
KARAKTER TANIMA Çeşitli kaynaklardan bilgisayar ortamına aktarılmış karakterleri tanıma işi görüntü işleme, pattern tanıma ve yapay zeka alanlarında oldukça ilgi çekmiştir. Ancak bu alanda uygulanan klasik
DetaylıYinelemeli ve Uyarlanır Ayrıt Saptayıcı Süzgeçleri
Yinelemeli ve Uyarlanır Ayrıt Saptayıcı Süzgeçleri innur Kurt, Muhittin Gökmen İstanbul Teknik Üniversitesi ilgisayar Mühendisliği ölümü Maslak 8066, İstanbul {kurt,gokmen}@cs.itu.edu.tr Özetçe Görüntü
DetaylıDigital Görüntü Temelleri Görüntü Oluşumu
Digital Görüntü Temelleri Görüntü Oluşumu Işık 3B yüzeye ulaşır. Yüzey yansıtır. Sensör elemanı ışık enerjisini alır. Yoğunluk (Intensity) önemlidir. Açılar önemlidir. Materyal (yüzey) önemlidir. 06 Kasım
DetaylıRapor Hazırlama Kuralları
Temel Bilgiler 1. Temel Bilgiler Rapor Hazırlama Kuralları Bilgisayar programcılıüı öğrencilerinin hazırlayacakları tüm proje ve bitirme projesiraporlarını bu belgede açıklandığı biçimde hazırlamaları
Detaylı"ImageJ" Yazılım Programı ile Morfolojik Görüntülerin Belirlenmesi
"ImageJ" Yazılım Programı ile Morfolojik Görüntülerin Belirlenmesi Mehmet Bayırlı 1 1 Balıkesir Üniversitesi, Fen Edebiyat Fakültesi, Fizik Bölümü, Balıkesir mbayirli@balikesir.edu.tr Özet: Doğal ve yapay
DetaylıAraştırma Görevlisi İSMAİL ÇÖLKESEN
Araştırma Görevlisi İSMAİL ÇÖLKESEN ÖZGEÇMİŞ Adı Soyadı : İSMAİL ÇÖLKESEN Doğum Tarihi : 1981 Ünvanı : Dr. Öğrenim Durumu : Derece Alan Üniversite Lisans Yüksek Lisans Doktora Jeodezi ve Fotogrametri Müh.
DetaylıMuhammet Baykara Accepted: February 2011. ISSN : 1308-7231 mbaykara@firat.edu.tr 2010 www.newwsa.com Elazig-Turkey
ISSN:1306-3111 e-journal of New World Sciences Academy 2011, Volume: 6, Number: 2, Article Number: 1A0182 ENGINEERING SCIENCES Received: November 2010 Muhammet Baykara Accepted: February 2011 Burhan Ergen
DetaylıÖRNEK TABANLI K-STAR ALGORİTMASI İLE UZAKTAN ALGILANMIŞ GÖRÜNTÜLERİN SINIFLANDIRILMASI
ÖRNEK TABANLI K-STAR ALGORİTMASI İLE UZAKTAN ALGILANMIŞ GÖRÜNTÜLERİN SINIFLANDIRILMASI İ. Çölkesen *, T. Kavzoğlu GYTE, Mühendislik Fakültesi, Jeodezi ve Fotogrametri Müh. Bölümü, 41400 Gebze-Kocaeli (icolkesen@gyte.edu.tr,
DetaylıK-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi
K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal TAŞCI* Aytuğ ONAN** *Ege Üniversitesi Bilgisayar Mühendisliği Bölümü **Celal Bayar Üniversitesi
DetaylıKAHKAHA TANIMA İÇİN RASSAL ORMANLAR
KAHKAHA TANIMA İÇİN RASSAL ORMANLAR Heysem Kaya, A. Mehdi Erçetin, A. Ali Salah, S. Fikret Gürgen Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi / Istanbul Akademik Bilişim'14, Mersin, 05.02.2014
DetaylıLocal Binary Pattern Yöntemi ile Yüz İfadelerinin Tanınması
Local Binary Pattern Yöntemi ile Yüz İfadelerinin Tanınması M. Ayyüce Kızrak_13505007 Şekil Tanıma Proje Raporu, 2014 1. GİRİŞ İnsan varlığından bu yana duygu aktarımı ve iletişim için yüz ifadeleri en
DetaylıFIRAT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ/YAZILIM MÜHENDİSLİĞİ (DR)
FATİH ERTAM DOKTOR ÖĞRETİM ÜYESİ E-Posta Adresi fatih.ertam@firat.edu.tr Telefon (İş) Telefon (Cep) Faks Adres 4242370000-7640 5356514539 Fırat Üniversitesi Teknoloji Fakültesi B Blok Adli Bilişim Mühendisliği
DetaylıTMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon
TMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon Lazer Tarama Verilerinden Bina Detaylarının Çıkarılması ve CBS İle Entegrasyonu
DetaylıGÖRÜNTÜLERİN RENK UZAYI YARDIMIYLA AYRIŞTIRILMASI SEGMENTATION OF IMAGES WITH COLOR SPACE
İleri Teknoloji Bilimleri Dergisi Cilt 3, Sayı 1, 1-8, 2014 Journal of Advanced Technology Sciences Vol 3, No 1, 1-8, 2014 GÖRÜNTÜLERİN RENK UZAYI YARDIMIYLA AYRIŞTIRILMASI Recep DEMİRCİ 1 Uğur GÜVENÇ
DetaylıBazı Gömülü Sistemlerde OpenCV ile Performans Analizi
OpenCV ile Performans Analizi S.Ü Bil.Müh. 2. Sınıf Öğrencisi Faruk GÜNER farukguner@outlook.com.tr S.Ü Bil.Müh. 2. Sınıf Öğrencisi Mesut PİŞKİN mesutpiskin@outlook.com S.Ü Öğr. Gör. Dr. Mustafa Nevzat
DetaylıKızıltepe Tarımsal Alan İmgelerinin Ekinin Ürün Gelişimine Göre Sınıflandırılması
Kızıltepe Tarımsal Alan İmgelerinin Ekinin Ürün Gelişimine Göre landırılması Classification of Kızıltepe Agricultural Land Images Based on Development in Different Period of Crops Emrullah ACAR 1 ve Mehmet
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Olcay Taner Yıldız. 2. Doğum Tarihi : 15.05.1976. 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu :
ÖZGEÇMİŞ 1. Adı Soyadı : Olcay Taner Yıldız 2. Doğum Tarihi : 15.05.1976 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Boğaziçi Üniversitesi 1997 Y.
DetaylıDijital (Sayısal) Fotogrametri
Dijital (Sayısal) Fotogrametri Dijital fotogrametri, cisimlere ait iki boyutlu görüntü ortamından üç boyutlu bilgi sağlayan, sayısal resim veya görüntü ile çalışan fotogrametri bilimidir. Girdi olarak
DetaylıMean Shift Ve Gaussian Filtre İle Gölge Tespiti Shadow Detection With Mean Shift And Gaussian Filter
Mean Shift Ve Gaussian Filtre İle Gölge Tespiti Shadow Detection With Mean Shift And Gaussian Filter Yunus SANTUR 1, Haluk DİLMEN 1, Semiha MAKİNİST 2, M. Fatih TALU 1 1 Bilgisayar Bölümü Mühendislik Fakültesi
Detaylıİki Boyutlu Dalgacık Dönüşümü Kullanarak Ön Cepheden Çekilmiş İnsan Yüzü Resimlerini Tanıma Üzerine Yaklaşımlar
KSÜ Mühendislik Bilimleri Dergisi, 12(1), 2009 6 KSU Journal of Engineering Sciences, 12 (1), 2009 İki Boyutlu Dalgacık Dönüşümü Kullanarak Ön Cepheden Çekilmiş İnsan Yüzü Resimlerini Tanıma Üzerine Yaklaşımlar
DetaylıYZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR
YZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR Sınıflandırma Yöntemleri: Karar Ağaçları (Decision Trees) Örnek Tabanlı Yöntemler (Instance Based Methods): k en yakın komşu (k nearest
DetaylıBilgisayar ne elde eder (görüntüden)? Dijital Görüntü İşleme Fevzi Karslı, KTÜ. 08 Ekim 2013 Salı 51
Bilgisayar ne elde eder (görüntüden)? 08 Ekim 2013 Salı 51 Zorluk 1: bakış açısı 2012, Selim Aksoy 08 Ekim 2013 Salı 52 Zorluk 2: aydınlatma 08 Ekim 2013 Salı 53 Zorluk 3: oklüzyon (ölü bölge oluşumu)
DetaylıPOSITION DETERMINATION BY USING IMAGE PROCESSING METHOD IN INVERTED PENDULUM
POSITION DETERMINATION BY USING IMAGE PROCESSING METHOD IN INVERTED PENDULUM Melih KUNCAN Siirt Üniversitesi, Mühendislik-Mimarlık Fakültesi, Mekatronik Mühendisliği Bölümü, Siirt, TÜRKIYE melihkuncan@siirt.edu.tr
DetaylıHafta 05 - Karar Ağaçları/Kümeleme
BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler
DetaylıGÖRÜNTÜ SINIFLADIRMASINDA DOKU PARAMETRELERİNİN ETKİSİNİN İNCELENMESİ
63 GÖRÜTÜ SIIFLADIRMASIDA DOKU PARAMETRELERİİ ETKİSİİ İCELEMESİ A. Erener 1, G. Sarp 2, HSB. Düzgün 3 ÖZET 1 ODTÜ, Jeodezi ve Coğrafi Bilgi Teknolojileri Anabilimdalı, erener@metu.edu.tr 2 ODTÜ, Jeodezi
DetaylıGeriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu
Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı Mehmet Ali Çavuşlu Özet Yapay sinir ağlarının eğitiminde genellikle geriye
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
DetaylıDijital (Sayısal) Fotogrametri
Dijital (Sayısal) Fotogrametri Dijital fotogrametri, cisimlere ait iki boyutlu görüntü ortamından üç boyutlu bilgi sağlayan, sayısal resim veya görüntü ile çalışan fotogrametri bilimidir. Girdi olarak
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 6 Kenar, Köşe, Yuvarlak Tespiti Alp Ertürk alp.erturk@kocaeli.edu.tr KENAR TESPİTİ Kenar Tespiti Amaç: Görüntüdeki ani değişimleri / kesintileri algılamak Şekil bilgisi elde
DetaylıBulanık Mantık Tabanlı Uçak Modeli Tespiti
Bulanık Mantık Tabanlı Uçak Modeli Tespiti Hüseyin Fidan, Vildan Çınarlı, Muhammed Uysal, Kadriye Filiz Balbal, Ali Özdemir 1, Ayşegül Alaybeyoğlu 2 1 Celal Bayar Üniversitesi, Matematik Bölümü, Manisa
DetaylıDEĞİŞİK BAKIŞ AÇILARINDAN ELDE EDİLEN GÖRÜNTÜ GRUPLARININ SINIFLANDIRILMASI
HAVACILIK VE UZAY TEKNOLOJİLERİ DERGİSİ OCAK 2013 CİLT 6 SAYI 1 (87-94) DEĞİŞİK BAKIŞ AÇILARINDAN ELDE EDİLEN GÖRÜNTÜ GRUPLARININ SINIFLANDIRILMASI Mustafa ÖZENDİ * Bülent Ecevit Üniversitesi, Jeodezi
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Ders 1- Yapay Zekâya Giriş Erhan AKDOĞAN, Ph.D. Yapay Zekâ nedir?! İnsanın düşünme ve karar verme yeteneğini bilgisayarlar aracılığı ile taklit etmeye
DetaylıYüz Bulma ve Tanıma Sistemi
Yüz Bulma ve Tanıma Sistemi M. AKÇAY 1, Naciye Nur SARIBEY 2 1,2 Dumlupınar Üniversitesi, Bilgisayar Mühendisliği Bölümü, KÜTAHYA Makcay26@dpu.edu.tr, nnursaribey@gmail.com Özet: Günümüzde yüz tanıma sistemlerine
DetaylıUzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve
DetaylıYard. Doç. Dr. İrfan DELİ. Matematik
Unvanı Yard. Doç. Dr. Adı Soyadı İrfan DELİ Doğum Yeri ve Tarihi: Çivril/Denizli -- 06.04.1986 Bölüm: E-Posta Matematik irfandeli20@gmail.com, irfandeli@kilis.edu.tr AKADEMİK GELİŞİM ÜNİVERSİTE YIL Lisans
DetaylıDers Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS
DERS BİLGİLERİ Ders Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS Sayısal Görüntü İşleme BIL413 7 3+0 3 5 Ön Koşul Dersleri Yok Dersin Dili Dersin Seviyesi Dersin Türü Türkçe Lisans Seçmeli / Yüz Yüze
DetaylıN. Murat Arar, N. Kaan Bekmezci, Fatma Güney, Hazım K. Ekenel. Antalya, 22/04/2011
N. Murat Arar, N. Kaan Bekmezci, Fatma Güney, Hazım K. Ekenel Antalya, 22/04/2011 IEEE 19. Sinyal İşleme ve İletişim Uygulamaları Kurultayı http://www.cmpe.boun.edu.tr/pilab Giriş İlgili Çalışmalar Yöntem
DetaylıTÜRK İŞARET DİLİ TANIMA SİSTEMİ ( TURKISH SIGN LANGUAGE RECOGNITION SYSTEM )
TÜRK İŞARET DİLİ TANIMA SİSTEMİ ( TURKISH SIGN LANGUAGE RECOGNITION SYSTEM ) Şekil 1 İşaret dili tanıma örnek ekran görüntüsü Türk İşaret Dili Tanıma projesi 2005 2006 yılının 2. döneminde Yıldız Teknik
Detaylı3.3. İki Tabanlı Sayı Sisteminde Dört İşlem
3.3. İki Tabanlı Sayı Sisteminde Dört İşlem A + B = 2 0 2 1 (Elde) A * B = Sonuç A B = 2 0 2 1 (Borç) A / B = Sonuç 0 + 0 = 0 0 0 * 0 = 0 0 0 = 0 0 0 / 0 = 0 0 + 1 = 1 0 0 * 1 = 0 0 1 = 1 1 0 / 1 = 0 1
DetaylıDoç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr
Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Bölümü oner@isikun.edu.tr 1. Adı Soyadı : Mustafa Mengüç ÖNER 2. Doğum Tarihi : 01.02.1977 3. Unvanı : Doçent Dr. 4. Öğrenim Durumu : ÖĞRENİM
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CME 4410
Dersi Veren Birim: Bilgisayar Mühendisliği Dersin Türkçe Adı: ÖRÜNTÜ TANIMAYA GİRİŞ Dersin Orjinal Adı: INTRODUCTION TO PATTERN RECOGNITION Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisans
DetaylıUzaktan Algılama (3) Yrd. Doç. Dr. Özgür ZEYDAN Renk Teorileri
Uzaktan Algılama (3) Yrd. Doç. Dr. Özgür ZEYDAN http://cevre.beun.edu.tr/zeydan/ Renk Teorileri Eklemeli renk teorisi Çıkarmalı renk teorisi 1 RGB (Red Green - Blue) Kavramı Red Green - Blue RGB-Mixer
DetaylıFirst Stage of an Automated Content-Based Citation Analysis Study: Detection of Citation Sentences
First Stage of an Automated Content-Based Citation Analysis Study: Detection of Citation Sentences Zehra Taşkın, Umut Al & Umut Sezen {ztaskin, umutal, u.sezen}@hacettepe.edu.tr - 1 Plan Need for content-based
DetaylıYer Sezimi ve Özet Bölüt Çizgeleri
Akıllı Sistemler Laboratuarı Elektrik-Elektronik Mühendisliği, Boğaziçi Üniversitesi TORK 2015 Türkiye Robotbilim Konferansı Önceki Çalışmalar Bölge Bitişiklilik Çizgeleri Çizge Eşleme lar Önceki Çalışmalar
DetaylıQUANTILE REGRESYON * Quantile Regression
QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine
DetaylıBiyometrik İris Sınıflandırma Sistemleri. Biometric Iris Classification Systems
Emre Dandıl 1, Küçük İbrahim Kaplan 2 1 Bilecik Şeyh Edebali Üniversitesi, Meslek Yüksekokulu, Bilgisayar Programcılığı Bölümü, Bilecik 2 Bilecik Şeyh Edebali Üniversitesi, Mühendislik Fakültesi, Bilgisayar
DetaylıBİTİRME ÇALIŞMASI ARA RAPOR YAZIM KILAVUZU
BİTİRME ÇALIŞMASI ARA RAPOR YAZIM KILAVUZU 1. Başlık ve Kapak Sayfası Başlık sayfası formatı için bölüm web sayfasında bulunan rapor_kapak.docx başlıklı MS Office Word dokümanı kullanılacaktır. Düzenlenmesi
DetaylıT U KR ECTS BK DK 151223559 B ADVANCED CALCULUS B 4 0 4,0 7,0 ABDURRAHMAN KARAMANCIOĞLU 151223559 ADVANCED CALCULUS 4 0 4,0 7,0 10 ABDURRAHMAN
T U KR ECTS BK DK 151223559 B ADVANCED CALCULUS B 4 0 4,0 7,0 ABDURRAHMAN KARAMANCIOĞLU 151223559 ADVANCED CALCULUS 4 0 4,0 7,0 10 ABDURRAHMAN KARAMANCIOĞLU 151221201 ATATÜRK İLKE.VE İNK.TARİHİ I 2 0 2,0
Detaylı