Kenar tespiti, görüntü işleme alanında en çok kullanılan işlemlerden biridir. Söz konusu işlem nesne tanıma ve takibi, bölge tespiti ve özellik çıkarımı için sıklıkla kullanılmaktadır. İlaveten kenar tespit algoritmaları genel amaçlı görüntülerden uydu görüntülerine ve tıbbi görüntülemeye kadar birçok alana uygulanmaktadır. Kenar tespitinde gradyan, türev ya da Canny operatörü gibi çok bilindik yöntemlerin yanı sıra wavelet dönüşümü gibi yaklaşımlar da kullanılabilmektedir. Bu teknikler ile görüntüdeki kenarlar tespit edilirken, piksellerin gri seviye değerleri üzerinde çıkarma ya da toplama gibi doğrusal işlemler yapılır. Ancak insan görsel sistemi kenarları belirlerken pikseller arasındaki lineer işlemler yerine uyarıcı ve engelleyici nöronları kullanır. Bu çalışmada insan görsel sistemini başarılı şekilde simüle eden bir İğnecikli Sinir Ağı (Spiking Neural Network - SNN) modeli önerilerek, ayrık dalgacık dönüşümünün (Discrete Wavelet Transform - DWT) gerçekleştirilmesinde kullanılmıştır. DWT hesaplamasında gerçekleştirilen komşu piksellerin gri seviye değerleri arasındaki toplama ve çıkarma işlemleri yerine, önerilen model kullanılmıştır. Ardından elde edilen DWT sonuçları, geleneksel DWT sonuçları ile karşılaştırılmıştır. Deneyler BSDS (Berkeley Segmentation DataSet) test veri tabanındaki 100 görüntü üzerinde gerçekleştirilmiştir. Elde edilen DWT sonuçları 2x enterpolasyon işlemine tabi tutularak büyütülmüş ve BSDS Test aracı ile kenar tespit başarıları ölçülmüştür. Yöntemlerin başarı ölçümü için F-Skor metriğinden faydalanılmıştır. Önerilen yaklaşım, geleneksel DWT’ye göre daha üstün performans göstermiştir.
Anahtar Kelimeler: İğnecikli Sinir Ağı, Kenar, Wavelet, F-Skor
|
