Image classification by means of pattern recognition techniques

Abstract

Öz Görüntü sınıflandırma işlemi, yüzey tanımlama, yüzey inceleme, görüntü analizi, uzaktan algılama, şekil tanıma gibi birçok bilgisayarla görü uygulamalarında önemli rol oynamaktadır. Bu çalışmada, tıbbi görüntülerin sınıflandırılması için, değişik metodlar incelenmiş, bir 2-B görüntü tanıma yöntemi önerilmiş ve değerlendirilmiştir. Çeşitli örüntü tanıma teknikleri, görüntü sınıflandırma sorununu çözmek için geliştirilmiştir. Bu örüntü tanıma teknikleri ana olarak iki gruba ayrılabilir. Bunlardan ilki matematiksel ve istatistiksel tabanlı olanlar, ikincisi ise, yapay sinir ağları tabanlı olanlardır. Biz bu çalışmada sinir ağı tabanlı modellere ağırlık vermiş bulunuyoruz. Bu çalışmada, her iki gruba düşen teknikler, deneysel çalışma aşamasında, VUR görüntülerinin tanınması üzerinde uygulanmıştır. Sınıflandırıcı başaran düzeyini göz önüne aldığımızda, yapay sinir ağlarıyla elde ettiğimiz sınıfladırıcı, diğer istatistiksel sınıflandırılardan daha başarılı sonuçlar vermiştir. Bu çalışmada melez bir yöntem önerilmiştir. Görüntülerin temsili, dönüşümden bağımsız matematiksel bir yapı olan Fourier tanımlayıcılarıyla gerçekleştirilmiştir. Fourier tanımlayıcıları yapay sinir ağını eğitmede girdi olarak kullanılmıştır. Uygulama aşağıda verildiği gibi yapılmıştır. Öncelikle, özellik çıkarımı gerçekleştirilmiş ve elde edilen özellikler tasannu yapılan yapay sinir ağının eğitiminde kullanılmıştır. Şekillerin temsili Fourier tanımlayıcılarının vektörel forma dönüştürülmesiyle gerçekleştirilmiştir. Fourier tanımlayıcılarının kullanımı, dönüşümden bağımsız (Yer değiştirmeden, dönmeden, ölçeklemeden bağımsız) olarak şekillerin temsilini sağlamıştır. Bu yeni vektörel tanımlama yapay sinir ağma girdi olarak sunulmuştur. Geri yayınım algoritması, yapay sinir ağının eğitiminde kullanılmıştır. Eğitim tamamlandıktan sonra, sistem sorgulamaya hazır hale gelmektedir. Gerçekleştirilen deneysel çalışmalarda en yalan komşuluk kuralı ve en yakın ortalama uzaklık kuralı sınıflandırıcıları da ayrıca üretilen örüntü vektörlerinin tanınmasında uygulanmıştır. Ancak geri yayınım algoritmasıyla eğitilen çok katmanlı perceptrondan oluşturulan sınırlandırıcı ile, yukarıda bahsedilen istatistiksel sınıfladırıcılardan daha başarılı sonuç elde edilmiştir.

Abstract Image classification plays an important role in many computer vision tasks such as surface inspection, shape determination etc. Various 2-D image classification techniques are investigated, assessed and a computational method to classify the 2-D X-ray images is developed and evaluated in this study. Various pattern recognition techniques are devised for the solution of the image classification. Those techniques may be divided into mainly two groups. First one, is mathematical and statistical model based, second one, is the artificial neural network based techniques. We have concentrated on artificial neural network techniques. In the experiments, both techniques were applied for the classification of the VUR (vesico ureteral reflux) images, in this study. However, according to the experiments performed on VUR case study, neural network technique was more successful than others, in terms of classifier. A hybrid method is proposed in this study, rather than pure artificial neural network solution. Representation of images is performed via transformation invariant mathematical structure called Fourier Descriptors and these structures are used as input to train the neural network for the classification part. The application is performed as follows: Feature extraction is performed first, then extracted features are used as pattern vectors for training the neural network. Representation of the shapes in X-ray images is performed by using Fourier Descriptors. Usage of Fourier descriptors as a method of representation of the shapes, provides the transformation invariant (translation, rotation, scaling invariant structure) representation of X-ray images. These new vector representation is fed to the neural network. Backpropagation is used as a training algorithm. After training is finished, system is ready for questioning. The minimum-mean-distance and nearest neighbor rules are also applied for the pattern vectors generated for the experiments. But the multilayer perceptron trained by backpropagation outperforms both of these statistical classifiers.