Local Binary Pattern Yöntemi ile Yüz İfadelerinin Tanınması
|
|
- Umut Kobal
- 5 yıl önce
- İzleme sayısı:
Transkript
1 Local Binary Pattern Yöntemi ile Yüz İfadelerinin Tanınması M. Ayyüce Kızrak_ Şekil Tanıma Proje Raporu, GİRİŞ İnsan varlığından bu yana duygu aktarımı ve iletişim için yüz ifadeleri en güçlü etkiye sahiptir. Bunu otomatik olarak algılamaya, tanımlamaya ve sınıflamaya evrimleşmiş olan beynimiz gibi sistemler tasarlanması için çeşitli yöntemler ve algoritmalar oluşturulmaktadır. Otomatik yüz ifadesi analizi çok ilgi çekici bir konu olmasıyla birlikte beraberinde zorlayıcı problemleri de getirir. Görüntülerin saklanması ve işlenmesi için gerekli bellek miktarı, işlem detayları, karmaşıklığı ve dataların değişkenliği en önemli zorluklardır. Orijinal görüntüden efektif bir yüz ifadesi tanıma sistemi tasarlayabilmek için hayati önem taşıyan konularından biri özniteliklerin çıkarılması için doğru yaklaşımların yapılmasıdır. Literatürde iki temel yöntem bulunmaktadır. Bunlar; geometrik öznitelik temelli yöntemler ve dış görünüş temelli yöntemlerdir. Geometrik öznitelikler yüz bileşenlerinin şekli ve görüntü içindeki yerinin vektörsel ifadesi olarak tanımlanmaktadır. Dış görüntü temelli yaklaşımlar ise filtre yöntemlerine dayanmaktadır. Gabor filtreleme sıklıkla uygulanan filtreleme yaklaşımıdır. Bu iki yaklaşımın da dezavantajı yoğun filtreleme ve konvolüsyon işlemlerinden kaynaklanan zaman ve bellek problemidir. Başlangıçta doku tanıma amacıyla geliştirilen Local Binary Pattern (LBP) daha sonra yüz ifadesi tanıma alanında denenmiş ve başarılı sonuçlar elde edilmiştir [1,2]. LBP yaklaşımı, son yıllarda video ve görüntü uygulamalarında ilgi odağı olan konulardan biridir. Parametrik olmayan bir yöntem olup görüntüdeki komşu piksellerin birbirleri ile karşılaştırılması sonucu oluşturulan lokal bir yapı olarak tanımlanmaktadır. Doku analizinde çok güçlü sonuçlar vermiş olan bu yöntem aynı zamanda yüz görüntüsü analizi, görüntü ve video tanımlama, çevre modelleme, görüntü takibi, hareket analizi, biyomedikal ve uydudan alınan görüntülerin analizinde de kullanılan efektif bir yöntemdir. Bunların yanı sıra yüz konusunda da bir çok alanda çözümler sunmaktadır. Örneğin; yüz bulma, yüz tanıma, yüz ifadesi tanıma, nüfus sınıflama ve buna bağlı uygulamalar. 1
2 2. YÖNTEM: LOCAL BINARY PATTERN Orijinal LBP Ojala ve arkadaşları tarafından doku tanımada elde ettikleri başarılı sonuçlar ile ortaya atılmıştır. Bu operatör görüntünün 3 3 pencerelerin ortasındaki piksel değeri eşik seviyesi olarak seçilerek birbirlerine göre karşılaştırılması sonucu ikili değerlerin atanması temeline dayanmaktadır. Oluşturulan ikili sayı dizisine LBP kodu denir ve bu kod ile görüntüdeki farklı tipteki özellikleri belirlemek mümkün hale gelir. Örneğin, kenarlar, köşeler, aydınlık veya karanlık bölgeler, çizgi bölgeleri gibi. Fakat 3 3 lük operatörler baskın özellikleri yakalayabilmek için etkin olmayabilir. Dolayısıyla probleme göre operatörün uzunluğu belirlenmeli veya adaptif olarak atanmalıdır. Bunun yerine dairesel olarak da LBP tanımlamaları yapılmaktadır. Burada tanımlanması gereken iki parametre bulunmaktadır. Bunlar örnek nokta sayısı P ve simetrik dairesel komşuluğun yarıçapı ölçüsü R olarak belirlenir [1,2,3]. Şekil 1 LBP Algoritması. LBP operatörü LBP P,R olarak oluşturulan P tane komşu piksel setinden uygun 2 P farklı çıkış değeri tanımlanır. Ayrıca LBP sonucu elde edilen ikili LBP kodunda eğer iki ya da daha az bir geçişi varsa buna uniform LBP denir. Örneğin; , , uniform LBP kodudur. LBP ile etiketlenen görüntünün yeni histogramı aşağıdaki gibi ifade edilir. Burada verilen pikselin yerini ve merkez pikselin gri seviyesini ifade eder. s fonksiyonu aşağıdaki gibi tanımlanmaktadır. 2
3 Ayrıca LBP histogramı, görüntünün içindeki yerel mikro örüntülerin dağılımı ile ilgili (örneğin kenarlar, aydınlık bölgeler vs gibi) bilgiyi de içermektedir. Böylece görüntünün karakteristiği istatistiksel olarak tanımlanabilir. Şekil 2 LBP örüntülerinin görüntü içindeki anlamları [1]. Şekil 3 P örnek sayısı ve R simetrik dairesel yarıçap çeşitleri [2]. LBP histogramı lokasyon bilgisi olmaksızın tüm görüntü üzerinden mikro örüntüleri hesaplamaktadır. LBP histogramının çıkardığı R 0, R 1, R 2,,R m gibi küçük bölgelere görüntüsü şekil bilgisi eşit olarak dağılmaktadır. Her alt bölge için çıkarılan LBP özellikleri yeni konum bilgisini aşağıdaki gibi tanımaktadır. Şekil 4 LBP ile histogramın elde edilmesi [1]. 3
4 Görüntünün global şekli ve lokal dokusu hakkında özellikler bu histograma çıkarılmaktadır. Bazı parametreler daha iyi özelliklerin çıkarılması için optimize edilebilmektedir. Örneğin i bölünen bölge sayısını vermektedir. Örnek verilirse, pikselli bir görüntüde, 59 bin operatör ile piksele bölünmektedir. Özellik vektörü uzunluğu ve tanıma performansı arasında iyi bir ödünleşim sağlanmaktadır. Aşağıdaki şekilde uzunluğu 2478(59 42) LBP histogramının 42(6 7) uzunluğuna indirgenmiş görüntüsü verilmektedir [1,2]. Şekil 5 Yüz görüntüsünün 6 7 bölgelere ayrılması (sol), ölçülen ağırlıklar (sağ) [1] Literatürde Local Binary Pattern İle Özniteliklerin Çıkarılması Bu alandaki çalışmalarda çoğunlukla giriş görüntüsünün küçük bölgelere ayrılmaktadır. Böylelikle LBP histogramları lokal özellikleri barındıran histogramlar dizisi halini almaktadır. Geliştirilen bazı LBP yöntemleri ELBP, VLBP veya Gabor dalgacıkları temelli LBP gibi, özellik vektörlerinde dramatik artışlara neden olur. Bu boyut problemine çözüm olarak özelliklerin daha etkili olanlarının belirlenip seçilmesi konusu üzerinde durulmaktadır. Özellikleri seçim teknikleri temel olarak ikiye ayrılmaktadır. Bunlar; kural temelli strateji (uniform örüntü) ve diskriminatif örüntüler temelli yaklaşımlardır. Makine temelli yüz tanıma temel olarak, yüz tanıma ve sınıflama şeklinde iki önemli sınıfa ayrılır. Bu yöntem ile başarılı sonucu vermeye en etkin özelliklerin seçilmesi hedeflenmektedir. Bunun için ilk olarak sınıf içi değişimlerin tolere edilebilmesi gerekir. Orijinal görüntülerden elde edilen özellikler hızlı işlem olanağını beraberinde getirir. Son olarak, sınıflamada hesap karmaşıklılığından kaçınabilmek için boyut uzayı küçültülmektedir. Bu yöntemler ışığında LBP yüz tanıma, sınıflama ve özellik çıkarma konularında efektif sonuçlar vermesinden dolayı son yıllarda literatürde sıklıkla yer almaktadır [2]. 3. LİTERATÜRDE LOCAL BINARY PATTERN Literatürde yüz ifadelerinin tanınmasında sıklıkla karşılaşılan LBP tek başına kullanılmanın yanı sıra algoritmadaki değişiklikler bazında ve farklı algoritmalar ile birlikte kullanılarak daha başarılı sonuçlar elde edebilmektedir. Son yıllarda bu alanda yapılan çalışmalara temel örnekler aşağıdaki tabloda değerlendirilmektedir. 4
5 Tablo 1 LBP algoritmasının literatürdeki yeri [2]. Kullanım Alanı Kullanım Şekli Özellikler Yıl Referans LBP geliştirilmesi Merkez piksele göre örüntü 2004, 2005, yapısının tamamlanması 2008 Uniform olmayan örüntüleri Hamming LBP Diskriminatif uniformlaştırmaınk 2007 yeteneği artırma Boyutu azaltmak için aynı LBP Genişletilmiş LBP değerlerinin ayrıştırılması 2007 Tamamlanmış LBP Verilen lokal bölgenin işaret ve genlik bilgilerinin bulunması 2010 [4] Lokal Üçlü Örüntü Yeni eşik seviyesi bulunması, gri seviye transformasyonu için 2007 kesinlikle bir sabittir Dayanıklılığı Yumuşatılmış LBP Monotonic gri seviye geçişler için sabit değildir, işlem 2007 geliştirme karmaşıklığından dolayı AR-LBP Asimetrik bölgelere ayrılıp LBP çıkarma 2012 [5] LB Kovaryans Matris Modelin kovaryans matrisi ile 2011 [6] tanımlanması Anizotropik bilgilerin ayırt edilmesi Uzatılmış LBP ve ayıklanması, rotasyon için sabit 2007 değildir Komşuluk seçilmesi 3D geliştirilmesi Diğer özniteliklerle birlikte kullanılması Çok bloklu LBP Mikro ve makro yapı bilgilerinin bulunması 2007 Birleştirilmiş LBP LBP kodlamasının iki bitle tanımlanması 2011 [7] Üç/Dört Yamalı LBP Doku bilgisinin tipinin belirlenmesi 2008 Rotasyonel LBP Rotasyondan bağımsız LBP tanımlanması 2013 [8] 3D LBP LBP nin 3D yoğunluk dataya dönüşümü 2007, 2008 Pseudo 3D Holistik yerine bölgesel LBP ile Pseudo 2013 [9] Yoğun LBP (LBP-TOP) Yüksek boyuttan dolayı, dinamik dokunun tanımlanması 2007 SIFT in avantajlarından 2006, 2009 LBP ve SIFT faydalanarak öznitelik vektörünün [10], 2010 uzunluğunun azaltılması [11] LBP ve Gabor Dalgacık LBP ve Adabost Boyut ve hesaplama maliyetini azaltmak için Gabor dalgacık dönüşümü avantajlarından faydalanma Adabost başarısını LBP ile pekiştirme 2005, 2006, 2007, [12] LBP Histogram Fourier Tüm bölge için global rotasyon değişmezliği tanımı 2009 [13] 5
6 4. UYGULAMA Bu çalışmada database olarak yine bu alanda en çok kullanılan setlerden biri olan JAFFEE (The Japanese Female Facial Expression Database) kullanılmaktadır. Bu veri kümesi 10 tane Japon kadından alınmıştır ve her birine ait sinirli, iğrenmiş, korkmuş, mutlu, üzgün, şaşırmış olmak üzere 6 yüz ifadesi ve 1 doğal ifade ile birlikte 7 tip görüntü bulunmaktadır. Her ifade için yaklaşık 3 adet örnek bulunmaktadır. Veri kümesi boyutlu, toplam 213 gri seviye görüntüden oluşmaktadır [14]. Veri kümesinde bulunan görüntülerin tamamına temel LBP algortiması uygulanarak tüm görüntülerin katsayıları hesaplanmıştır. Bu LBP katsayılarının : %30 luk kısmı test için ayırıp geri kalan %60 ı ile eğitim gerçekleştirilmiştir. Test setindeki hiçbir data bilgisinin eğitim setinde de bulunmamasına dikkat edilmiştir. Hesaplanan katsayılar için çok sınıflı SVM (Support Vector Machine) algoritması kullanılmaktadır. Ayrıca algoritmanın başarısı doğal ifade dahil 7 sınıf için ve doğal ifadeyi bir sınıfa dahil etmeyerek 6 sınıf için hesaplanmaktadır. Giriş görüntüleri: gri seviye yüz görüntüsü Her bir görüntünün LBP katsayılarının hesaplanması ( bileşene indirgenir) P=8, R= 1,2,3.. değerler girilir L=LBP boyutu R ye bağlı olarak hesaplanır. (L=2 R+1) Eğitim seti: 144 yüz görüntüsü Test seti: 69 yüz görüntüsü 7 ve 6 sınıf ayırmak için SVM Algoritması Accuracy ve Precision başarım sonuçlarının hesaplanması 6
7 Örneğin veri kümesi içindeki kişilerden birinin eğitim setindeki örnekleri, test setindeki örnekleri, hesaplanan LBP görüntülerine örnekler aşağıdaki gibidir. Tablo 2 Eğitim ve Test setindeki örnekler. Sinirli1 Sinirli2 İğrenmek1 İğrenmek2 Korkmak1 Korkmak2 Mutlu1 Mutlu2 Doğal1 Doğal2 Üzgün1 Üzgün2 Şaşırmak2 Şaşırmak2 Sinirli_T İğremek_T Korkmak_T Mutlu_T Doğal_T Üzgün_T Şaşırmak_T LBP 5. SONUÇLAR Bu çalışmada LBP ile görüntü setinden özellikler çıkarılmış ve SVM ile çoklu sınıflama yapılmıştır. SVM, 144 adet eğitim görüntüsü ile eğitildikten sonra 69 adet test görüntüsü ile sistemin başarısı hesaplanmıştır. Test görüntüsü olarak seçilen yüz görüntülerinin eğitim setinde olmamasına dikkat edilmiştir. Yapılan literatür taraması ışığında LBP katsayılarını yüz ifadesi tanımlamak için sınıflarken SVM nin başarılı sonuçlar verdiği görülmüştür. Buradan yola çıkarak bu çalışmada LBP katsayıları çok sınıflı SVM ile sınıflandırılmıştır. SVM yapısı içinde lineer, polinom ve radyal taban fonksiyonları olmak üzere üç farklı çekirdek kullanılarak en başarılı çekirdek fonksiyonu tespit edilmiştir. 7
8 SVM karar sınırlarının optimum olarak seçilmesini sağladığından test hatasını kolaylıkla minimize eder ve bu nedenle için diğer yöntemlere göre daha başarılıdır. Sınıf sayısı arttıkça yapay sinir ağlarına göre de daha başarılı sonuçlar üretir. Dolayısıyla bu çalışmada sınıflama problemini çözmek için SVM tercih edilmiştir [1]. Etiketlenmiş eğitim seti verildiğinde burada ve aralığındadır ve test seti ile girilen yeni LBP katsayıları aşağıdaki fonksiyon ile sınıflandırılır. Burada optimum hiper düzlemleri belirlemek için tanımlı Lagrange çarpanları, çekirdek fonksiyonu, hiper düzlemin eşik değeridir. Başarımı hesaplayabilmek için SVM algoritması eğitim setindeki görüntü ve hedeflerle eğitildikten sonra test setinin sorgulanmasıyla ürettiği tahminleri test setinin gerçek sınıf bilgileriyle doğru ve yanlış oranı hesaplarını yapmak gerekmektedir. Sistem doğruyken doğru sınıfa ait olduğunu söylediyse buna True Possitive Rate veya doğruyken yanlış diye tahmin ettiyse buna da False Negative Rate denir. Hesaplamaları aşağıdaki eşitlikte verildiği gibidir. Burada; P N TP TN FP FN : pozitiflerin sayısı : negatiflerin sayısı : doğru iken pozitif karar verilenlerin sayısı : doğru iken negatif karar verilenlerin sayısı : yanlış iken doğru karar verilenlerin sayısı : yanlış iken negatif karar verilenlerin sayısı Başarım analizi olarak Accuracy (doğru bulma oranı) ve Precision (duyarlılık) hesabı aşağıdaki gibi yapılmıştır. 8
9 Doğal yüz ifadesi bir sınıf olarak kabul edildiğinde ve kabul edilmediğinde LBP katsayılarını SVM algoritmasının 3 farklı çekirdek için doğru bulma oranı hesaplandığında en yüksek başarıyı radyal tabanlı fonksiyonu vermiş olduğundan dolayı confusion matrisleri (çatışma matrisi) bu çekirdeğe göre hesaplanmıştır. Bu bilgilere göre 7 sınıf ve 6 sınıf için elde edilen sonuçlar aşağıdaki tabloda verildiği gibidir. Tablo 3 7 ve 6 sınıf için LBP temelli 3 farklı çekirdek SVM Accuracy Sonucu 7 sınıf için SVM Accuracy 6 sınıf için SVM Accuracy SVM (lineer) % 88.1 % 91.5 SVM (polinomial) % 88.3 % 93.2 SVM (rbf) % 88.9 % 95.6 Tablo 4 7 sınıf için yüz ifadelerinin LBP temelli SVM (rbf) Başarımları (%) Sinirli İğrenmiş Korkmuş Mutlu Doğal Üzgün Şaşırmış Sinirli İğrenmiş Korkmiş Mutlu Doğal Üzgün Şaşırmış Tablo 5 6 sınıf için yüz ifadelerinin LBP temelli SVM (rbf) Başarımları (%) Sinirli İğrenmiş Korkmuş Mutlu Üzgün Şaşırmış Sinirli İğrenmiş Korkmuş Mutlu Üzgün Şaşırmış Sonuç olarak bu çalışmada hedeflenen LBP katsayıları kullanılarak yüz ifadelerinin sınıflandırılması işlemi sınıflayıcı olarak SVM algoritması kullanılarak gerçekleştirilmiştir. Sınıflar arası karışma olmasına karşın kabul edilebilir oranda doğruluk oranları hesaplanmıştır. Tablo 4 te 7 sınıf için hesaplanan başarımlarda en çok karışan yüz ifadesi korkmuş olmakla beraber doğru sınıflanma oranı %67.4 tür. Diğer sınıflarla en az karışan şaşırmış ifadesi de %98.1 doğru sınıflama oranına sahiptir. Fakat doğal yüz ifadesi bir sınıf olarak kabul edilmeyip aynı hesaplamalar tekrar yapıldığında tüm yüz ifadelerinin doğru sınıflandırılmasında başarı oranı artmaktadır. Tablo 5 te görüldüğü gibi korkmuş ifadesi %73.4 e kadar yükselmektedir. Bunun yanı sıra şaşırmış ifadesi de %98.9 ile oldukça başarılı olarak sınıflandırılmaktadır. 9
10 6. KAYNAKLAR [1] C. Shan, S. Gong, P. W. McOwan, Facial Expression Recognition Based on Local Binary Patterns: A Comprehensive Study, Elsevier, Image and Vision Computing 27 (2009), [2] D. Huang, C. Shan, M. Ardabilian, Y. Wang, L. Chen, Local Binary Patterns and Its Application to Facial Image Analysis: A Survey, IEEE Transactions on Systems, Man and Cybernetics, Part C: Application and Reviews, vol 41, No 6, November [3] T. Ojala, M. Pietikainen, D. Harwood, A Comparative Study of Texture Measures with Classification Based on Feature Distributions, Elsevier Science, PatternRecoonition, Vol. 29, No. l, pp , [4] Z. Guo, L. Zhang, and D. Zhang, A Completed Modeling of Local Binary Pattern Operator for Texture Classification, IEEE Trans. Image Process.,vol. 19, no. 6, pp , Jun [5] Naika S. C. L, Das P. K., Nair S.B., Asymmetric Region Local Binary Pattern Operator for Person- Dependent Facial Expression Recognition, Computing, Communication and Applications (ICCCA), 2012 International Conference on Feb [6] Guo S., Ruan Q., Facial Expression Recognition Using Local Binary Covariance Matrices, Wireless, Mobile & Multimedia Networks (ICWMMN 2011), 4th IET International Conference on Nov [7] F. Ahmed, E. Hossain, A.S.M. H. Bari and A.S.M. Shihavuddin, Compound Local Binary Pattern (CLBP) for Robust Facial Expression Recognition, 12th IEEE International Symposium on Computational Intelligence and Informatics on November, [8] Y. Qian, F. Ren, and C. Quan, A New Preprocessing Algorithm and Local Binary Pattern Based Facial Expression Recognition, Proceedings of the 2013 IEEE/SICE International Symposium on System Integration, Kobe International Conference Center, Kobe, Japan, December 15-17, [9] H. Zhang and O. Yoshie, A Fusion Approach for Facial Expression Using Local Binary Pattern and a Pseudo 3D Face Model, th ACIS International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing on [10] M. Heikkil a, M. Pietik ainen, and C. Schmid, Description of Interest Regionswith Local Binary Patterns, Pattern Recog., vol. 42, no. 3, pp , [11] D. Huang, G. Zhang, M. Ardabilian, Y. Wang, and L. Chen, 3D Face Recognition Using Distinctiveness Enhanced Facial Representations and Local Feature Hybrid Matching, in Proc. IEEE Int. Conf. Biometrics: Theor., Appl. Syst., Washington, DC, Sep [12] R. Verma and M. Y. Dabbagh, Fast Facial Expression Recognition Based on Local Binary Patterns, 26th IEEE Canadian Conference Of Electrical And Computer Engineering (CCECE), [13] T. Ahonen, J. Matas, C. He, and M. Pietik ainen, Rotation Invariant Image Description with Local Binary Pattern Histogram Fourier Features, in Proc. Scand. Conf. Image Anal., pp [14] M. Lyons, M. Kamachi, and J. Gyoba, The Japanese Female Facial Expression Database (JAFFEE), Psychology Department in Kyushu University, Erişim web: 10
11 7. MATLAB KODU %% Local Binary Pattern Yöntemi ile Yüz İfadelerinin Tanınması % M. Ayyüce Kızrak_ %% VERİ KÜMESİİN OKUNMASI VE LBP KATSAYILARININ.XLS DOSYASINA KAYDEDİLMESİ for t=1:213 %Örnek sayısı kadar t yazmak gerek! MyFile = strcat('c:\users\ayyüce\desktop\lbf_şekil Tanıma\jaffe_im\', int2str(t), '.tiff'); Input_Im = imread(myfile); R=1; % LBP için girilmesi gereken yarıçap değeri %% LOCAL BINARY PATTERN ALGORİTMASI******************************** if size(input_im, 3) == 3 end; L = 2*R + 1; % LBP etiketinin boyutunun hesabı C = round(l/2); Input_Im = uint8(input_im); row_max = size(input_im,1)-l+1; col_max = size(input_im,2)-l+1; LBP_Im = zeros(row_max, col_max); for i = 1:row_max for j = 1:col_max A = Input_Im(i:i+L-1, j:j+l-1); A = A+1-A(C,C); A(A>0) = 1; LBP_Im(i,j) = A(C,L) + A(L,L)*2 + A(L,C)*4 + A(L,1)*8 + A(C,1)*16 + A(1,1)*32 + A(1,C)*64 + A(1,L)*128; % LBP katsayıları (256-59) end; end; %% LBP KATSAYILARININ EXCELE YAZILMASI****************************** Coeff_Mat(t,:)=LBP_Im; end LBP=xlswrite('LBP_Coeff',Coeff_Mat); %% MULTICLASS SVM FONKSİYONU*************************************** [result] = multisvm(trainingset,grouptrain,testset) %%****************************************************** u=unique(grouptrain); numclasses=length(u); result = zeros(length(testset(:,1)),1); %modelin oluşturulması for k=1:numclasses %durum vektörlerini binary yapma %seçilen sınıf 1 diğerleri 0 olarak tanımlanır G1vAll=(GroupTrain==u(k)); models(k) = svmtrain(trainingset,g1vall); end 11
12 %test setinin sınıflandırılması for j=1:size(testset,1) for k=1:numclasses if(svmclassify(models(k),testset(j,:))) break; end end result(j) = k; % Sonuçun yazılması end %% ACCURACY HESABI************************************************** cp= TrainingSet; classes= TestSet; classperf(cp,classes,testtarget); % Matlab ın hazır fonksiyonu %% ***************************************************************** 12
LOCAL 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
DetaylıKelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler
Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler Yılmaz KAYA 1, Lokman KAYCİ 2 1 Bilgisayar Mühendisliği Bölümü, Siirt Üniversitesi, 56100 Siirt 2 Biyoloji Bölümü, Siirt 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
DetaylıEğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir
sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt
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
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
DetaylıGörüntü Segmentasyonu (Bölütleme)
Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 20 Aralık 2014 Cumartesi 1 Görüntü Segmentasyonu 20 Aralık 2014 Cumartesi 2 Gestalt kanunları Görüntü
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:
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
DetaylıKümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir
Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
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
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
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
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Proje
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Proje Renk ve Şekil Temelli Trafik İşareti Tespiti Selçuk BAŞAK 08501008 1. Not: Ödevi hazırlamak için
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
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
DetaylıGörüntü Segmentasyonu (Bölütleme) Dijital Görüntü İşleme Fevzi Karslı, KTÜ Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır.
Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 16 Ocak 2014 Perşembe 1 Görüntü Segmentasyonu 16 Ocak 2014 Perşembe 2 Görüntüden Objelere Bir objeyi
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
DetaylıMETASEZGİSEL YÖNTEMLER
METASEZGİSEL YÖNTEMLER Ara sınav - 30% Ödev (Haftalık) - 20% Final (Proje Sunumu) - 50% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn: Zaman çizelgeleme, en kısa yol bulunması,
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
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
DetaylıDoküman 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
DetaylıCoğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları
Coğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları Sunan: Dr. Ufuk SAKARYA TÜBİTAK UZAY Katkıda Bulunanlar: Mustafa Teke, Can Demirkesen, Ramazan Küpçü, Hüsne Seda Deveci,
DetaylıTrafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi
Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi ISITES 2016 4 TH INTERNATIONAL SYMPOSIUM ON INNOVATIVE TECHNOLOGIES IN ENGINEERING AND SCIENCE Dr. G. Çiğdem Çavdaroğlu ISITES,
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
DetaylıBAŞKENT ÜNİVERSİTESİ BİYOMEDİKAL MÜHENDİSLİĞİ BÖLÜMÜ
BAŞKENT ÜNİVERSİTESİ BİYOMEDİKAL MÜHENDİSLİĞİ BÖLÜMÜ BME43 BİYOMEDİKAL İŞARET İŞLEME I LABORATUVAR DERSİ Deneyin Adı: Güç Sektral Yoğunluğu DENEY 7 Deneyin Amacı: Güç Sektral Yoğunluğu Tesiti ve MATLAB
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 7 SIFT ve Öznitelik Eşleme Alp Ertürk alp.erturk@kocaeli.edu.tr Panorama Oluşturma Görüntü mozaikleme, panorama oluşturma gibi tüm uygulamalar için öncelikle ilgili görüntülerin
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıMOD419 Görüntü İşleme
MOD419 Görüntü İşleme Ders Kitabı: Digital Image Processing by Gonzalez and Woods Puanlama: %30 Lab. %20 Vize %10 Quizes %40 Final %60 devam mecburiyeti Görüntü İşleme ye Giriş Görüntü İşleme Nedir? Özellikle
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:
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
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
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
DetaylıGörüntü İşleme. K.Sinan YILDIRIM Cenk İNCE Tahir Emre KALAYCI. Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 2003
Görüntü İşleme K.Sinan YILDIRIM Cenk İNCE Tahir Emre KALAYCI Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 2003 İçerik Görüntü İşleme Nedir? Görüntü Tanımlamaları Görüntü Operasyonları Görüntü İşleme
DetaylıGörüntü İşleme. Dijital Görüntü Tanımları. Dijital görüntü ise sayısal değerlerden oluşur.
Görüntü İşleme Görüntü işleme, dijital bir resim haline getirilmiş olan gerçek yaşamdaki görüntülerin bir girdi resim olarak işlenerek, o resmin özelliklerinin ve görüntüsünün değiştirilmesidir. Resimler
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
DetaylıRENK BİLEŞENLERİ YARDIMIYLA HAREKETLİ HEDEFLERİN GERÇEK ZAMANLI TESPİTİ
Journal of Naval Science and Engineering 2009, Vol 5, No2, pp 89-97 RENK BİLEŞENLERİ YARDIMIYLA HAREKETLİ HEDEFLERİN GERÇEK ZAMANLI TESPİTİ Öğr Kd Bnb Mustafa Yağımlı Elektrik/Elektronik Mühendisliği Bölümü,
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
Detaylı3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü
3.2. Raster Veriler Satırlar Piksel/hücre büyüklüğü Sütunlar 1 Görüntü formatlı veriler Her piksel için gri değerleri kaydedilmiştir iki veya üç bant (RGB) çok sayıda bant Fotoğraf, uydu görüntüsü, ortofoto,
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
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
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
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
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Vize. İris Segmentation. Selçuk BAŞAK 08501008
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Vize İris Segmentation Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim program ve kaynak
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
DetaylıGÖRÜNTÜ İŞLEME HAFTA 4 DÖNÜŞÜMLER UZAYSAL FİLTRELEME
GÖRÜNTÜ İŞLEME HAFTA 4 DÖNÜŞÜMLER UZAYSAL FİLTRELEME DERS İÇERİĞİ Histogram İşleme Filtreleme Temelleri HİSTOGRAM Histogram bir resimdeki renk değerlerinin sayısını gösteren grafiktir. Histogram dengeleme
Detaylı7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım;
İÇ ÇARPIM UZAYLARI 7. BÖLÜM İÇ ÇARPIM UZAYLARI Genel: Vektörler bölümünde vektörel iç çarpım;.= 1 1 + + Açıklanmış ve bu konu uzunluk ve uzaklık kavramlarını açıklamak için kullanılmıştır. Bu bölümde öklit
DetaylıKİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI
KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI Hatice YANIKOĞLU a, Ezgi ÖZKARA a, Mehmet YÜCEER a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Quadratic Programming Bir karesel programlama modeli aşağıdaki gibi tanımlanır. Amaç fonksiyonu: Maks.(veya Min.) z
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 10 Nesne / Yüz Tespiti ve Tanıma Alp Ertürk alp.erturk@kocaeli.edu.tr Nesne Tespiti Belirli bir nesnenin sahne içindeki konumunun tespitidir Tespit edilecek nesne önceden
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
DetaylıGÖRÜNTÜSÜ ALINAN BİR NESNENİN REFERANS BİR NESNE YARDIMIYLA BOYUTLARININ, ALANININ VE AÇISININ HESAPLANMASI ÖZET ABSTRACT
GÖRÜNTÜSÜ ALINAN BİR NESNENİN REFERANS BİR NESNE YARDIMIYLA BOYUTLARININ, ALANININ VE AÇISININ HESAPLANMASI Hüseyin GÜNEŞ 1, Alper BURMABIYIK 2, Semih KELEŞ 3, Davut AKDAŞ 4 1 hgunes@balikesir.edu.tr Balıkesir
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
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
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
DetaylıGÖRÜNTÜ İŞLEME - (7.Hafta) KENAR BELİRLEME ALGORİTMALARI
GÖRÜNTÜ İŞLEME - (7.Hafta) KENAR BELİRLEME ALGORİTMALARI Bu konuda bir çok algoritma olmasına rağmen en yaygın kullanılan ve etkili olan Sobel algoritması burada anlatılacaktır. SOBEL FİLTRESİ Görüntüyü
DetaylıBölüm 4 Yoğunluk Dönüşümleri ve Histogram İşleme
BLM429 Görüntü İşlemeye Giriş Bölüm 4 Yoğunluk Dönüşümleri ve Histogram İşleme Dr. Öğr. Üyesi Caner ÖZCAN It makes all the difference whether one sees darkness through the light or brightness through the
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Rastgele Değişkenlerin Dağılımları I Prof. Dr. İrfan KAYMAZ Ders konusu Bu derste; Rastgele değişkenlerin tanımı ve sınıflandırılması Olasılık kütle fonksiyonu Olasılık yoğunluk
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
DetaylıDestekçi Vektör Makineleri. Destekçi Vektör Makineleri(Support Vector Machines)
Destekçi Vektör Makineleri Destekçi Vektör Makineleri(Support Vector Machines) Değişkenler arasındaki örüntülerin bilinmediği veri setlerindeki sınıflama problemleri için önerilmiş bir makine öğrenmesi
DetaylıZahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme
Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme Doç. Dr. Bilge Karaçalı Biyomedikal Veri İşleme Laboratuvarı Elektrik-Elektronik
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
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
DetaylıNDEN BELİRLENEBİLME LME POTANSİYELİ UYDU GÖRÜNTÜLERİNDEN
BİNALARIN YÜKSEK Y ÇÖZÜNÜRLÜKLÜRLÜKL UYDU GÖRÜNTÜLERİNDEN NTÜLER NDEN BELİRLENEBİLME LME POTANSİYELİ Dilek KOÇ SAN dkoc@metu metu.edu.tr Orta Doğu u Teknik Üniversitesi, Jeodezi ve Coğrafi Bilgi Teknolojileri
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
DetaylıHSancak Nesne Tabanlı Programlama I Ders Notları
DİZİLER Bellekte ard arda yer alan aynı türden nesneler kümesine dizi (array) denilir. Bir dizi içerisindeki bütün elemanlara aynı isimle ulaşılır. Yani dizideki bütün elemanların isimleri ortaktır. Elemanlar
DetaylıZamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama
Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Mehmet Yavuz ONAT Yrd.Doç.Dr.Engin YILDIZTEPE Dokuz Eylül Üniversitesi, İstatistik Bölümü Akademik Bilişim 2015, Anadolu Üniversitesi, Eskişehir
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
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
DetaylıAyrık Fourier Dönüşümü
Ayrık Fourier Dönüşümü Tanım: 0 n N 1 aralığında tanımlı N uzunluklu bir dizi x[n] nin AYRIK FOURIER DÖNÜŞÜMÜ (DFT), ayrık zaman Fourier dönüşümü (DTFT) X(e jω ) nın0 ω < 2π aralığında ω k = 2πk/N, k =
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
DetaylıHaar Dalgacıkları ve Kübik Bezier Eğrileri İle Yüz İfadesi Tespiti Facial Expression Detection With Haar Wavelet and Cubic Bezier Curves
Haar Dalgacıkları ve Kübik Bezier Eğrileri İle Yüz İfadesi Tespiti Facial Expression Detection With Haar Wavelet and Cubic Bezier Curves Gonca Özmen 1, Rembiye Kandemir 2 1 Bilgisayar Programcılığı TBMYO
DetaylıYazılım Mimari Tasarımından Yazılım Geliştirme Çatısının Üretilmesinde Model Güdümlü Bir Yaklaşım
Yazılım Mimari Tasarımından Yazılım Geliştirme Çatısının Üretilmesinde Model Güdümlü Bir Yaklaşım İbrahim Onuralp Yiğit 1, Nafiye Kübra Turhan 2, Ahmet Erdinç Yılmaz 3, Bülent Durak 4 1,2,3,4 ASELSAN A.Ş.
DetaylıFonksiyon Optimizasyonunda Genetik Algoritmalar
01-12-06 Ümit Akıncı Fonksiyon Optimizasyonunda Genetik Algoritmalar 1 Fonksiyon Optimizasyonu Fonksiyon optimizasyonu fizikte karşımıza sık çıkan bir problemdir. Örneğin incelenen sistemin kararlı durumu
DetaylıYAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ. Umut FIRAT
YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ Umut FIRAT ufirat@yahoo.com Öz: Depremler yeryüzünde en çok yıkıma neden olan doğal afetlerdir. Bu durum, depremlerin önceden tahmin edilmesi fikrini
DetaylıAYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
DetaylıBİLGİSAYAR PROGRAMLAMA DERSİ
BİLGİSAYAR PROGRAMLAMA DERSİ 4. DERS NOTU Konu: M-dosya yapısı ve Kontrol Yapıları Hazırlayan: Yrd. Doç. Dr. Ahmet DUMLU 1 M-Dosya Yapısı Bir senaryo dosyası (script file) özel bir görevi yerine getirmek
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)
Detaylı1. BÖLÜM Polinomlar BÖLÜM II. Dereceden Denklemler BÖLÜM II. Dereceden Eşitsizlikler BÖLÜM Parabol
ORGANİZASYON ŞEMASI . BÖLÜM Polinomlar... 7. BÖLÜM II. Dereceden Denklemler.... BÖLÜM II. Dereceden Eşitsizlikler... 9. BÖLÜM Parabol... 5 5. BÖLÜM Trigonometri... 69 6. BÖLÜM Karmaşık Sayılar... 09 7.
DetaylıMuhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR
Yazılım Tanımlı Ağların Güvenliğinde Yapay Zeka Tabanlı Çözümler: Ön İnceleme Muhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR İzmir Katip Çelebi Üniversitesi, Muğla Sıtkı Koçman Üniversitesi, Ege
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
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,
DetaylıDers Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS
DERS BİLGİLERİ Ders Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS Matlab Programlama BIL449 7 3+0 3 5 Ön Koşul Dersleri Yok Dersin Dili Dersin Seviyesi Dersin Türü Türkçe Lisans Seçmeli / Yüz Yüze Dersin
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme
DetaylıBiyometrik Sistemlerin Örüntü Tanıma Perspektifinden İncelenmesi ve Ses Tanıma Modülü Simülasyonu
Biyometrik Sistemlerin Örüntü Tanıma Perspektifinden İncelenmesi ve Ses Tanıma Modülü Simülasyonu Gülin Dede 1 Murat Hüsnü Sazlı 2 1 Savunma Bilimleri Enstitüsü, Kara Harp Okulu, Ankara 2 Elektronik Mühendisliği
DetaylıTek Değişkenli Optimizasyon OPTİMİZASYON. Gradient Tabanlı Yöntemler. Bisection (İkiye Bölme) Yöntemi
OPTİMİZASYON Gerçek hayatta, çok değişkenli optimizasyon problemleri karmaşıktır ve nadir olarak problem tek değişkenli olur. Bununla birlikte, tek değişkenli optimizasyon algoritmaları çok değişkenli
DetaylıUYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA
UYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında ucuz ve hızlı sonuç alınabilen uzaktan algılama tekniğinin, yenilenebilir
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)
DetaylıSÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ
Uludağ Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, Cilt 12, Sayı 1, 2007 SÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ Cemal HANİLÇİ Figen
DetaylıTÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun.
Doç.Dr.Mehmet MISIR-2013 TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında
DetaylıBİLGİSAYAR PROGRAMLAMA DERSİ
BİLGİSAYAR PROGRAMLAMA DERSİ Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü DERS NOTU 3 KONU: M-dosya yapısı ve Kontrol Yapıları M-Dosya Yapısı
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
DetaylıİÇİNDEKİLER ÖNSÖZ Bölüm 1 KÜMELER Bölüm 2 SAYILAR
İÇİNDEKİLER ÖNSÖZ III Bölüm 1 KÜMELER 11 1.1. Küme 12 1.2. Kümelerin Gösterimi 13 1.3. Boş Küme 13 1.4. Denk Küme 13 1.5. Eşit Kümeler 13 1.6. Alt Küme 13 1.7. Alt Küme Sayısı 14 1.8. Öz Alt Küme 16 1.9.
DetaylıPROGRAMLAMAYA GİRİŞ. Öğr. Gör. Ayhan KOÇ. Kaynak: Algoritma Geliştirme ve Programlamaya Giriş, Dr. Fahri VATANSEVER, Seçkin Yay.
PROGRAMLAMAYA GİRİŞ Öğr. Gör. Ayhan KOÇ Kaynak: Algoritma Geliştirme ve Programlamaya Giriş, Dr. Fahri VATANSEVER, Seçkin Yay., 2007 Algoritma ve Programlamaya Giriş, Ebubekir YAŞAR, Murathan Yay., 2011
DetaylıGenetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:
Genetik Algoritmalar Bölüm 1 Optimizasyon Yrd. Doç. Dr. Adem Tuncer E-posta: adem.tuncer@yalova.edu.tr Optimizasyon? Optimizasyon Nedir? Eldeki kısıtlı kaynakları en iyi biçimde kullanmak olarak tanımlanabilir.
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
DetaylıŞimdi de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor. teoreminini iki kere kullanarak
10.Konu İç çarpım uzayları ve özellikleri 10.1. ve üzerinde uzunluk de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor teoreminden dir. 1.Ö.: [ ] ise ( ) ( ) ve ( ) noktaları gözönüne alalım.
Detaylı8.Konu Vektör uzayları, Alt Uzaylar
8.Konu Vektör uzayları, Alt Uzaylar 8.1. Düzlemde vektörler Düzlemdeki her noktası ile reel sayılardan oluşan ikilisini eşleştirebiliriz. Buna P noktanın koordinatları denir. y-ekseni P x y O dan P ye
DetaylıGezgin Satıcı Probleminin İkili Kodlanmış Genetik Algoritmalarla Çözümünde Yeni Bir Yaklaşım. Mehmet Ali Aytekin Tahir Emre Kalaycı
Gezgin Satıcı Probleminin İkili Kodlanmış Genetik Algoritmalarla Çözümünde Yeni Bir Yaklaşım Mehmet Ali Aytekin Tahir Emre Kalaycı Gündem Gezgin Satıcı Problemi GSP'yi Çözen Algoritmalar Genetik Algoritmalar
Detaylı