Developing a feature-based edge detector using artificial neural networks

Abstract

oz YAPAY SINIR AĞLARI KULLANAN ÖZNİTELİĞE DAYALI BİR KENAR BULMA YÖNTEMİ ARPAT, Güven Burç Yüksek Lisans, Bilişsel Sistemler Yüksek Lisans Programı Tez Yöneticisi: Assoc. Prof. Gürkan Tekman Yardımcı Tez Yöneticisi: Prof. Uğur Halıcı Mart 2001, 175 sayfa Görme Bilimi söz konusu olduğunda kenarlar en önemli düşük seviyeli görüntü işleme özelliklerinden birisi olarak kabul edilirler. Nesne tanımlamadan hareket analizine pek çok görüntü işleminde kenarlar kullanılmaktadır. Fakat, kenar bulma kavramı sadece optik görüntülerle kısıtlı değildir. Daha çok ölçüm bilimlerinde kullanılan, optik olmayan görüntüler de, yüksek doğruluk ve hız ile işlenebilmek için kenar tekniklerine ihtiyaç duymaktadır. Ne yazık ki, optik olmayan görüntülerde kenar kavramım tanımlamak, bu tip görüntülerde kenarların ışık yoğunluğuna bağlı olmayan doğası yüzünden, bir hayli zordur. vGörüntü bilimlerinde kenarları elde etmenin klasik yolu, görüntüyü, iyi bilinen Canny yönteminde olduğu gibi, görüntü türevi işlemcileri ile işlemekten geçmektedir. Ne yazık ki, hemen hemen tüm popüler kenar bulma yöntemleri bu yaklaşımın çeşitli türlerini kullanmaktadırlar ve ilk etapda sadece optik görüntüler üzerinde kullanılmak amacıyla geliştirilmişlerdir. Optik olmayan görüntülere uygulama zorluğunun üstesinden gelebilmek için ve kenar bulan yöntemi otomatik olarak ilgilenilen görüntü ve kenar tipine ayarlayabilmek için yapay sinir ağları kullanan yeni bir teknik önerilmektedir. Önerilen ağ, insan görsel sistemindeki retina, basit hücreler, hypercolumn gibi kimi yapılara benzer yapılar kullanmaktadır ve `eğitim görüntüleri` adlı bir kavramı kullanarak, bir öğreticinin de yardımıyla, kendi kendisini herhangi bir görüntü/kenar tipine ayarlamayı başarmaktadır. Önerilen metodun kapasitesini göstermek amacıyla çalışma, metodun ışık temelli kenar algılama (standart bir optik görüntü uygulaması), Canny yöntemi ile karşılaştırma ve sismik ölçümlerden kaya-tipi bulunması (optik olmayan örnek olarak yer bilimleri / ölçüm bilimleri uygulaması) alanlarına uygulanmasından elde edilen başarılı sonuçlan kapsamaktadır. Anahtar Kelimeler: Kenar Bulma, Görüntü İşleme, İnsan Görsel Sistemi, Yapay Sinir Ağları, Optik Olmayan Görüntüler vı

ABSTRACT DEVELOPING A FEATURE-BASED EDGE DETECTOR USING ARTIFICIAL NEURAL NETWORKS ARPAT, Güven Burç M.Sc, The Cognitive Science Graduate Program Supervisor: Assoc. Prof. Gürkan Tekman Co-Supervisor: Prof. Uğur Halıcı March 2001, 175 pages In vision science, edges are considered amongst the most important features of low-level image processing. They can be used for a variety of subsequent image processing steps, such as object recognition and motion analysis. Yet, the concept of edge detection is not limited to optical images only. Non-optical images that are mostly used in measurement sciences also require use of edge detection techniques to be processed/interpreted with high precision and/or speed. Yet, the edges in non-optical images are hard to define due to their non-luminance/intensity based nature. mThe classical way to obtain edges in vision science is to process the image using image derivative operators like in the famous Canny method. Unfortunately, almost all popular edge detection algorithms make use of variations of this approach and are developed such that they initially can only be used on optical images/intensity maps. To overcome this difficulty of applicability to non-optical images and to be able to automatically calibrate the edge detector to the image type/edge type of interest, a new technique making use of artificial neural networks is proposed. The proposed network uses analogous structures that can be found in human vision system (analogs to retina, simple cells and hypercolumns) and utilizes a concept called ''training images` to be able to adjust itself to any image/edge type of interest with an initial help from an instructor, i.e. using a supervised learning scheme. To demonstrate the capabilities of the proposed method, the study also includes samples of successful applications to luminance edge detection (a standard optical/intensity image application) with a comparison to Canny edge operator and rock-type interpretation from seismic measurements (an earth sciences / measurement sciences application as the non-optical example). Keywords: Edge Detection, Image Processing, Human Eye, Artificial Neural Networks (ANNs), Non-optical Images. IV