Tez No	İndirme	Tez Künye	Durumu
78341	Bu tezin, veri tabanı üzerinden yayınlanma izni bulunmamaktadır. Yayınlanma izni olmayan tezlerin basılı kopyalarına Üniversite kütüphaneniz aracılığıyla (TÜBESS üzerinden) erişebilirsiniz.	Dalgacık dönüşümü ve yapay sinir ağı kullanarak doku tanıma / Pattern recognition by using wavelet transform and artificial neural network Yazar:A.SAMET HAŞİLOĞLU Danışman: PROF. DR. İHSAN GÖK Yer Bilgisi: Marmara Üniversitesi / Fen Bilimleri Enstitüsü / Kontrol ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Dalgacık dönüşümleri = Wavelet transforms ; Doku sınıflandırma = Tissue classification ; Yapay sinir ağları = Artificial neural networks ; Örüntü tanıma = Pattern recognition	Onaylandı Doktora Türkçe 1998 195 s.
ÖZET Doku (texture); herhangi birine özel bir anlam vermeksizin, az veya çok düzenli, birçok benzer örüntü (pattern) veya elemanlardan oluşan bir yapı olarak tanımlanabilir. Doku sınıflandırma; doku öznitelikşerinin seçimi, eğitme ve sınıflandırma metotlarının tesbiti ile başlayan bir örüntü tanıma işlemidir. Doku sınıflandırması, Görüntü analizi, Uzaktan algılama, Kalite kontrolünde görüntülerden bozukluk tanınması ve benzer uygulama alanlarında önemlidir. Doku sınıflandırma ve segmantasyon maksadı ile doku analizi için birçok yaklaşım önerilmiş ve gözden geçirilmiştir. Dokunun önemli bir yanı onun skalasıdır. Pisikogörsel çalışmalar, insanın görme sisteminin görüntüleri çoklu skalada işlediğini işaret etmektedir. Bu çoklu skalada işleme, bu kavramlara dayanan doku analiz metotlarının geliştirilmesinde kuvvetli bir teşvik edici unsur olmuştur. Doku analizi ile ilgili çoğu klasik istatistiksel yaklaşımlar, örneğin; co-occurrence matrisi, 2. derece istatistikleri, Gauss-Markov tesadüfi alanları, Bölgesel lineer transformlar, Yakın komşuluklu uzaysal bağımlılıkların analizi ile kısıtlı kalmışlardır. Çoklu çözünürlük teknikleri görüntüleri hem uzaysal hem de frekans bilgisinin bulunduğu bir tasvire dönüştürmeyi amaçlar. Bu gayeyi gerçekleştirmek üzere, Gabor, Haar, Walsh-Hadamard açılımları, Gausyan ve Laplasyan piramitleri ve alt-bant kodlama filtreleri dahil olmak üzere bir seri çoklu çözünürlük teknikleri geliştirilmiştir. Son on yılda dalgacık (wavelet) teorisi önem kazandıve çoklu çözünürlük için daha bütünleşmiş ve sağlam bir yaklaşım sağlayan bir matematiksel bir taban oluşturdu. Yakın zamanlarda Dalgacık tabanlı yöntemler, örneğin; Ayrık dalgacık transform (ADT), Sürekli dalgacık transform (SDT), Dalgacık paket transform (DPT), Dalgacık frameler doku öznitelik ayrımı için teklif edildi. Bu tezde Ayrık dalgacık transform (ADT), Dalgacık paket transform (DPT), non- subsampled dalgacık frameleri, değişik dalgacık aileleri vasıtasıyla Brodatz albümünden 16 dokunun öznitelikleri seçimi için kullanıldı. Doku sınıflandırma, hızlı adaptif geri yayılım sinir ağı ile gerçekleştirildi, Öğretme işleminde rastgele çevrilmiş doku alt-resimleri kullanıldı ve tam bir sınıflandırma yaparak tanıma gerçekleştirildi.
ABSTRACT Texture can be defined as a structure composed of many of more or less ordered similar elements or patterns without one of these drawing special attention. Texture classification is a pattern recognition process starting from the selection of texture descriptors and from the choice of training and classification methods. Texture classification is important in scene analysis, remote sensing, defect recognition from images for quality control and other application areas. A large number of approaches for texture analysis has been suggested and reviewed, for the purpose of texture classification and segmentation. An important aspect of texture is scale. Psychovisual studies indicate that the human visual system processes images in a multiscale way. This multiscale processing is a strong motivation for texture analysis methods based on these concepts. Most traditional statistical approaches to texture analysis e.g., co occurrence matrix, second-order statistics. Gauss-Markov random fields, local linear transforms, are restricted to analysis of spatial interactions over relatively small neighborhoods. Multiresolution techniques intend to transform images into a representation in which both spatial and frequency information is present. To accomplish this, a lot of multiresolution techniques have been developed, including Gabor, Haar, Walsh-Hadamard expansions, Gaussian and Laplacian pyramids, subband filtering. In the last decade wavelet theoryemerged and became a mathematical framework which provides a more formal solid and unified approach to multiresolution representation. Recently, wavelet-based methods e.g.:DWT (Discrete Wavelet Transform), CWT (Continuous Wavelet Transform), Wavelet Packets, Wavelet frames have been proposed for texture features extraction. In this thesis, Discrete wavelet transform, Wavelet packet transform, non-subsampled wavelet frame transform has been used for feature extraction of 16 textures from a set of Brodatz' album, by means of various wavelet families. Texture classification has been accomplished by artificial neural network with fast adaptive backpropagation algorithm, Randomly rotated texture sub-images have been used for training purpose, and nearly perfect classification results have been obtained.