Kelebek Görüntülerin Sınıflandırılması için Bir İçerik Bazlı Görüntü Erişim Sistemi

Transkript

1 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 Kaci 1 Baş azar, Bilgisaar Mühendisliği Bölümü, Siirt Üniversitesi, Siirt Bioloji Bölümü, Siirt Üniversitesi, Siirt ilmazkaa1977@gmail.com, lokmankaci@mnet.com Özet: Kelebekler kendi aralarında sınıflandırılırken öncelikle kelebeklere ait kanat, baş, anten gibi dış morfolojik özelliklerine göre sınıflandırılır. Dış morfolojik özelliklerine göre sınıflandırmanın gerçekleştirilemediği durumlarda teşhis için genital özelliklerin incelenmesi gerekir. Kelebeklerin genital apılarının incelenmesi farklı kimasal maddeler ve öntemler ugulanarak sağlanabilir. Bu işlemler ancak belli malietlerle gerçekleştirilebilir. Arıca genital preparatların hazırlanması belli aşamalar gerektirdiği için zaman alıcıdır. Bu çalışmada kelebek teşhisi için klasik teşhis öntemlerine alternatif web tabanlı bir içerik tabanlı görüntü erişim (İTGE) görü sistemi önerilmiştir. Çalışmada Papilinidae, Pieridae ailelerinin 38 kelebek türüne ait 380 görüntü kullanılmıştır. Kelebeklerin karşılaştırılması için apısal benzerlik indeks metodu (structural similarit index measurement (SSIM)) kullanıldı. Elde edilen sonuçlara göre önerilen öntemin kelebek görüntülerin sınıflandırılmasında önemli başarı gösterdiği saptanmıştır. Anahtar Kelimeler: kelebek sınıflandırma, apısal benzerlik ölçütü, bilgisaarla görü, örüntü tanıma 1-Giriş Kelebek ve güveler takımı, sahip olduğu den fazla türüle böcekler arasındaki en zengin takımlardan biridir. Türkie, 5000 den çok Lepidopter türü ile bölgenin zengin ülkeleri arasında saılır [1]. Kelebeklerde kanat şekilleri, desen ve renkler son derece büük farklılıklar gösterir. Öle ki, bu özellikler ilk bakışta çoğu defa türlerin arımında önemli rol onarlar. Türler içinde sınırlı kaldığı sürece bu tip özellikler taksonomik karakterler olarak kullanılırken, bazen birbirine dıştan çok benzeen türlerin arımında, bilhassa birein dış genital organlarının apısal özelliklerinin incelenmesine ihtiaç duulur [1]. Bu çalışmanı amacı, kelebek kanatlarındaki doku, desen apılarını kullanarak kelebekleri otomatik sınıflandıran bir web tabanlı içerik tabanlı görüntü erişimi (İTGE, contentbased image retrieval =CBIR) görü sistemi geliştirmektir. Bilgi ığınları arasında doğru bilgie ulaşılmaa çalışılmaktadır. Görsel bilgiler ile görüntülerin sorgulanması içerik İTGE olarak isimlendirilir [,3]. İTGE sistemler, iki görüntü arasındaki renk, desen, doku gibi özellikleri karşılaştırarak görüntüleri bir benzerlik ölçütü ile aırmaktadır[4]. Desen, bir görüntüde piksel ton uzasal değişimini belirten ve farklı alanlarda saısal görüntülerin sınıflandırılmasında kullanılabilen apılardır [5]. Kelebek kanat desenleri farklı türlerde farklı renk, parlaklık, desende olabilir. Dolaısıla bilgisaar görüsü öntemlerinde kanat desenleri matematiksel olarak ifade edilebilirler. Benzerlik öntemleri dokusal özellikler işleen öntemlere göre daha basit, hızlı ve insan görme sistemine (Human Vision Sstem=HVS) daha akın olduklarından [6] dolaı kelebeklerin karşılaştırılması için apısal benzerlik indeksi (YBİ, Structural Similarit Index Measurement, SSIM) kullanılmıştır. YBİ, iki görüntüe ait parlaklık, kontrast, ve apı özelliklerini karşılaştırarak iki görüntü 435

2 Kelebek Görüntülerin Sınıflandırılması için Bir İçerik Bazlı Görüntü Erişim Sistemi Yılmaz Kaa, Lokman Kaci arasında bir benzerlik indeksi oluşturmaktadır [7]. YBİ, Wang ve arkadaşları tarafından önerilmiş olup bir çok problemde başarılı bir şekilde kullanılmıştır [8]. Çalışmada 38 farklı türe ait 380 kelebek görüntüsü kullanılmıştır. Elde edilen sonuçlara göre geliştirilen İTGE sisteminin kelebek türünün tespitinde önemli başarı sağladığı görülmüştür.. Veri Seti Çalışma ile ilgili inceleme materali Van, Erek Dağı nda toplanmıştır. Kelebekler arazide tül atrap kullanılarak akalanmıştır. Etil asetat içeren kavanozlarda öldürüldükten sonra önceden hazırlanmış özel zarflarının içerisine gerekli toplama bilgilerini içeren etiketile birlikte konmuştur. Örnekler standart müze materali şeklinde hazırlanmak üzere germe tahtalarında gerilerek kurutulmuştur. Türlerin teşhisinde çeşitli el kitapları, revizon çalışmaları ve karşılaştırma materalleri kullanılmıştır. Teşhiste kullanılan aınlar alfabetik sıraa göre şu azarlara aittir: [9,10,11,1]. Bu çalışmada Papilinidae, Pieridae kelebek ailelerinin Şekil 1 de gösterilen 38 türü kullanılmıştır. Şekil 1: Örnek kelebek görüntüleri 3. Yapısal Benzerlik Indeksi Ölçütü (Structural Similarit Index Measurement) Bu öntem, iki görüntüe ait parlaklık, kontrast ve apı denilen 3 özniteliğin karşılaştırılmasına daanmaktadır [8]. Bu öntemde parlaklık (luminance) (L), kontrast (contrast) (c), ve apı (structure) (s) özellikleri birbirinden bağımsız olarak elde edilmektedir. x ve birer görüntü olmak üzere YBİ ölçütü aşağıdaki eşitlik ile elde edilmektedir. SSIM ( = f ( l(, c(, s( (1) burada l ( ) parlaklık karşılaştırma fonksionu olup eşitlik ile elde edilmektedir. [8]; 436 mx m + c1 l( = m + m + c x 1 () burada, c 1 = ( K1L ), K 1 küçük bir sabit değer ( K 1 < 1) ve L ise piksel dağılım ölçütüdür. c ( ), kontrast karşılaştırma fonksionu: s xs c( ) = s x + s burada, c = ( KL ), + c + c (3) K küçük bir sabit değer ( 1 K < )ve L ise piksel dağılım ölçütüdür.

3 Akademik Bilişim 14 - XVI. Akademik Bilişim Konferansı Bildirileri 5-7 Şubat 014 Mersin Üniversitesi s ( ), apı karşılaştırma fonksionu; Kelebek teşhisi için geliştirilen ITGE sistem aşamaları: s x + c3 s( ) = s xs + c3 (4) İnternet kullanıcısı web üzerinden geliştirilen şekil de gösterilen web safasına giriş apar. Son olarak YBİ ölçütü aşağıdaki eşitlik ile elde edilmektedir [13]: a b g YB Ý ( = [ l(. c(. s( ] (5) burada, a > 0, b > 0 ve g > 0 Eğer a = b = g = 1 ve c c 3 =, ise; (mx m + c1 )( s xs + c) YB Ý( ( mx + m + c1 )( s x + s + c) (6) dir. Burada x, karşılaştırılan görüntüler, m x, s x ve s tahmin edilen görüntüe ait x piksel oğunluk ortalaması, standart sapmasını ve ortak varansı belirtmektedir. Şekil 3: Teşhis edilecek kelebek görüntüsünün seçimi. Kullanıcı teşhis edilecek görüntüü web safasına ükledikten sonra ilgili alanın belirlenmesi için kırpma işlemi gerçekleştirilir (Şekil 4). Kırpma işlemi, görüntü üzerindeki gereksiz alanların atılması için performans açısından önem arz etmektedir. 4. Geliştirilen ITGE Sistemi Bu çalışmada geliştirilecek İTGE sistemine ait diagram şekil te gösterilmiştir. Sistemin çalışma aşamaları aşağıdaki basamaklarda özetlenmiştir. Şekil 4: İlgilenilen alanın belirleme aşamasına örnek. Şekil : Kelebek teşhisi için İTGE sistemi 3) Kelebek görüntüsünden gereksiz alanlar atıldıktan sonra Benzer Kelebek Görüntülerini Ara düğmesi tıklanarak arama işlemi başlatılır. Geliştirilen İTGE sistemi sorgulanan görüntüsünün benzediği en ii 10 kelebek görüntüsünü göstermektedir (Şekil 5). 437

4 Kelebek Görüntülerin Sınıflandırılması için Bir İçerik Bazlı Görüntü Erişim Sistemi Yılmaz Kaa, Lokman Kaci Şekil 5: Sorgu görüntüsüne benzeen görüntülerin listesi. 5. Sonuçlar 6. Tartışma Bu çalışmada apısal benzerlik metodu kullanılarak bir ITGE sistemi geliştirilmiştir. Yapısal benzerlik metodu iki görüntünün parlaklık, kontrast ve apı bileşenlerine bağlıdır. Çalışmada 38 farklı kelebek türüne ait 380 görüntü kullanıldı. Rastgele seçilen görüntülerin benzerlik gösterdiği görüntülerin listesi Tablo 1 de verilmiştir. Benzerlik ölçütü değerleri histogramlar şeklinde gösterilmektedir. Rasgele seçilen 8 adet kelebek görüntüleri için denemeler gerçekleştirildi. Tablo 1 de görüldüğü gibi sorgulanan görüntülerin veri tabanında bulunan görüntüler ile benzerlik değerleri 0,655 ve 0,917 arasında değişmiştir. Histogramlara bakıldığında sorgulanan kelebek görüntülerin benzerlik gösterdiği görüntüler arasında benzerlik ölçütünün üksek çıktığı, benzerlik göstermedikleri görüntüler ile aralarında benzerlik ölçütünün düşük çıktığı görülmektedir. E4, E5, E7, ve E8 deneleri için anlış kelebekler de sorgulanmıştır. Ancak tüm denelerde ilk listelenen kelebekler doğru görüntüler olduğu görülmektedir. 438 Görüntü bazlı arama ugulamaları günümüzde önem kazanan hizmetler olmaktadır. Günümüzde iki aklaşım söz konusu, birincisi görüntüe ait metinsel meta bilgilere daanan öntemler iken, diğer görüntü içeriğini değerlendiren öntemlerdir. Görüntülere ait görsel özelliklerin kullanılarak arama işlemleri gerçekleştiren sistemlere içerik tabanlı görüntü erişimi (İTGE) sistemler olarak isimlendirilmektedir. Bu çalışmada, kelebek teşhisi için YBİ benzerlik öntemi kullanılarak bir İTGE sistemi geliştirildi. Kelebek görüntülerin kanat desenleri, renkleri ilk etapta kelebek teşhisi için kullanılmaktadır. Ancak her zaman bu öntem başarılı olamamaktadır. Bu üzden klasik öntemlere alternatif öntemlere ihtiaç duulmaktadır. Literatüre bakıldığında bilgisaar destekli öntemlerin eterince kullanılmadığı görülmektedir. Bu çalışmada otomatik tanıma işlemi gerçekleştiren bir bilgisaar görü sistemi önerilmiştir. Çalışmada apılan 8 farklı denede sonuçların başarılı olduğu saptanmıştır. Sonuç olarak YBİ öntemi kullanılarak geliştirilen İTGE sistemi kelebek görüntülerin teşhisinde önemli başarı sağladığı ve benzer ugulamalar için kullanılabileceği öngörülmektedir.

5 Akademik Bilişim 14 - XVI. Akademik Bilişim Konferansı Bildirileri 5-7 Şubat 014 Mersin Üniversitesi Dene No E1 Sorgulanan Görüntü Benzer görüntü ve SSIM değeri Benzerlik Histogramı 0,861 0,858 0,853 0,85 0,849 Anthocharis damone E 0,739 0,735 0,77 0,75 0,698 E3 Aporia crataegi 0,917 0,914 0,896 0,896 0,887 E4 Colias crocea E5 Euchloe penia 0,849 0,835 0,86 0,80 0,730 E6 Pontia callidice 0,81 0,788 0,777 0,773 0,768 E7 Papilio machaon 0,861 0,861 0,857 0,86 0,817 Chazara bischoffi 0,70 0,701 0,691 0,550 0,553 E8 Pseudochazara beroe 0,655 0,65 0,55 0,548 0,539 Tablo 1: Rastgele seçilen kelebek görüntülerin benzerlik gösterdiği görüntüler Yanlış sınıflandırılan görüntüler 439

6 Kelebek Görüntülerin Sınıflandırılması için Bir İçerik Bazlı Görüntü Erişim Sistemi Yılmaz Kaa, Lokman Kaci Teşekkür: Bu çalışma, Siirt Üniversitesi Bilimsel araştırma Projeleri Başkanlığı (SİÜBAPB) tarafından desteklenmiştir. Proje no: 013- SİÜMÜH-M1. Referanslar L. Kaci, Erek Dağı (Van) Papilionoidea ve Hesperioidea Ekolojisi ve Faunası Üzerine Araştırmalar (Lepidoptera), Priamus Supplement, Vol. 6,pp. 1-47, 007. X. R. Marcela, H.B. Pedro, J.T. Caetano, M.A. Paulo, A.R. Natalia, J.M. Traina, Supporting content-based image retrieval and computeraided diagnosis sstems with association rule-based techniques, Data & Knowledge Engineering, Vol. 68, pp , 009. K. Yuan, Z. Tian, J. Zou, Y. Bai, Q. You, Brain CT image database building for computer-aided diagnosis using content-based image retrieval, Information Processing and Management, Vol. 47, pp , 011. Y. Liu, D. Zhang, G. Lu, W. Ma, A surve of content-based image retrieval with high-level semantics, Pattern Recognition, Vol. 40, pp. 6 8, 007. W. Y. Ma, B.S. Manjunath, A texture thesaurus for browsing large aerial photographs, Journal of the American Societ for Information Science, Vol. 49(7), pp , L. Chaofeng, C. B. Alan, Content-partitioned structural similarit index for image qualit assessment, Signal Processing,Image Communication, Vol. 5, pp , 010. Z. Wang, A.C. Bovik, H.R. Sheikh, E.P. Simoncelli, Image Qualit Assessment: From Error Visibilit to Structural Similarit, IEEE Transactions On Image Processing, Vol. 13(4), pp , 004. F. Carbonell, C ontribution a la connaissance du genre Agrodiaetus Hübner (18), position taxinomique d Agrodiaetus anticarmon Koçak, 1983 (Lepidoptera, Lcaenidae) Linneana Belgica, Vol. 16 (7),pp , H. Paul, G. Ran, The Promise of DNA Barcoding for Taxonom, Sstmtc. Biolg, Vol. 54 (5), pp , 005. P.Skala, New taxa of the genus Hponephele MUSCHAMP, 1915 from Iran and Turke (Lepidoptera, Nmphalidae), Linneana Belgica, Vol. 19 (1), pp , 003. T. Tolman, Butterflies of Britain and Europe. Harper Collins Publishers, London. 30 (1997). Z. Wang, A.C. Bovik, A universal image qualit index, IEEE Signal Processing Letters, Vol. 9, pp , 00. J. R. Bach, A visual information management sstem for the interactive retrieval of faces, IEEE Transactions on Knowledge and Data Engineering, Vol. 5(4), pp ,