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, 56100 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.
Key Words: butterfly identification, local binary pattern, computer vision, pattern recognition 1. Giriş Kelebek ve güveler takımı, sahip olduğu 170.000 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
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.
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 75 88 90 0 0 0 91 92 94 8 th bit 0 1 4 th bit (00010110) 2 22 95 94 77 1 1 0 7 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 00000000 ve 11111111 örüntüleri 0 geçişe, 01100000 ve 11000011 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
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
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=4 93.57 87.14 92.14 88.57 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
d=1 d=2 d=3 d=4 95.71 90.71 85.00 87.14 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. 3.3. 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 89.29 92.85 93.57 95.71 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.
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. 13-20, 2013. [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. 57-64, 2014. [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. 71-79, 2014. [4]. Haralick, R. M., Shanmugam, K., & Dinstein, I. H, Textural features for image classification. Systems, Man and Cybernetics, IEEE Transactions on, Vol. (6), pp. 610-621, 1973. [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. 971 987,2002. [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. 8690 8695, 2011. [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. 7888 7894, 2010. [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. 267-281, 2014.