Optimizasyon Tabanlı Adaptif Görüntü Mozaikleme Algoritması

Abstract

Özet-Görüntü iĢleme, dijital ortamdaki görüntüler üzerinde bir amaç doğrultusunda gerekli analizler veya değiĢikliklerin yapılmasına yönelik çalıĢmaları kapsamaktadır. Son zamanlarda görüntü iĢleme tekniklerinden en çok kullanılanlardan biri de ortak sahneleri içeren resimler üzerinde iĢlem yapan ve bunları çakıĢtırarak birleĢtiren görüntü mozaikleme iĢlemidir. Bu çalıĢmada kendi kameramızdan elde ettiğimiz görüntüler üzerinde MATLAB ortamında görüntü mozaikleme iĢlemi gerçekleĢtirilmiĢtir. Görüntü mozaikleme için, özellik tabanlı görüntü mozaiklemenin temel adımları olan anahtar noktaların tespiti, bu noktaların eĢleĢtirilmesi, hatalı eĢleĢmelerin elenmesi ve homografi tahmini uygulanmıĢtır. Uygulamada özellik çıkarımı için SIFT algoritması seçilmiĢ, elde edilen homografi matrisi yardımı ile gerekli dönüĢüm iĢlemleri uygulanarak görüntü mozaikleme iĢlemi gerçekleĢtirilmiĢtir. Mozaikleme iĢleminin kalitesini artırmak adına optimizasyon yöntemi olan genetik algoritmadan yararlanılmıĢtır. Uygulamada giriĢ görüntü sayıları ve mozaikleme parametreleri farklı seçilerek çeĢitli karĢılaĢtırma iĢlemleri yapılmıĢtır.Anahtar Kelimeler-Genetik algoritma, Görüntü iĢleme, Görüntü mozaikleme, Optimizasyon. Optimization Based Adaptive Image Mosaicing AlgorithmAbstract-Image processing involves studies to make necessary analyzes or changes in an image aimed at digital images. One of the most recent use of image processing techniques is image mosaicking, which processes and combines images containing common scenes. In this study, we performed image mosaicing in the MATLAB environment on the images we acquired from our own camera. The key steps for feature-based image mosaicking which are detection of key points, matching of these points, elimination of mismatches and homography estimation are applied for image mosaicing. In the application, the SIFT algorithm was selected for feature extraction and image transformation was performed with the help of the obtained homography matrix. In order to increase the quality of the mosaic process, genetic algorithm, which is an optimization method, has been used. Various comparisons were performed by taking different input counts and by choosing different image mosaicing parameters.

İnsan-İHA Etkileşimi İçin Giyilebilir Eldiven Hareketlerinin Sınıflandırılması ve Analizi

“…Elde edilen veri seti üzerinde normalizasyon işlemi uygulandıktan sonra KNN algoritması kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. Daha sonra sınıflandırma işlemi sonucuna göre el hareketine karşılık İHA'nın hangi hareketi gerçekleştirmesi gerektiği, gerçek zamanlı olarak İHA simülasyonuna iletilmiştir [9][10][11][12]. Verilerin aktarılması işleminde verilerin doğru aktarılması minimum gürültüyle ve kesintisiz olarak toplanması konusunda dikkatli davranılmıştır.…”

“…Giyilebilir akıllı eldiven tasarımı için öncelikle el hareketlerinin rahatlıkla tanımlayabileceğimiz kullanımı rahat esnek bir eldiven tercih edilmiştir. Literatürde yapılan çalışmalarda farklı eldiven türleri kullanılmıştır [9][10][11][12]. Burada bizim asıl amacımız kullanım kolaylığı ve düşük maliyet ile maksimum verim sağlamak olmuştur.…”

“…Şekil 8'de hareket tanımlama ve sınıflandırma işleminde kullanılan el hareketleri gösterilmiştir. Veri seti oluşturmak için ve sınıflandırma işleminin kolaylığı açısından Her harekete Hareket1,Hareket2...Hareket10 gibi isimler tanımlanmıştır[9][10][11][12]. Axis üç eksendeki hareketleri zaman ekseninde gösterilmiştir.…”

Greedy segmentation based diabetic retinopathy identification using curvelet transform and scale invariant features

“…In these subareas histogram values are obtained by adding the orientation magnitudes corresponding to the same region within 45-degree slices. As a result, SIFT feature vector is of size 128 since each of squares has 8 descriptors (Karaköse et al, 2017). After SIFT is implemented, the feature matrix is given to the SVM classifier to identify DR in fundus images.…”