Çok Değişkenli Gauss Karışım Modelleme Yöntemiyle Görsel Doku Analizi

Abstract

Görsel dokular, periyodik olmayan çok farklı renk ve biçimlerde olabilmektedir. Bu yönüyle karmaşık ve zorlayıcı bir konu olan görsel doku analizi geniş kullanım alanlarına sahip olmasıyla güncelliğini korumaktadır. Bu çalışmada, görsel dokuların çok farklı yapılarda olan özniteliklerinin çok ölçekli bir yapıda modellenmesi ve bu modeller kullanılarak görsel dokuların otomatik sınıflanması hedeflenmiştir. Bu amaçla görsel doku modellemesinde çok boyutlu Gauss karışım modeli kullanılmıştır. Gauss karışım model parametreleri, uzamsal uzay ve Gabor uzayı olmak üzere iki farklı uzayda çıkarılan öznitelikler kullanılarak, beklentiyi en büyükleme algoritmasıyla hesaplanmıştır . Gabor uzayı çok ölçekli analiz imkânı sunarak dokuların farklı frekans ve yönelim özniteliklerini inceleme fırsatı vermesi nedeniyle tercih edilmiştir. İki sınıflama yöntemi farklı özellikteki görsel dokularda farklı başarımlarla çalışmaktadır. İki yöntem de iki dokulu sınıflama testlerinde %95’in üstünde başarımlar elde edilmiştir. Yönelimli dokularda ikinci yöntemin daha yüksek başarımlı sonuçlar verdiği durumlar bulunmuştur. Bazı dokuların Gabor uzayı öznitelikleri gri düzey özniteliklerine göre daha fazla yoğun bir yapıda olduğu görülmüştür.

Visual texture could be in variable shape, form and colors. Being a complex and challenging topic, visual texture analysis is an up to date subject with its wide spread application areas. The aim of this study is to model visual texture in a multiscale structure and classify visual textures automatically using these models. In order to model visual texture, multivariate Gaussian mixture model is used. Visual textures are modelled in two domains. First one is spatial domain and the second domain is Gabor space. Gabor wavelet functions which has the ability of analysing frequency domain in different orientations, provides a multiscale approach. Gaussian mixture parameters of visual texture is calculated by expectation maximization algorithm which is one of the most popular topics nowadays. Both classification methods has modelled textures with different performances due to the structure of texture. Both classification methods have classification rates over 95% in two class classification. In Gabor domain some textures has more compact structure than it is in spatial domain.