Cok Odakli Goruntu Fuzyonu Multi Focus Image Fusion

T.C.
ERCYES NVERSTES FEN BLMLER ENSTTS
OK ODAKLI GRNT FZYONU
Tezi Hazrlayan Ayder BULATOV
Tezi Yneten Yrd. Do. Dr. Veysel ASLANTA
Bilgisayar Mhendislii Anabilim Dal Yksek Lisans Tezi
Temmuz 2006 KAYSER
ii TEEKKR Bu almann gerekletirilmesinde byk katks olan, bilgi ve tecrbelerini esirgemeyen deerli danman hocam Yrd. Do. Dr. Veysel Aslantaa, gerektiinde tavsiyeleriyle yanmda olan arkadam Ar. Gr. Rfat Kurbana ve hayatmn her dneminde bana manevi destek salayan Aileme teekkrlerimi sunarm.
iii OK ODAKLI GRNT FZYONU Ayder BULATOV Erciyes niversitesi, Fen Bilimleri Enstits Yksek Lisans Tezi, Temmuz 2006 Tez Danman: Yrd. Do. Dr. Veysel ASLANTA ZET Grnt fzyon tekniklerin amac, bir ok sensrle veya ayn sensrn farkl parametreleriyle ayn evreye ait birden fazla resmin tek bir resim halinde birletirilmesidir. Birletirilmi resim, hem bilgisayar/insan analizi, hem de blmleme ve obje tespiti gibi grnt ileme teknikleri asndan daha uygun hale gelecektir. Fotoraf makinelerin objektifleri sadece belli bir uzakla odaklanabilirler. Bundan dolay tamamen net olan bir resmi ekmek adeta imkanszdr. Bu problemi zmek iin fotoraf makinenin konumu deitirilmeden ayn evreye ait farkl odak uzunluklar ile birden ok resim ekilir ve daha sonra bu resimler bir algoritma yardmyla birletirilir. Bu birletirme esnasnda tm resimlerden sadece net ksmlar alnr, bulank ksmlar ise atlr. Bylece tamamen net olan bir resim oluturulur. Bu amaca hizmet eden grnt fzyon tekniine ok odakl grnt fzyonu denir. u ana kadar hem ama hem de kullanlan metot asndan birok grnt fzyon teknii gelitirilmitir. Sz konusu teknikler akll sistemler ve robotlar, tbbi uygulamalar, imalat sistemleri, askeriye ve gvenlik gibi alanlarda uygulanabilirler. Bu almada grnt fzyon konusunda yeni metot gelitirilmi ve ayrntlaryla anlatlmtr. Bu metotlar blge tabanl olup srasyla bulanklatrma, netletirme ve fuzzy temelli tekniklerdir. Gelitirilen metotlarn, Uzaysal Frekans (SF) bazl fzyon tekniiyle kyaslanmas sonucunda daha stn performans sergiledikleri gzlemlenmitir. Anahtar Kelimeler: Grnt Fzyonu, Bulanklatrma, Netletirme, Fuzzy (Bulank) Mantk.
iv MULTIFOCUS IMAGE FUSION
Ayder BULATOV Erciyes University, Graduate School of Natural and Applied Sciences M. Sc. Thesis, July 2006 Thesis Supervisor: Assist. Prof. Dr. Veysel ASLANTA ABSTRACT The aim of image fusion techniques is to produce an image from multiple images of the same scene obtained by different sensors or a sensor with different parameters. The fused image can then be more suitable for human/machine perception, and for further image-processing tasks such as segmentation, feature extraction and object recognition. Optical lenses suffer from the problem of limited depth of field. So, it is almost impossible to obtain an image which is in focus everywhere. To solve this problem, several pictures of the same scene are taken by a camera with different focal lengths and the focused parts of the images are then fused to form a single image. The fused image becomes the focused image of the scene. Image fusion techniques that work this way are called multifocus image fusion techniques. There are several image fusion techniques using different methods and having different aims. These techniques can be applied in fields like intelligent robots, medical imaging, manufacturing, military and law enforcement. In this study, three new region-based multifocus image fusion methods are proposed and explained in details. They are based on blurring, sharpening and fuzzy system. Experimental results show that proposed methods outperform the Spatial Frequency (SF) based approach. Keywords: Image Fusion, Blurring, Sharpening, Fuzzy Logic.
v NDEKLER
KABUL VE ONAY ...........................................................................................................i TEEKKR......................................................................................................................ii ZET ...............................................................................................................................iii ABSTRACT.....................................................................................................................iv TABLOLAR LSTES ...................................................................................................viii EKLLER LSTES .......................................................................................................ix
1. BLM GR ................................................................................................................................1
2. BLM MEVCUT GRNT FZYON YAKLAIMLARI.....................................................4 2.1. Laplace Piramidi (LP) Temelli Grnt Fzyonu .....................................................6 2.1.1. Temel Teori.............................................................................................................6 2.1.2. LP Fzyon Algoritmas .........................................................................................10 2.1.3. Uygulama ..............................................................................................................12 2.1.4. Sonular ................................................................................................................14 2.2. Dalgack Dnm (Wavelet Transform) Temelli Grnt Fzyonu ...................14 2.2.1. Temel Teori...........................................................................................................14 2.2.2. WT Fzyon Algoritmas .......................................................................................19 2.2.3. Uygulama ..............................................................................................................20 2.2.4. Sonular ................................................................................................................21 2.3. Uzaysal Frekans (SF) Temelli Grnt Fzyonu ....................................................22 2.3.1. Temel Teori...........................................................................................................22 2.3.2. SF Fzyon Algoritmas .........................................................................................24 2.3.3. Uygulama ..............................................................................................................26 2.3.4. Sonular ................................................................................................................27
vi 3. BLM GELTRLEN YEN GRNT FZYON YAKLAIMLARI ..............................29 3.1. Kullanlan Ortak zellikler......................................................................................29 3.1.1. Blmleme Etkeni.................................................................................................29 3.1.2. ounluk Filtresi (Majority Filter) lemi ............................................................31 3.1.3. Deerlendirme Kriterleri.......................................................................................32 3.2. Grnt Fzyonunda Blge Bazl Bulanklatrma Yaklam................................34 3.2.1. Temel Algoritmas ................................................................................................34 3.2.2. Bulanklatrma Maske Seimi .............................................................................36 3.2.3. rnek.....................................................................................................................37 3.2.4. Deney Sonular ....................................................................................................39 3.2.4.1. Pencere Boyutu ve Maske Etkeni ......................................................................41 3.2.4.2. SF Bazl Grnt Fzyon Yaklam ile Kyaslama ..........................................43 3.2.4.3. Sbjektif Deerlendirme ....................................................................................43 3.2.5. Sonu.....................................................................................................................46 3.3. Grnt Fzyonunda Blge Bazl Netletirme Yaklam.......................................46 3.3.1. Temel Algoritmas ................................................................................................46 3.3.2 Netletirme Maske Seimi .....................................................................................49 3.3.3 rnek......................................................................................................................50 3.3.4. Deney Sonular ....................................................................................................51 3.3.4.1. Pencere Boyutu ve Maske Etkeni. .....................................................................52 3.3.4.2. SF Bazl Grnt Fzyon Yaklam ile Kyaslama ..........................................53 3.3.4.3. Sbjektif Deerlendirme. ...................................................................................53 3.3.5. Sonu.....................................................................................................................56 3.4. Grnt Fzyonunda Blge Bazl Fuzzy Yaklam ...............................................56 3.4.1. Fuzzy (Bulank) Kmeler......................................................................................57 3.4.1.1. yelik Fonksiyonlar..........................................................................................58 3.4.1.2. Fuzzy Kmeler Teorisinin Grnt Fzyona Bakan Yn ...............................58 3.4.2. Temel Algoritmas ................................................................................................59 3.4.2.1. Netlik len Kriterleri Seme............................................................................60 (a) SF - Spatial Frequency (Uzaysal Frekans) ................................................................60 (b) ED - Edge Detector (Kenar Tespiti)..........................................................................60
vii 3.4.2.2. Fuzzy Yapy Oluturma ....................................................................................61 3.4.3. Deney Sonular ....................................................................................................64 3.4.3.1. Pencere Boyutu Etkeni.......................................................................................65 3.4.3.2. SF Bazl Grnt Fzyon Yaklam ile Kyaslama ..........................................66 3.4.3.3. Sbjektif Deerlendirme ....................................................................................67 3.4.4. Sonu.....................................................................................................................69
4. BLM SONULAR VE DEERLENDRME..........................................................................70 KAYNAKLAR ...............................................................................................................72 ZGEM ....................................................................................................................75
viii TABLOLAR LSTES
Tablo 2.1. ekil 2.19da gsterilen resim pencerelerinin uzaysal frekans deerleri.......23 Tablo 3.1. Farkl boyuttaki pencere ve maske kullanlarak elde edilmi RMSE sonular: (a)Ortalama maskeleri, (b)Dairesel Ortalama maskeleri..............41 Tablo 3.2. Farkl boyuttaki pencere ve maske kullanlarak elde edilmi SF sonular: (a)Ortalama maskeleri, (b)Dairesel Ortalama maskeleri..............42 Tablo 3.3. SF bazl grnt fzyon yaklam ile farkl boyuttaki pencere ve eik deeri kullanlarak elde edilmi (a) RMSE, (b) SF sonular. ......................44 Tablo 3.4. Farkl boyuttaki pencere ve maske kullanlarak elde edilmi RMSE sonular. .......................................................................................................52 Tablo 3.5. Farkl boyuttaki pencere ve maske kullanlarak elde edilmi SF sonular...53 Tablo 3.6. SF bazl grnt fzyon yaklam ile farkl boyuttaki pencere ve eik deeri kullanlarak elde edilmi (a) RMSE, (b) SF sonular. ......................54 Tablo 3.7. Farkl boyuttaki pencere kullanlarak elde edilmi RMSE sonular ............66 Tablo 3.8. Farkl boyuttaki pencere kullanlarak elde edilmi SF sonular...................66 Tablo 3.9. SF bazl grnt fzyon yaklam ile farkl boyuttaki pencere ve eik deeri kullanlarak elde edilmi (a) RMSE, (b) SF sonular. ......................67
ix EKLLER LSTES ekil 2.1. disk (boyut: 480x640): (a) saate odakl, (b) kitapla odakl. .......................5 ekil 2.2. lab (boyut: 480x640): (a) saate odakl, (b) renciye odakl. .......................5 ekil 2.3. pepsi (boyut: 512x512): (a) pepsi kutusuna odakl, (b) test panosuna odakl...............................................................................................................5 ekil 2.4. ok znrlkl piramit emas. ....................................................................6 ekil 2.5. ndirgeme (REDUCE) ileminin bir boyut iin grafiksel ifadesi. ....................7 ekil 2.6. Gaussian piramit algoritmasyla retilmi resimler. ........................................8 ekil 2.7. Laplace algoritmasnn bloklarla ifade edilmi ekli. .....................................10 ekil 2.8. LP fzyon metodunun ematik diyagram. .....................................................11 ekil 2.9. Laplace fzyon algoritmasnn ak emas. ...................................................13 ekil 2.10. LP algoritmasnn fzyon sonucu: (a) fzyonun sonu resmi, (b) ve (c) giri resimler ile birletirilmi resmin farklar. .............................................15 ekil 2.11. ki hatl filtre sistemi.....................................................................................16 ekil 2.12. DWTnin filtre sistem yaps (analiz ksm). ................................................17 ekil 2.13. Ters DWTnin filtre sistem yaps (birletirme ksm). ................................17 ekil 2.14. Resim blmleme. Her bir resim kendine has filtre ileme ynne sahip. .............................................................................................................18 ekil 2.15. Dalgack dnm ile ok znrlkl bllmeme sonucu: (a) ve (c) orijinal resimler, (b) ve (d) ise onlarn dalgack blmleme sonular. .......................................................................................................18 ekil 2.16. WT fzyon metodunun ematik diyagram...................................................19 ekil 2.17. Dalgack algoritmasnn ak emas.............................................................21 ekil 2.18. WT algoritmasnn fzyon sonucu: (a) fzyonun sonu resmi, (b) ve (c) giri resimler ile birletirilmi resmin farklar. ........................................22 ekil 2.19. Barbara adl resimden alnan bir pencerenin (a) orijinali ve (b-e) bulanklatrlm rnekleri...................................................................23 ekil 2.20. ok odakl SF grnt fzyon metodunun ematik diyagram. ...................24 ekil 2.21. Gelitirilmi ok odakl grnt fzyon metodunun ematik diyagram. .....................................................................................................25 ekil 2.22. SF algoritmasnn ak emas.......................................................................26
x ekil 2.23. SF algoritmasnn fzyon sonucu: (a) fzyonun sonu resmi, (b) ve (c) giri resimler ile birletirilmi resmin farklar. .............................................28 ekil 3.1. Blge bazl tekniklerde blmleme ilemi. ....................................................30 ekil 3.2. ounluk Filtre ilemi: (a) filtrelenmemi kontrol tablosu (tablo), (b) filtre ileminden sonra elde edilen tablo (ftablo), (c) filtrelenmi tablonun son hali. ..........................................................................................33 ekil 3.3. nerilen grnt fzyon metodunun ematik diyagram. ..............................34 ekil 3.4. Net ve bulank resimlerin grafiksel gsterimi.................................................35 ekil 3.5. disk resimden alnan grnt zerinde farkl maskelerle yaplan bulanklatrmann sonular. ........................................................................37 ekil 3.6. rnekte kullanlan iki adet giri resmi: (a) birinci giri resmi, (b) ikinci giri resmi, (c) birinci giri resmin grafiksel gsterimi, (d) ikinci giri resmin grafiksel gsterimi.............................................................................38 ekil 3.7. lemler esnasnda elde edilen resimler: (a) ortalama resmi B, (b).bulanklatrlm (konvolsyon ilemine tabi tutulmu) ortalama resmi B*, (c) B resmin grafiksel gsterimi, (d) B* resmin grafiksel gsterimi........................................................................................................38 ekil 3.8. Giri resimlerin, ortalamann ve bulanklatrlm ortalamann grafiksel gsterimi........................................................................................................39 ekil 3.9. Referans resim, bulanklatrlm resimler ve fzyon sonucu: (a) referans resim, (b) sa odakl bulanklatrlm resim, (c) sol odakl bulanklatrlm resim, (d) fzyon sonucu..................................................40 ekil 3.10. disk adl kaynak resimler zerindeki fzyon sonular: (a) SF bazl fzyon, (b) nerilen bulanklatrma bazl fzyon. .......................................45 ekil 3.11. lab adl kaynak resimler zerindeki fzyon sonular: (a) SF bazl fzyon, (b) nerilen bulanklatrma bazl fzyon. .......................................45 ekil 3.12. pepsi adl kaynak resimler zerindeki fzyon sonular: (a) SF bazl fzyon, (b) nerilen bulanklatrma bazl fzyon. .......................................45 ekil 3.13. nerilen grnt fzyon metodunun ematik diyagram .............................47 ekil 3.14. disk resimden alnan grnt zerinde farkl maskelerle yaplan netletirmenin sonular. ...............................................................................49
xi ekil 3.15. lemler esnasnda elde edilen resimler: (a) ortalama resim B, (b).konvolsyon ileminden sonraki ortalama resim B*, (c) B resmin grafiksel gsterimi, (d) B* resmin grafiksel gsterimi, (e) Krplm B* resmi, (f).k olarak beklenen resim, (g) Krplm B* resmin grafiksel gsterimi, (h) k olarak beklenen resmin grafiksel gsterimi........................................................................................................50 ekil 3.16. Giri resimlerin, ortalamann ve netletirilmi ortalamann grafiksel gsterimi........................................................................................................51 ekil 3.17. Referans resim ve fzyon sonucu: (a) referans resim, (b) fzyon sonucu. ..........................................................................................................52 ekil 3.18. disk adl kaynak resimler zerindeki fzyon sonular: (a) SF bazl fzyon, (b) nerilen netletirme bazl fzyon. ..............................................55 ekil 3.19. lab adl kaynak resimler zerindeki fzyon sonular: (a) SF bazl fzyon, (b) nerilen netletirme bazl fzyon. ..............................................55 ekil 3.20. pepsi adl kaynak resimler zerindeki fzyon sonular: (a) SF bazl fzyon, (b) nerilen netletirme bazl fzyon. ..............................................56 ekil 3.21. nerilen grnt fzyon metodunun ematik diyagram. ............................59 ekil 3.22. disk adl kaynak resimler zerindeki ED operatrn etkisi : (a).ekil.2.1(a)nin ED ile ilenmi hali, (b) ekil 2.1(b)nin ED ile ilenmi hali. .................................................................................................61 ekil 3.23. Fuzzy yapsnn genel ekli...........................................................................62 ekil 3.24. Fuzzy giri ve k deikenlerinin yelik fonksiyonlar. ...........................62 ekil 3.25. Fuzzy sisteminin giri-k grafii...............................................................64 ekil 3.26. Referans resim, bulanklatrlm resimler ve fzyon sonucu: (a) referans resim, (b) sa odakl bulanklatrlm resim, (c) sol odakl bulanklatrlm resim, (d) fzyon sonucu..................................................65 ekil 3.27. disk adl kaynak resimler zerindeki fzyon sonular: (a) SF bazl fzyon, (b) nerilen fuzzy fzyonu...............................................................68 ekil 3.28. lab adl kaynak resimler zerindeki fzyon sonular: (a) SF bazl fzyon, (b) nerilen fuzzy fzyonu...............................................................68 ekil 3.29. pepsi adl kaynak resimler zerindeki fzyon sonular: (a) SF bazl fzyon, (b) nerilen fuzzy fzyonu...............................................................69
1. BLM GR
Son zamanlarda grlen hzl teknoloji geliimi insann hayatn kolaylatrma asndan byk bir nem tamaktadr. Ksa zaman evvel yaplmas imkansz grlen eyler, bu gnlerde ok rahatlkla yaplmaktadr. Grnt ileme, llm veya kaydedilmi olan elektronik (dijital) grnt verilerini, elektronik ortamda (bilgisayar ve yazlmlar yardm ile) amaca uygun ekilde deitirmeye ynelik olarak yaplan bilgisayar almasdr. Bu, verilerin, yakalanp lme ve deerlendirme ileminden sonra, baka bir aygtta okunabilir bir biime dntrlmesi ya da bir elektronik ortamdan baka bir elektronik ortama aktarmasna ynelik bir alma olan "Sinyal ilemeden" farkl bir ilemdir. Sz konusu teknik daha ok, kaydedilmi olan, mevcut grntleri ilemek, yani mevcut resim ve grafikleri, deitirmek, farkllatrmak ya da iyiletirmek iin kullanlr. Gnmzde grnt fzyon teknikleri grnt ilemenin nemli konularndan biri haline gelmitir [1-4]. Bu tekniklerin amac, grnty bilgisayar/insan tarafndan analiz edilmesi, blmleme ve obje tespiti gibi grnt ileme sreleri iin uygun hale getirmektir. Bunun iin belli bir mantk kullanlarak iki veya daha fazla sensrlerden alnm resimler birletirilmektedir. u ana kadar hem ama hem de kullanlan metot asndan birok grnt fzyon teknii gelitirilmitir. Sz konusu tekniklerin uygulama alanlar aadaki gibi sralanabilir [5]: Akll sistemler ve robotlar
2 o Grnt ve dier sensrleri kullanarak gerekletirilen geri beslemeli robot hareket kontrol. o Stereo kameralarn kontrol. o Akll izleme sistemleri. o Otomatik hedef belirleme ve yol takip etme sistemleri. Tbbi uygulamalar o X-nlarla elde edilmi tomografi ile manyetik rezonans grntlerin fzyonu. o Bilgisayar destekli cerrahlk. o 3 boyutlu yzey rnekleme. malat sistemleri o Elektrik devre eleman tespiti. o rn yzeyini lme ve inceleme. o Tehlikeli olmayan (nondestructive) maddelerin incelenmesi. o malat sre denetimi. o Karmak makine/cihaz inceleme. o retim hatlardaki zeki robotlar. Askeri ve gvenlik uygulamalar o Tanma, iz srme, yer (su, hava) hedefleri belirleme. o Sakl silah tespiti. o Sava alan denetimi. o Gece yol klavuzu. Uzaktan alglama sistemleri o Elektro manyetik nlarnn deiik frekanslarn kullanma o Sensrler: siyah beyaz havai fotoraf makinelerinden ok spektrumlu aktif mikrodalga grntleme radarlarna kadar eitli l sistemleri. Grnt fzyon tekniklerinin iki veya daha fazla grntnn birletirilmesi iin kullanld yukarda belirtilmiti. Sz konusu giri grntleri genelde ya farkl sensrlerle ya farkl aydnlatma artlarnda veya farkl odak uzunluklaryla elde edilir. Bu tez almasnda ele alnan konu ok odakl grnt fzyonudur. Dolaysyla ok odakl grnt fzyonu yerine ksaca grnt fzyonu tabiri kullanlacaktr.
3 Fotoraf makinelerinin objektifleri, karlarndaki blgenin sadece belli bir uzaklna odaklanabilirler. Bu ise ekilen grntnn tamamen net olmayaca anlamna gelmektedir. Bu problemin zmlerinden birisi yledir: lk nce farkl odak uzunluklar ile ard arda grntler ekilir. Daha sonra da bu grntlerden net (odaklanm) ksmlar alnarak tek bir resimde birletirilir. Bu birletirme ilemine grnt fzyonu ad verilir. En basit grnt fzyon metodu, resimlerin gri ton olarak piksel-piksel ortalamasn almaktan ibarettir. Bu ilem ise genellikle resim netliinin azalmasna sebep olur. Son yllarda bu konuda birok metot retilmitir. Bunlardan bazlar: Laplace Piramidi [6], Gradient Piramidi [7], Alak Geiren Piramit Oran [8], Morfoloji Piramidi [9], Dalgack Dnm [10-12] ve Uzaysal Frekans [13]. Ayrca bu alanda yapay sinir alar temelli teknikler de uygulanmtr [14]. Bu tez almasnda fotoraf makinesinden farkl uzaklklara sahip nesneler ieren grntler ele alnacaktr. Yukarda da belirtildii gibi genelde bir defa fotoraf ekmekle tamamen net olan bir grnt elde edilememektedir. Dolaysyla buradaki ama, farkl odak uzunluklaryla ekilen resimleri kullanarak tamamen net olan bir grnty elde etmektir [15]. Bu almada blge bazl tane yeni grnt fzyon metodu nerilmektedir. Bunlar: 1- bulanklatrma temelli, 2- netletirme temelli, 3- fuzzy temelli tekniklerdir. Gelitirilen teknikler SF bazl fzyon yaklam ile kyaslandnda stn performans sergilemektedirler. Tezin devam aadaki gibidir: Blm 2de u ana kadar grnt fzyon konusunda nerilen baz yaklamlar anlatlacaktr. Blm 3te gelitirilen yeni yaklamlar anlatlacaktr ve son olarak Blm 4te alma ile ilgili deerlendirmeler yaplacaktr.
2. BLM MEVCUT GRNT FZYON YAKLAIMLARI u ana kadar bir ok grnt fzyon teknii gelitirilmitir. Bu blmde onlardan sadece gsterilecektir. Bunlar Laplace Piramidi (LP), Dalgack Dnm (Wavelet Transform) ve Uzaysal Frekans (SF) bazl Grnt Fzyon yaklam. lk iki metot grnt fzyonun en ok bilinen metotlardr, zellikle Dalgack Dnm zerinde gelitirilen yaklamlar son yllarda grnt fzyon alannn en ok ilgilendii yaklamlar olmutur. Son yaklam ise Blm 3te anlatlacak metotlarla kyaslama amal kullanldndan dolay seilmitir. Bu blmde sz konusu tekniklerin genel mant, uygulanmalar, elde edilen fzyon sonular gsterilecek ve her birisi iin sonu deerlendirmesi yaplacaktr. Bu almada kullanlacak resimler grnt fzyon tekniklerini test etmek amacyla ekilmi ve bir ok makalede fzyon kalite lmelerinde kullanlan resimlerdir. disk, lab ve pepsi olarak isimlendirilen bu resimler, srasyla ekil 2.1, ekil 2.2 ve ekil.2.3te verilmitir. Grld gibi ekil 2.1(a)da saate odakl, ekil 2.1(b)de ise kitapla odakl bir resim vardr. Buna benzer bir ekilde ekil 2.2(a)da saate odakl, ekil 2.2(b)de renciye odakl, ekil 2.3(a)da pepsi kutusuna odakl, ekil 2.3(b)de ise test panosuna odakl bir resim vardr. Burada odaklanm objelerin net, odaklanmam objelerin ise bulank olduu grlmektedir.
(a)
(b)
ekil 2.1. disk (boyut: 480x640): (a) saate odakl, (b) kitapla odakl.
(a)
(b)
ekil 2.2. lab (boyut: 480x640): (a) saate odakl, (b) renciye odakl.
(a)
(b)
ekil 2.3. pepsi (boyut: 512x512): (a) pepsi kutusuna odakl, (b) test panosuna odakl.
6 2.1. Laplace Piramidi (LP) Temelli Grnt Fzyonu 2.1.1. Temel Teori Grnt piramitleri ilk defa ok znrlkl grnt analizi ve insan grmedeki ift grntnn fzyon modeli olarak anlatlmtr. Bir grnt piramidi, orijinal grntnn alak veya bant geiren filtreden geirilmi kopyalarndan oluur ki, bunlarda bant limiti ve znrllk adm adm azaltlmtr [16]. u ana kadar bir ok piramit bazl dntrme emas nerilmitir, bu almada ise sadece Laplace piramidi anlatlacaktr. Burt ve Andelson Laplace algoritmasn 1983te grnt kodlama metodu olarak tantmlard [6]. Bu aslnda bir kodlama mantndan daha fazla ok znrlkl piramit dnmn yapabilen bir algoritmadr. ok znrlkl piramit dnm, grnty farkl leklere sahip bir ok znrle ayrr. Piramit, her katmannda bir nceki resmin kltlm ve filtrelenmi rneini bulunduran bir resim dizisidir. En aadaki katmanda orijinal resim ile ayn lekte ve en yksek znrle sahip bir resim bulunur. Yukardaki katmanlar ise bu resmin hem bykl hem de znrl kltlm birer rneinden ibarettir. ekil 2.4. de ok znrlkl piramit emas verilmitir.
ekil 2.4. ok znrlkl piramit emas. Laplace piramit dnmndeki ilk adm orijinal resim g0 alak geiren filtreden geirmektir ki, bunun sonucunda g0n kltlm hali g1 oluur. Buna benzer g1in kltlm hali olan g2 oluturulur, v.s. Bu, katman katman ilenen sre
0 < l < N katmanlar ve i, j,

aadaki formlde belirtilmitir:
0 i < C l , 0 j < Rl noktalar ifade etmek zere
g l (i, j ) =
m = 2n = 2
w(m, n) g
l 1
( 2i + m,2 j + n)
(2.1)
Burada N piramitteki katman saysn, C l ve Rl ise lnc katmann boyutunu ifade ederler. Bu indirgeme ilemi aadaki REDUCE fonksiyonu ile ifade edilebilir. g l = REDUCE ( g l 1 )
(2.2)
ekil 2.5. ndirgeme (REDUCE) ileminin bir boyut iin grafiksel ifadesi. ndirgeme ilemi, resmin yerel, simetrik arlk fonksiyonlarndan birisiyle konvolsyon ilemine tabi tutulmasyla elde edilir. Bu fonksiyonlardan birisi Gaussian dalmdr ve g 0 , g1 , g 2 ,..., g n resim dizisine Gaussian piramidi denir. Burt ve Andelsonun da nerdikleri gibi boyutu 5x5 olan bir pencere seilmitir, nk bu durumda ksa hesaplama ile gzel bir filtreleme etkisi meydana gelmektedir. lem ekirdei olarak bilinen bu arlk maskesi seilirken belirli artlara dikkat edilmelidir. Mesela w sadeletirme iin ksmlara ayrlabilmelidir.
w( m, n) = w( m) w( n)
(2.3)
Burada bir boyutlu ve uzunluu 5 olan w fonksiyonu normalize edilmi ve simetriktir.

2
m = 2
w(m) = 1
(2.4)
w(i ) = w( i ), i = 0,1,2 iin
(2.5)
Dier bir art ise eit katlmdr. Bu arta gre bir seviyedeki tm elemanlar bir
yksek seviyedeki elemanlara eit oranda (=1/4) etki etmelidir. Mesela, w(0) = a ,
w( 1) = w(1) = b , ve w(2) = w(2) = c olsun, bu durumda eit katlm artna gre
a 2c = 2b olur. Bu art aadaki durumda salanm olur.

w(0) = a w(1) = w(1) = 1 / 4 w(2) = w(2) = 1 / 4 a / 2
ekil 2.5te indirgeme (REDUCE) ileminin bir boyut iin grafiksel ifadesi, (2.6)
ekil.2.6da ise Gaussian piramit algoritmasyla retilmi resimler gsterilmitir.
ekil 2.6. Gaussian piramit algoritmasyla retilmi resimler. ndirgeme (REDUCE) fonksiyonun tersi geniletme (EXPAND) fonksiyonudur.
g l ,n = EXPAND ( g l , n 1 )
(2.7)
Bu fonksiyonun amac, dizinin boyutu ( M + 1) ( N + 1) iken elemanlarn arasna yeni deerleri eklemek suretiyle ( 2 M + 1) ( 2 N + 1) haline getirmek, yani geniletmektir.
Aada bu ilemin denklem ifadesi verilmitir.
9
im jn , ) 2 2
g l ,n (i, j ) = 4 w(m, n) g l , n 1 (
m = 2n = 2
(2.8)
Burada l ve n katmanlar ( 0 < l < N , 0 n ), i ve j ise elemanlar ( 0 i < C l n , 0 j < Rl n ) ifade ederler.
Laplace piramidi L0 , L1 , L2 , ..., L N hata resimler dizisinden ibarettir. Bunlardan her biri Gaussian piramidin iki katman arasndaki fark ifade eder. yle ise 0 < l < N iin, Ll = g l EXPAND( g l +1 ) = g l g l +1,1
(2.9)
g N tahmini iin gerekli g N +1 resmi bulunmadndan dolay, L N = g N dir. Geniletme ilemi yapldktan sonra Laplace piramidin tm katmanlar toplanrsa orijinal resim, hibir veri kayb olmadan, yeniden elde edilebilir.
g 0 = Ll ,l
l =0
(2.10)
Bu ilemin gerekletirilmesinde bir dier etkili yol ise: L N bir defa geniletildikten sonra L N 1 ile toplanr, bunun sonucu geniletilip LN 2 ile toplanr, vs ta ki orijinal resim elde edilene kadar. g N = LN g l = Ll + EXPAND( g l +1 ), l = N 1, N 2,...,0 iin Bu algoritmann mant ekil 2.7de bloklarla ifade edilmitir.
(2.11) (2.12)
10
ekil 2.7. Laplace algoritmasnn bloklarla ifade edilmi ekli.
2.1.2. LP Fzyon Algoritmas
lk defa 1983te Burt ve Andelson tarafndan nerilen bu metot, sonraki yllarda gelitirilen bir ok yaklama esas olmutur [17,18]. Temel mant, her bir giri resmi piramit blmlemeye tabi tutup oluan piramitleri birletirmek ve sonunda meydana gelen bu birletirilmi yapy ters piramit dnmne tabi tutup birletirilmi sonu resmini elde etmektir. LP fzyon metodunun ematik diyagram ekil 2.8de gsterilmitir. Aslnda algoritma iki giri resimden daha ok resim ileyebilmektedir, ama anlatm kolayl iin iki girili bir sistem gsterilmitir. Algoritmann birinci adm, her bir giri resmi iin birer piramit oluturmaktr. Bundan sonra piramidin her bir katman iin seme mekanizmas kullanlarak fzyon ilemi gerekletirilir. Birletirmenin bir ok mant kullanlabilir, mesela seme veya ortalama alma [18]. Seme mantna gre incelenen pencere iin giri resimlerinden en uygun pencere seilir ve bileik piramide kopyalanr, uygun olmayan pencere ise atlr. Ortalama alma mantna gre de giri resimlerdeki pencerelerin ortalamas alnr. Bu ortalama alma sreci, giri resimlerin ayn grntlere sahip blgelerinde hem grlty azaltr, hem
11 de kararllk salar. Bu iki mantk ierisinden birincisi giri resimlerin birbirinden farkl olduu aka grldnde, teki ise girilerin birbirine benzedii durumlarda kullanlr.
ekil 2.8. LP fzyon metodunun ematik diyagram. Bu konuda gelitirilen bir baka en uygunu seme mant aadaki formlle ifade edilmitir.
Al ( x, y ), Al ( x, y ) > Bl ( x, y ) ise Fl ( x, y ) = Bl ( x, y ), diger
(2.13)
Buradaki Al ve Bl iki girii, Fl ise fzyon sonucunu ifade eder (katman aral
0 l N 1 ).
Bundan sonra ounluk filtresi uygulanmakta ve son olarak N katman iin iki giri bileenlerin ortalamas alnmaktadr.
FN ( x, y ) =
AN ( x, y ) + B N ( x, y ) 2
(2.14)
12
2.1.3. Uygulama LP fzyon metodunun uygulanmas iin MATLAB kullanlarak lap_fus fonksiyonu oluturulmutur [19]. Bu fonksiyon temel ii yapmak iin zyinelemeli bir algoritmay kullanmaktadr. lk nce giri resimlerin Laplace piramitleri oluturulur. Sonra her bir katman iin resimler birletirilir, yani fzyon uygulanr. Son olarak ise birletirilmi piramidi ters Laplace piramit dnmne tabi tutarak fzyon k elde edilir. Fonksiyonun girileri aadaki gibidir: Giri resimler (im1, im2): ayn byklkte ve ayn hizada ayarlanm olacak. Katman says (ns): piramit katman saysn belirten bir tam say. ounluk filtresi: 1 olduu durumlarda ounluk filtresini uygular, yoksa uygulamaz. Bunlardan ounluk Filtresi ilemi Blm 3.1.2de anlatlacaktr. ekil 2.9daki ak emasnda da gsterildii gibi algoritmann be temel ksm vardr, bunlar: Ksm A: giri resimlerin byklk kontrol. Ksm B: n katmanl piramidin oluturulmas. Ksm C: piramitlerin katman katman fzyonu. Ksm D: son katman analizi. Ksm E: fzyon sonucunun oluturulmas. Her bir iterasyonda katman numaras son katmana ulaana kadar (katman no=0) azaltlr. Her bir iterasyonun giri resmi bir ncekinin kltlm (indirgenmi) halidir. ndirgeme fonksiyonu, Gaussian filtre maskesiyle iki boyutlu konvolsyon ileminden ve iki kat kltme ileminden ibarettir. Genilet, indirgeme ileminin tersi olmakla beraber ilk nce resmi iki kat arttrr sonra da ayn Gaussian filtre maskesiyle iki boyutlu konvolsyon ilemine tabi tutar.
13
ekil 2.9. Laplace fzyon algoritmasnn ak emas.
14 Bu iki boyutlu filtre maskesi Blm 2.1.1de anlatlan kstlamalara gre ayarlanmtr.
a= 6 seilmitir, bu ise aadaki filtre maskesini retir. 16
1 4 6 4 1 4 16 24 16 4 1 w = 2 6 24 36 24 6 16 4 16 24 16 4 1 4 6 4 1
(2.15)
2.1.4. Sonular ekil 2.10da grnt fzyonun bir rnei grlmektedir. Kaynak olarak ekil 2.1de gsterilen disk adl resimler kullanlmtr. ekil 2.10(a)da Laplace teknii uygulayarak elde edilmi fzyon sonucu verilmitir (katman says=3, Laplace filtresinin katsays a =
6 ve ounluk filtresi ak durumda). ekil 2.10(b) ve (c) ise 16
giri resimlerin (ekil 2.1) birletirilmi resimle farklarn gstermektedirler. ekil.2.1deki orijinal resimlere bakldnda ekil 2.1(a)da saate odaklanm, ekil.2.1(b)de ise arkadaki kitap rafna odaklanm durumunda oluu grlecektir. ekil 2.10(a) gstermektedir ki algoritma tm iyi odaklanm resim ksmlarn tek bir resimde toplamtr.
2.2. Dalgack Dnm (Wavelet Transform) Temelli Grnt Fzyonu 2.2.1. Temel Teori Dalgack dnm (WT), 80li yllarda ortaya km, grntnn ok znrlkl blmlemesini yapabilen ve kusursuz grnt ifadesini salayan bir sinyal ileme aracdr. Temelini ana dalgack adl fonksiyondan geniletme ve sarma sayesinde retilmi fonksiyonlar sahiptir. (dalgacklar) oluturmaktadr. Bu yeni bir fikir olmamakla beraber sinyal zelliklerini hem zaman hem de frekans bazl ifade edebilme avantajna
15
(a)
(b) resimler ile birletirilmi resmin farklar.
(c)
ekil 2.10. LP algoritmasnn fzyon sonucu: (a) fzyonun sonu resmi, (b) ve (c) giri
ekil 2.11de ayrk dalgack dnmnn (DWTnin) uygulan gsterilmektedir. Giri sinyali bir boyutlu dijital filtrelerden geirilmektedir. Bunlardan H 0 yksek geiren, H 1 ise alak geiren filtre ilemini yapmaktadr. Her bir filtreleme ileminden sonra 2 kat kltme ilemi gerekletirilmektedir. Bundan sonra bu iki sinyal bileeni bytlp ve filtrelerden geirilip toplanr. F0 ve F1 birletirme filtreleri H 0 ve H 1 analiz filtrelerine gre zel uyarlanm olmaldrlar ki mkemmel bir sonu alnsn [20]. ekil 2.11de gsterilen iki hatl filtre sisteminin z-dnm fonksiyonunu hesaba katarak bu filtrelerin uymak zorunda olduklar ilikiyi bulmak kolaydr. Analiz sonras iki sinyal bileeni aadaki gibi ifade edilir.
16
ekil 2.11. ki hatl filtre sistemi.

1 1 1 12 12 H 0 z X z + H 0 z 2 X z 2 2
(2.16) (2.17)
1 1 1 12 12 H 1 z X z + H 1 z 2 X z 2 2
Sonra bu filtre sistemi x(n) i elde etmek iin hatlar birletirir (z-ortamnda bu X ( z )
olarak ifade edilir). fadelerin yars X (z ) yi dier yars da X ( z ) yi kapsamaktadr.
1 X ( z ) = [F0 ( z ) H 0 (z ) + F1 ( z )H 1 ( z )]X ( z ) + 2 1 + [F0 ( z ) H 0 ( z ) + F1 ( z )H 1 ( z )]X ( z ) 2
(2.18)
Burada elenecek iki faktr vardr: istenmeyen sinyallerin olumas ve bozulma. stenmeyen sinyallerin iptali iin aadaki ilemler yaplr. F0 ( z ) = H 1 ( z ) F1 ( z ) = H 0 ( z )
(2.19) (2.20)
Bozulmay azaltmak iin de Smith ve Barnwell aadaki ifadeyi nermilerdir [21].

H 1 ( z ) = z N H 0 ( z 1 )
(2.21)
Bu kstlamalar dahil olmak zere son filtre ifadesi aadaki gibidir.
17
1 X ( z ) = z N H 0 ( z ) H 0 ( z 1 ) + H 0 ( z 1 ) H 0 ( z ) X ( z ) 2
(2.22)
ekil 2.12de bir resim iin ok znrlkl blmleme ileminin bir tek adm gsterilmitir [22]. Algoritma giri resmini satr ve stun olmak zere ayr ayr tek boyutlu yksek ve alak geiren filtrelerden geirmektedir. Ters dnm filtre sistem yaps ekil 2.13te gsterilmitir (L- alak geiren, H-yksek geiren filtreyi ifade etmektedir).
ekil 2.12. DWTnin filtre sistem yaps (analiz ksm).
ekil 2.13. Ters DWTnin filtre sistem yaps (birletirme ksm). LL bandna ard ardna uygulanan bu blmleme ilemleri piramit blmlemesinde arta sebep olur. ekil 2.14te gsterildii gibi burada retilen kk resimler deiik znrlk seviyelerinde ve farkl filtre ileme ynlerini kullanarak retilmilerdir. ekil 2.15te dalgack dnm ile ok znrlkl blmleme ilemine tabi tutulmu baz resimler gsterilmitir. ekil 2.15(a) ve (c) orijinal resimler, ekil 2.15(b) ve (d) ise onlarn dalgack blmleme sonular.
18
ekil 2.14. Resim blmleme. Her bir resim kendine has filtre ileme ynne sahip.
(a)
(b)
(c)
(d)
ekil 2.15. Dalgack dnm ile ok znrlkl bllmeme sonucu: (a) ve (c) orijinal resimler, (b) ve (d) ise onlarn dalgack blmleme sonular.
19 2.2.2. WT Fzyon Algoritmas
WT bazl fzyon metodu, piramit bazl ok znrlkl ifadeleri kullanan alternatif bir fzyon yaklamdr. Yukarda da anlatld gibi dalgack dnm resmi farkl leklerde alak-yksek (LH), yksek-alak (HL), yksek-yksek (HH) uzaysal frekans bantlarna ve en kk lekte alak-alak(LL) bandna blmler. LL band orijinal resim bilgilerini, dier bantlar ise filtre ileme ynlerine gre yn bilgileri iermektedirler. Yksek bantlarda dalgack katsaylarnn mutlak deerleri yksek ise, bu kenar ve izgilerin daha belirgin olmasna yol aar. Buna dayanarak Li et al. [11] dalgack dnm bazl grnt fzyonu iin seme temelli bir yntem nermilerdir. Dnm katsaylarnn mutlak deerlerinde ykselme daha keskin parlaklk deimesine yol at iin, birletirme yaparken her defasnda mutlak deerleri en yksek katsaylar semek birletirme iin iyi bir yntem olur. Bu yntem ekil 2.16da gsterilmitir.
ekil 2.16. WT fzyon metodunun ematik diyagram. Dalgack bazl fzyon konusunda Chipman et al. [23], Koren et al. [24], Nunez et al. [25,26], Bogdan et al. [27] ve Gomez et al. [28] gibi aratrmaclar farkl farkl yaklamlar nermilerdir. Hemen hemen hepsinin fikir ve nerilerinde ortak nokta, dalgack dnmn kullanarak resimleri blmleyip ok znrlkl emalar oluturmaktr. Sonra da belli bir karar mekanizmas veya deerlendirmeler sayesinde resimleri bir tek fzyon sonu resminde birletirmektir.
20
Bu tez almasnda sz konusu yaklamlardan en basit olan ele alnmtr; Li et al. tarafndan nerilen yaklam.
2.2.3. Uygulama ekil 2.17deki ak emasnda grld gibi grnt fzyonu gerekletirmek iin retilen wavelet fonksiyonu drt temel ksmdan olumaktadr [19]. Ksm A: giri resimlerin byklk kontrol. Ksm B: dalgack dnm Ksm C: dalgack baznda birletirme (fzyon) Ksm D: ters dalgack dnm Wavelet fonksiyonun girileri aadaki gibidir: Giri resimler (im1, im2): ayn byklkte ve ayn hizada ayarlanm olacak. Katman says (ns): blmleme katman saysn belirten bir tam say olacak. ounluk filtresi: 1 olduu durumlarda ounluk filtresini uygular 0 ise uygulamaz. Wavfile: dalgack katsaylarn ieren dosya (varsaym: bi97.wvf). Reflect: kenarlarla ilgili: 0 ise etraf sar (herhangi bir dalgack) 1 ise yansmay dene ( sadece simetrik dalgacklar). Bu algoritmann en karmak ve nemli ksm, dalgack dnmn gerekletirmektir. Bunun iin Bowers [29] tarafndan gelitirilen Matlab kodlar kullanlmtr. Algoritma aslnda basittir. lk nce resimler dalgack dnmne tabi tutulmakta (wt2dscl fonksiyonu). Sonra Blm 2.1.3te anlatlana benzer bir ekilde karar maskesi kurulmaktadr. Sonraki adm bu karar maskesi ile birletirilmi dntrlm resmi oluturmaktan ibarettir. Son olarak ise birletirilmi resim ters dalgack dnm yaplmakla elde edilir (iwt2dscl fonksiyonu).
21
ekil 2.17. Dalgack algoritmasnn ak emas.
2.2.4. Sonular ekil 2.18(a)da dalgack dnm algoritmasnn fzyon sonucu gsterilmitir. Bu sonu blmleme katman says = 4 iken, bi97 adl filtre katsaylarla ve ounluk filtresi uygulamadan retilmitir. ekil 2.18(b) ve (c) ise giri resimlerin (ekil2.1) birletirilmi resimle farklarn gstermektedirler. Grld gibi dalgack dnm algoritmasnn rettii fzyon sonu resminde tm blgeler odaklanm durumunda yani nettir.
22
(a)
(c)
ekil 2.18. WT algoritmasnn fzyon sonucu: (a) fzyonun sonu resmi, (b) ve (c) giri
2.3. Uzaysal Frekans (SF) Temelli Grnt Fzyonu Bu blmde Shutao et al. [13] tarafndan nerilen uzaysal frekans bazl grnt fzyon yaklam anlatlacaktr. Bu metot kolay hesaplanr olmann yansra gerek zamanl uygulamalarda kullanlabilir. lk nce uzaysal frekans ile ilgili bilgiler verilecektir.
2.3.1. Temel Teori Uzaysal frekans resimdeki toplam etkinlik seviyesini ler yani resimdeki piksel deerlerinin varyansn hesaplar. Baka bir ifadeyle yan yana duran iki piksel arasndaki fark ler, bunun sonucunda da resmin netlik lsyle doru orantl bir deer ortaya kar.
23
Boyutu M N olan bir F resmi iin uzaysal frekans (SF) aadaki gibi tanmlanr ( F (m, n) , (m, n) konumundaki bir pikselin gri seviyesini ifade eder).
SF = RF 2 + CF 2
Burada RF satr frekans,
(2.23)
RF =
1 M N ( F (m, n) F (m, n 1)) 2 MN m=1 n= 2
(2.24)
CF ise stun frekansdr.
CF =
1 N M ( F (m, n) F (m 1, n)) 2 MN n=1 m= 2
(2.25)
ekil 2.19(a)da boyutu 64 64 olan bir resim penceresi gsterilmitir. ekil 2.19(b)-(e) ise bu resmin Gaussian bir maske ile (dalm parametreleri srasyla 0.5, 0.8, 1.0 ve 1.5) bir bulanklatrma ilemine tabi tutulduktan sonraki durumlarn sergiler. Tablo.2.1de grld gibi resim bulanklatka uzaysal frekans deeri azalmaktadr.
(a)
(b)
(c)
(d)
(e)
ekil 2.19. Barbara adl resimden alnan bir pencerenin (a) orijinali ve (b-e) bulanklatrlm rnekleri. Tablo 2.1. ekil 2.19da gsterilen resim pencerelerinin uzaysal frekans deerleri. ekil 2.19(a) ekil 2.19(b) ekil 2.19(c) ekil 2.19(d) ekil 2.19(e) SF 14.6520 9.2591 8.1471 7.3250 5.8567
24 Bu sonular uzaysal frekansn resim netliini lmek iin kullanlabildiini gsterir.
2.3.2. SF Fzyon Algoritmas ekil 2.20de uzaysal frekans grnt fzyon metodunun ematik diyagram gsterilmektedir. Algoritmann temel admlar ise aadaki gibidir. Adm 1Adm 2Adm 3Resmi boyutu M N olan pencerelere blmle. Her pencerenin uzaysal frekansn hesapla. Giri resimlerdeki bir birine mukabil gelen pencerelerin ( Ai ve Bi )
uzaysal frekans deerlerini karlatr. Bunun sonucunda fzyon sonu resmin

i nci penceresini aadaki gibi olutur ( Fi ).
Ai , SFi A > SFi B + TH ise Fi = Bi , SFi A < SFi B TH ise ( A + B ) / 2, diger i i Adm 4-
(2.26)
Adm 3te retilen sonucu ounluk filtresi sayesinde kontrol edip
hatalarn dzelt. Buradaki ounluk filtresi piksel piksel deil de pencere pencere ilemektedir (Blm 3.1.2).
ekil 2.20. ok odakl SF grnt fzyon metodunun ematik diyagram. Yapay sinir alar (YSA) kullanarak ayn aratrma grubu bu metodun gelitirilmi versiyonunu nermitir [14].
25 Bu gelitirilmi metodun ematik diyagram ekil 2.21de gsterilmitir. zet olarak giri resimleri bir nceki metotta olduu gibi pencerelere blmlenir. Bundan sonra da nceden eitilmi YSA sistemi giri resimlerin bir birine mukabil gelen pencerelerden daha net olann seer ve sonu resmine yaptrr.
ekil 2.21. Gelitirilmi ok odakl grnt fzyon metodunun ematik diyagram. Resim pencereleri direkt olarak YSA girilerine aktarlabilir, ama buna ramen bu metot her bir pencereden netlii ile ilgili deer reten fonksiyonu kullanmaktadr. Bunlardan birincisi uzaysal frekanstr (SF). Yukarda da anlatld gibi uzaysal frekans resimdeki toplam etkinlik seviyesini lmek iin kullanlr. kinci fonksiyonun ad grnebilirliktir (Visibility - VI) . Bu fonksiyon insann grme sisteminden esinlenerek retilmitir. Matematik ifadesi aadaki gibidir.
F (m, n)
VI =
m =1 n =1
+1
(2.27)
buradaki resmin ortalama younluk deeri, ise deeri 0.6 ile 0.7 arasnda deien grsel bir sabittir. Son olarak nc fonksiyon (ED) da resimden elde edilen kenar saysn esas tutmaktadr. Karlatrlabilir resimlerden daha net olanlar daha ok kenar saysna sahip olacaklar beklenir. Bu fonksiyon ilerde ayrntl olarak anlatlacaktr.
26
2.3.3. Uygulama
Algoritmann ak emas ekil 2.22de gsterilmitir.
ekil 2.22. SF algoritmasnn ak emas. Yukarda anlatlan iki metodun sadece ilkinin yani uzaysal frekans bazl fzyon yaklamnn uygulamas gsterilecektir. Bu amala Matlab kullanarak fsf adl bir fonksiyon gelitirilmitir. Bu fonksiyonun be girii vardr: giri resimler (f1,f2): ayn byklkte ve ayn hizada ayarlanm olacak.
27 Eik deeri (TH): Denklem 2.26da tanmlanan eik deerini ayarlar. Pencere boyutu (K): blmleme pencere boyutunu K K eklinde ayarlar. ounluk filtresi (cf): 1 olduu durumlarda ounluk filtresini uygular 0 ise uygulamaz. lk nce hangi pencere hangi resimden geldiini tutmak iin pencere says kadar elemana sahip olan bir kontrol tablosu retilir ve balangta tm deerlere 0 atanr. Sonra her bir giri resmi pencerelere blmlenir ve her bir pencere iin SF deeri hesaplanr. Bu SF deerleri kullanlarak Denklem 2.26da tanmlanan kurala gre fzyonun ara sonucu oluturulur. Bu arada da ara sonuca her yeni pencere yaptrlrken bu pencerenin hangi giri resimden geldii kontrol tablosuna kaydedilir (eer f1den ise -1, f2den ise 1, ortalama ise 0 deeri atanr). nceki algoritmalarda olduu gibi burada da ounluk filtresi uygulanr, yalnz bu defa pencere pencere ileme mant vardr. Algoritmann temel ksm vardr: Ksm A: resimlerin blmlenmesi ve SF deerlerin hesaplanmas. Ksm B: Fzyon ara sonucun elde edilmesi. Ksm C: ounluk filtresi.
2.3.4. Sonular
ekil 2.23(a)da SF algoritmasnn fzyon sonucu gsterilmitir. Bu sonu eik deeri=0.75, blmleme pencere boyutu=32x32 ve ounluk filtresi kapal durumda retilmitir. ekil 2.23(b) ve (c) ise ekil 2.1de verilen giri resimlerin birletirilmi resimle farklarn gstermektedirler. Bu metot ok odakl grnt fzyonuna mahsus olarak retilmitir, halbuki yukarda anlatlan Laplace piramit dnm ve dalgack dnm adl metotlar dier grnt fzyon uygulamalarnda da kullanlr.
28
(a)
(c)
ekil 2.23. SF algoritmasnn fzyon sonucu: (a) fzyonun sonu resmi, (b) ve (c) giri
3. BLM GELTRLEN YEN GRNT FZYON YAKLAIMLARI
Daha nce de belirtildii gibi bu tez almas grnt fzyon sahasnn ok odakl grnt fzyon konusunu ele almaktadr. Bu blmde yeni gelitirilen farkl grnt fzyon metodu gsterilecektir. Tm bu metotlar ayn amaca hizmet ettikleri iin kullanlan baz teknik ve zellikler hepsinde ortak olarak kullanlmtr. Dolaysyla balangta bu ortak zellikler anlatlacaktr.
3.1. Kullanlan Ortak zellikler 3.1.1. Blmleme Etkeni
Grnt fzyon teknikleri genelde iki gruba ayrlr piksel bazl blge bazl Piksel bazl teknikler resimler arasnda net ve bulank ayrm yaparken grnty piksel piksel ilemektedirler. Bu tekniin dezavantaj ok yava olmas, avantaj ise kod basitliidir. Blge bazl teknikler ise resmi kk (genelde karesel) blgelere blmleyip deerlendirmeyi blge blge eklinde yapmakta ve daha net olarak karar verilen bir blgenin tmn direkt kt resmine aktarmaktadrlar. Bu tekniin dezavantaj piksel bazl tekniklere gre kodun daha karmak olmasdr. Ayrca blgenin ierisine hem net hem de bulank grntler girdiinde sonu resmine bulank grntlerin kopyalamasdr. Avantajlar ise daha hzl olmas ve deerlendirmeyi daha iyi
30 yapmasdr. Genelde resimdeki net ve bulank ksmlar resmin belirli blgelerini oluturduklarndan dolay blge bazl teknikler iyi sonu vermektedirler. Blge bazl tekniklerdeki resmi blgelere ayrtma ilemine blmleme (decomposition) denir. Bu ilem ekil 3.1de gsterilmitir. Buradaki f1, MxN pencereye blmlenmi giri resmi, f1(1,1) ise giri resmin KxK piksel boyutundaki ilk penceresidir.
ekil 3.1. Blge bazl tekniklerde blmleme ilemi. Burada, pencere boyutunu doru ayarlamak ok nemlidir. Kullanlan pencereler KxK boyutunda, bykl (K parametresi olarak) ayarlanabilen, karesel pencerelerdir. K parametresi ok byk olarak seildiinde ilem sresi azalrken, pencere ierisine bulank ksmlarn girme ihtimali artar. Bu ise istenmeyen bir durumdur, nk bunun sonucunda kt resmine bulank grntlerin girmesi sz konusudur. Tam tersine K ok kk seildiinde ilem sresi uzar. Bunun yannda deerlendirmenin hatal olma ihtimali artar.
31
Grld gibi K parametresi ok byk veya ok kk seilmemelidir. Genelde K parametresi resim boyutlarna gre ayarlanr. Gelitirilen yeni yaklamlarn hepsi de Blm 2.3te anlatlan Uzaysal Frekans bazl teknik gibi resimleri blmleme ilemine tabi tutup ilemektedirler.
3.1.2. ounluk Filtresi (Majority Filter) lemi
ounluk Filtre ilemi fzyon sonucunda oluan hatalar gidermek iin kullanlan bir metottur. Genelde bu filtre blge bazl yaklamlarda kullanlmaktadr. Gelitirilen tekniklerin hepsinde de ounluk filtresi kullanlmtr. Genelde grntdeki bulank ve net blgeler resmin birbirinden ayr belirli blgelerini oluturduklarndan dolay, etraf net blgelerin olduu bir yerde bulank bir blge olamaz (veya bunun tam tersi) mant kullanlmaktadr. Algoritmann mant ise yledir: ara sonu resmi oluturulurken karar
mekanizmasnn semi olduu her blgenin, hangi resimden geldii kontrol tablosu ( tablo ) denilen ayr bir matrise kaydedilir. Kontrol tablosu MxN eleman olan bir matristir. Her bir eleman ara sonu resmindeki bir blgeye mukabil gelir ve o blgenin hangi giri resminden geldiini tutar. Bir blge birinci giri resminden (f1den) gelmekte ise kontrol tablosuna -1, ikinci giri resminden (f2den) gelmekte ise 1, f1 ve f2nin ortalamas ise de 0 deeri atanr. Bu aadaki gibi ifade edilebilir. 1, F (m, n) = f 1 (m, n) ise tablo(m, n) = 1, F (m, n) = f 2 (m, n) ise f (m, n) + f 2 (m, n) 0, F (m, n) = 1 ise 2
(3.1)
32 Buradaki F ( m, n) ara sonu resminin (m,n) konumundaki blgeyi ifade eder. Bundan sonra oluan kontrol tablosu Denklem 3.2de ifade edilen filtre maskesiyle (filtrem) konvolsyon ilemine tabi tutulur.
1 1 1 filtrem = 1 0 1 1 1 1 Bu konvolsyon ileminin Matlab kod ifadesi ise
(3.2)
yledir:
ftablo=sign(conv2(tablo,filtrem,'same')) . Bu ilem sonucunda elde edilen filtrelenmi tablo (ftablo) hatalardan temizlenmi olur. ekil 3.2de ounluk filtre ileminin bir rnei gsterilmitir. Ele alnan kontrol dizisi 10x10 boyutundadr (ekil 3.2(a)). Bu tablonun filtre ileminden sonraki hali ekil.3.2(b)de gsterilmitir. Grld gibi elde edilen tablonun baz deerleri 0 dr. Byle durumlarda filtre kararsz demektir, dolaysyla o konuma orijinal kontrol tablosunda bulunan deer atanr. Bu ilemlerin sonucunda ekil 3.2(c)deki tablo oluur.
3.1.3. Deerlendirme Kriterleri
Genellikle grnt fzyonun sonular sadece bakmakla deerlendirilmektedir [30]. Halbuki fzyon sonucunun kullanlaca alana gre bu deerlendirme kriterleri deiebilmektedir. Bunun iin byle objektif deerlendirme genelde zor ve sakncal olmaktadr. Literatrde birok aratrmacnn fzyon sonularn deerlendirmek iin ideal bir fzyon sonucunu oluturup dierlerini ona kyaslamaya altklar grlr [11, 31]. Bu almada ise deerlendirme ilemi iin suni bulanklatrma ilemiyle fzyon girileri oluturulacaktr. Bylece orijinal resim, kyaslamak iin ideal bir referans olacaktr (ekil 3.9, ekil 3.26).
33
(a)
(b)
(c) ekil 3.2. ounluk Filtre ilemi: (a) filtrelenmemi kontrol tablosu (tablo), (b) filtre ileminden sonra elde edilen tablo (ftablo), (c) filtrelenmi tablonun son hali. Deerlendirme kriteri olarak RMSE (Root Mean Square Error Kkl Karesel Ortalama Hatas) operatr ile SF (Spatial Frequency-Uzaysal Frekans) operatrleri kullanlmtr. Referans resmi R ve fzyon sonucu F olmak zere RMSE aadaki gibi tanmlanr:
RMSE =

I i =1
j =1
[ R(i, j ) F (i, j )]2 IJ
(3.3)
Buradaki R(i,j) ve F(i,j) srasyla R ve F resimlerin (i,j) konumundaki piksel deerlerini ifade ederler.
34 kinci deerlendirme kriteri olan SF operatr ise resimdeki genel etkinliini ler. Bu operatr ayrntl olarak Blm 2.3.1de anlatlmtr.
3.2. Grnt Fzyonunda Blge Bazl Bulanklatrma Yaklam
Bu blmde bulanklatrma temelli ok odakl grnt fzyon yaklam anlatlacaktr. Algoritma basit ve olduka hzl olduundan kolaylkla gerek zamanl uygulamalarda kullanlabilir. nerilen metot SF bazl fzyon yaklam ile kyaslandnda daha iyi sonu vermektedir.
3.2.1. Temel Algoritmas
ekil 3.3te nerilen metodun ematik diyagram gsterilmitir. emada, gsterim kolayl iin sadece iki adet giri resmi vardr, oysa algoritma ikiden fazla giri resmi de kabul etmektedir.
ekil 3.3. nerilen grnt fzyon metodunun ematik diyagram.
35 Algoritma ilk nce iki resmin ortalamasn alr ve daha sonra bu ortalamay konvolsyon ilemine tabi tutar. Konvolsyon ilemi esnasnda enerji korunumunu salayabilmek iin elemanlarnn toplam 1 olmak zere farkl boyutta matrisler kullanlmaktadr. Bu matrisle yaplan konvolsyon ilemi sonucunda daha nce elde edilen ortalama resim bulanklatrlr. Dolaysyla elde edilen sonu, bulank resme daha yakn bir hale gelir. ekil 3.4te de grld gibi net resimdeki komu piksel deerleri bir birinden daha uzak olmaktadrlar, yani sert bir gei sergilenmektedir. Bulank resimde ise bu tr geiler daha yass ve yumuak olmaktadrlar [32].
ekil 3.4. Net ve bulank resimlerin grafiksel gsterimi. Daha sonra girite verilen resimler ve elde edilen sonu resim ilk nce kk blgelere ayrt edilir yani blmleme ilemine tabi tutulur (ekil 3.1). Bundan sonra birbirine mukabil gelen kk blgelerin karesel fark alnr ve tek bir deeri oluturmak iin bu fark blgelerin ierisindeki tm deerler toplanr. Bu ilemlerden sonra da hangi resim parasnn karesel fark daha byk ise o para net olarak belirlenir ve sonu resme kopyalanr. Algoritmann admlar aadaki gibi sralanabilir: Adm 1- f1 ve f2 resimlerinin ortalamasn al (B resmi). Adm 2- f1, f2 ve B resimlerini belirli KxK boyutundaki pencerelere blmle. Adm 3- Ortalama B resmini H maskesi ile konvolsyon ilemine tabi tut. Bylece ortalama resmini bulanklatrmakla oluan B* resminin her zaman iin bulank resme daha yakn olmasn sala. Adm 4- Aadaki formller sayesinde iki fark hesapla:
36
fark1 = [ Pf 1 (i, j ) PB* (i, j )]2

i =1 j =1
(3.4) (3.5)
fark 2 = [ Pf 2 (i, j ) PB* (i, j )]2

i =1 j =1
Buradaki Pf 1 , Pf 2 ve PB* srasyla f1, f2 ve B*(bulanklatrlm ortalama) resimlerinin incelenen KxK boyutundaki pencereleridir. Adm 5- Adm 4te hesaplanm farklar karlatr: Eer fark1 > fark 2 ise, yani incelenen pencere iin f1 resmi bulank resimden daha uzak ise sonu resmine f1 penceresi kopyalanr. Eer fark 2 > fark1 ise sonu resmine f2 penceresi kopyalanr.
fark1 = fark 2 olduu durumda ise sonu resmine ortalama resmin (Bnin)
penceresi kopyalanr.
f1 (m, n), f SONU (m, n) = f 2 (m, n), f (m, n) + f (m, n) 2 1 , 2
fark1 (m, n) > fark 2 (m, n) ise fark 2 (m, n) > fark1 (m, n) ise diger (3.6)
Adm 6- Elde edilen ara sonutaki hatalar dzeltmek iin ounluk Filtresi operatr uygula.
3.2.2. Bulanklatrma Maske Seimi
Daha nce de belirtildii gibi ortalama resmini bulanklatrmak iin konvolsyon ilemi uygulanmaktadr. Bu konvolsyon ilemi iin birka eit maske matrisi seilebilir ve seilen maskeye gre bulanklatrma oran ve nitelii deitirilebilir. ekil.3.5te farkl boyutlardaki maskelerin resim zerindeki etkileri verilmitir.
37
(a) orijinal resim
Farkl boyutta ortalama filtresi (b) 5x5 Farkl yarapl (r) dairesel ortalama filtresi (e) r=5 bulanklatrmann sonular. (f) r=7 (g) r=9 ekil 3.5. disk resimden alnan grnt zerinde farkl maskelerle yaplan (c) 9x9 (d) 15x15
3.2.3. rnek
Yukarda anlatlan yeni yaklamn genel mant daha iyi anlalsn diye kk bir uygulama gsterilecektir. lk nce girite kullanlacak resimler oluturulur (ekil 3.6). Grld gibi ekil.3.6(a)da gsterilen resmin sol taraf net sa taraf ise bulanktr. ekil 3.6(b)de
38 ise sa net, solu bulank olan bir resim verilmitir. Yaplacak ilemlerin sonucunda her iki resimden sadece net ksmlarn alnmas ve tamamen net olan bir grntnn olumas beklenir. ekil 3.6. (c) ve (d)de gsterilen grafiksel gsterimler, resim ortalarndan alnan birer satrn piksel deerleridir.
(a)
(b)
(c)
(d)
ekil 3.6. rnekte kullanlan iki adet giri resmi: (a) birinci giri resmi, (b) ikinci giri resmi, (c) birinci giri resmin grafiksel gsterimi, (d) ikinci giri resmin grafiksel gsterimi. Bu resimler oluturulduktan sonra bunlarn ortalamas alnr ve yukarda anlatld gibi konvolsyon ilemine tabi tutulur (ekil 3.7).
(a)
(b)
(c)
(d)
ekil 3.7. lemler esnasnda elde edilen resimler: (a) ortalama resmi B, (b).bulanklatrlm (konvolsyon ilemine tabi tutulmu) ortalama resmi B*, (c) B resmin grafiksel gsterimi, (d) B* resmin grafiksel gsterimi.
39 ekil 3.7(b) ve (d)deki resimlere dikkat edilirse B* resmin iki taraf da bulanktr. Bu ise u anlama gelir: hangi giri resimle karlatrlrsa karlatrlsn, bu resim her zaman bulank grntye daha yakn olacaktr. Dolaysyla karar mekanizmas B* resimden daha uzak olan grnty semekle net grnty elde etmi olacaktr. Bu yaknlk tm grafiklerin bir arada gsterildii ekil 3.8de daha iyi grlmektedir.
ekil 3.8. Giri resimlerin, ortalamann ve bulanklatrlm ortalamann grafiksel gsterimi.
3.2.4. Deney Sonular
Matlab
kullanlarak
fusbulanik
adl
fonksiyon
oluturulmutur:
R=fusbulanik(f1,f2,HMatr,p,K). Bu fonksiyonun girileri aadaki gibidir: Giri resimleri (f1,f2) :ayn byklk ve hizada olacak. Bulanklatrma matrisi (HMatr): 1 ise ortalama maskesi; 2 ise dairesel ortalama maskesi. Maske parametresi (p): HMatr=1 ise ortalama maske boyutunu belirler (pxp); HMatr=2 ise dairesel ortalama maskesinin yarapn belirler. Blmleme pencere boyutu (K): KxK eklinde ayarlar.
Deerlendirme esnasnda ekil 3.9(a)da gsterilen resim ile ondan bulanklatrarak tretilmi resimler kullanlmtr. Buradaki referans resim iki objeyi (kpek yavrularn) ieren tamamen net bir resimdir. Boyutu ise 456x486 dir. Bu resim kullanlarak yapay bir metotla (ortalama(10x10) filtresiyle konvolsyon etmekle) farkl iki giri resmi retilmektedir. Birisi saa odakl (ekil3.9(b)), yani sa taraf net, solu bulank, dier
40 giri resmi ise sola odakldr (ekil3.9(c)). Ama bu iki giri resimden sadece net ksmlarn alp referans resmine ok yakn bir grnty elde etmektir. ekil 3.9(d)de bulanklatrma fzyon metodu ile elde edilmi sonu verilmitir. Burada blmleme pencere boyutu=18x18, bulanklatrma maskesi olarak ta ortalama(3x3) kullanlmtr.
(a)
(b)
(c) resim, (b) sa odakl bulanklatrlm
(d) resim, (c) sol odakl
ekil 3.9. Referans resim, bulanklatrlm resimler ve fzyon sonucu: (a) referans bulanklatrlm resim, (d) fzyon sonucu. Deerlendirme kriteri olarak Blm 3.1.3te anlatlan RMSE (Root Mean Square Error Kkl Karesel Ortalama Hatas) operatr ile SF (Spatial Frequency-Uzaysal Frekans) operatrleri kullanlmtr.
41
3.2.4.1. Pencere Boyutu ve Maske Etkeni
Tablo 3.1de deiik pencere boyutu ve maske kullanlarak elde edilmi RMSE hatalar gsterilmektedir (kaln saylar her bir maske boyutu iin en kk RMSE deerleri gstermektedirler). Buradaki en dk hata 18x18 boyutlu pencere ve 3x3 (veya 5x5) boyutlu maske kullanlarak elde edilmitir. Tablo 3.1. Farkl boyuttaki pencere ve maske kullanlarak elde edilmi RMSE sonular: (a)Ortalama maskeleri, (b)Dairesel Ortalama maskeleri.
RMSE
3x3 8x8 7,3106 4,1422 1,2857 2,3619 1,2681 1,4051 1,2756 1,2935 1,3923 1,3927
Blmleme pencere boyutu

13x13 7,3106 2,6648 0,89771 1,3188 0,90346 0,91629 0,9074 0,91797 0,91918 0,92364 18x18 7,3106 2,076 0,33577 0,6688 0,33577 0,54001 0,54143 0,59309 0,59352 0,91478 23x23 7,3106 1,8405 1,5523 1,5576 1,5374 1,5284 1,5395 1,5386 1,5393 1,539 28x28 7,3106 2,0139 1,7153 1,7462 1,7153 1,7424 1,7424 1,7431 1,7462 1,7431 33x33 7,3106 1,3241 1,2684 1,2684 1,2897 1,2684 1,2897 1,2897 1,2897 1,2897 38x38 7,3106 1,7314 1,7314 1,7314 1,7314 1,7314 1,7314 1,7314 1,7314 1,7314 1x1 2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10 7,3168 6,4522 1,856 4,3637 1,5479 1,8959 1,522 1,4696 1,5477 1,6542
Ortalama Maske Boyutu
(a)
RMSE
3x3 r=1 1,9672 1,6529 1,5222 1,5151 1,5635 1,7598 2,0111 2,1635 2,3877 2,6565 8x8 1,4204 1,3389 1,3083 1,3556 1,3618 1,4432 1,5878 1,7041 1,7322 1,8397

13x13 0,9734 0,91 0,90984 0,91723 0,91885 0,93644 0,94252 0,95609 1,0053 1,0232 18x18 0,50391 0,33577 0,54143 0,54143 0,59352 0,8272 1,1347 1,2355 1,3303 1,3962 23x23 1,5575 1,5374 1,5395 1,5395 1,5386 1,5397 1,5397 1,5397 1,5397 1,5405 28x28 1,7462 1,7424 1,7424 1,7424 1,7424 1,7431 1,7477 1,7477 1,8272 1,9608 33x33 1,2684 1,2897 1,2897 1,2897 1,2897 1,2897 1,2897 1,2684 1,2684 1,2684 38x38 1,7953 1,7314 1,7314 1,7314 1,7314 1,7314 1,7314 1,7314 1,7314 1,7314
Dairesel Ortalama Maske Boyutu
r=2 r=3 r=4 r=5 r=6 r=7 r=8 r=9 r=10
(b) Tablo 3.2de ise deiik boyuttaki blmleme pencere ve maske boyutu iin SF deerleri verilmitir (kaln saylar her bir maske boyutu iin en byk SF deerleri gstermektedirler). Buradaki deerler birbirine yakn olduu iin RMSE tablolar analiz iin daha kullanldr.
42 Tablo 3.2. Farkl boyuttaki pencere ve maske kullanlarak elde edilmi SF sonular: (a)Ortalama maskeleri, (b)Dairesel Ortalama maskeleri.
SF
3x3 8x8 8,6574 13,546 13,821 13,766 13,822 13,812 13,821 13,818 13,816 13,813

13x13 8,6574 13,726 13,821 13,81 13,82 13,82 13,82 13,82 13,82 13,82 18x18 8,6574 13,758 13,819 13,826 13,819 13,814 13,814 13,812 13,812 13,793 23x23 8,6574 13,764 13,795 13,79 13,795 13,794 13,795 13,795 13,795 13,795 28x28 8,6574 13,747 13,777 13,774 13,777 13,774 13,774 13,774 13,774 13,774 33x33 8,6574 13,806 13,809 13,809 13,808 13,809 13,808 13,808 13,808 13,808 38x38 8,6574 13,77 13,77 13,77 13,77 13,77 13,77 13,77 13,77 13,77
Ortalama Maske Boyutu
1x1 2x2 3x3 4x4 5x5 6x6 7x7 8x8 9x9 10x10
8,6705 13,403 13,91 13,643 13,825 13,811 13,802 13,795 13,792 13,77
(a)
SF
3x3 r=1 13,918 13,851 13,814 13,802 13,793 13,776 13,753 13,739 13,726 13,7 r=2 r=3 r=4 r=5 r=6 r=7 r=8 r=9 r=10 8x8 13,814 13,819 13,82 13,817 13,817 13,814 13,802 13,786 13,784 13,773

13x13 13,819 13,82 13,82 13,82 13,82 13,82 13,819 13,819 13,818 13,817 18x18 13,816 13,819 13,814 13,814 13,812 13,799 13,778 13,768 13,759 13,754 23x23 13,795 13,795 13,795 13,795 13,795 13,795 13,795 13,795 13,795 13,795 28x28 13,774 13,774 13,774 13,774 13,774 13,774 13,774 13,774 13,766 13,746 33x33 13,809 13,808 13,808 13,808 13,808 13,808 13,808 13,809 13,809 13,809 38x38 13,768 13,77 13,77 13,77 13,77 13,77 13,77 13,77 13,77 13,77
Dairesel Ortalama Maske Boyutu
(b) Tablolardan da anlald gibi blmleme penceresinin ne ok byk ne de ok kk olmas gerekir. Gzel bir performans elde etmek, ilenen resim iin kendine has belli boyuttaki bir blmleme penceresini semekle mmkndr. Kullanlan resimde genellikle 13x13 ve 18x18 pencereleri iyi performans sergilemitir, halbuki baka bir resim iin bu boyuttaki pencereler optimal sonuca gtrmeyebilir. Genelde kt sonu, daha nce de anlatld gibi, blmleme pencerenin ierisine hem net hem de bulank grntlerin girmesinden kaynaklanmaktadr. Dier taraftan maske boyutunun Ortalama operatr iin 3x3 ve 5x5 (Dairesel Ortalama Maske Boyutu iin r=2) boyutlar daha iyi sonu vermekle beraber bu deerlerden her iki tarafa da uzaklatka sonucun ktletii grlmektedir. Bu cmleden maske boyutu seiminde de ne ok byk ne de ok kk boyutlar tercih etmek gerekir.
43 Burada dikkat edilmesi gereken husus, Ortalama operatr iin maske boyutu 1x1 iken bu bir piksel bazl yaklama dnmektedir.
3.2.4.2. SF Bazl Grnt Fzyon Yaklam ile Kyaslama
Bu blmde SF bazl grnt fzyon yaklamnn [13] vermi olduu sonular gsterilecektir. Kyaslama iin bu yaklamn seilmesi blge bazl olmasndan kaynaklanmaktadr. Tablo 3.3te ekil 3.9(b) ve (c) resimleri zerinde 13 tane farkl eik deerinin uygulanmas sonucunda oluan RMSE ve SF deerleri verilmitir (kaln saylar her bir eik deeri iin en kk RMSE ve en byk SF deerleri gstermektedirler). Grld gibi buradaki optimal RMSE deeri (1,2792), blmleme pencere boyutu 18x18 ve eik deeri=0 iken elde edilmitir ki nerilen yeni metot daha kk RMSE deerlere sahip olmakla beraber ok daha iyi bir performans sergilemektedir. Ayrca gelitirilen teknikte herhangi bir eik deer kullanma mecburiyeti de yoktur.
3.2.4.3. Sbjektif Deerlendirme
Bu blmde ekil 2.1, 2.2, ve 2.3te gsterilen, fotoraf makineden farkl uzaklktaki objeleri ieren resimler zerinde nerilen fzyon metoduyla SF bazl fzyon yaklam uygulanacaktr. Bu tr resimlerin gerek manada bir referans resmi olmadndan, buradaki deerlendirme sbjektif olacaktr. ekil 3.10da disk adl kaynak resimler zerindeki fzyon sonular gsterilmitir. Burada SF bazl fzyon yaklam pencere boyutu=32x32, eik deeri=0,75 iken, nerilen blge bazl bulanklatrma yaklam ise pencere boyutu=32x32, bulanklatrma maskesi=Ortalama(5x5) iken elde edilmitir. ekil 3.11de lab adl kaynak resimler zerindeki fzyon sonular gsterilmitir. Burada SF bazl fzyon yaklam pencere boyutu=20x20, eik deeri=0,75 iken, nerilen blge bazl bulanklatrma yaklam ise pencere boyutu=20x20, bulanklatrma maskesi=Ortalama(9x9) iken elde edilmitir.
44 Tablo 3.3. SF bazl grnt fzyon yaklam ile farkl boyuttaki pencere ve eik deeri kullanlarak elde edilmi (a) RMSE, (b) SF sonular.
RMSE
3x3 0,00 0,25 6,6205 6,7006 6,7864 6,874 6,9631 7,0817 7,2166 7,3434 7,4756 7,5788 7,6891 7,8137 7,9266 8x8 3,4638 3,5485 3,6279 3,7309 3,8829 4,0337 4,1946 4,3072 4,4287 4,5915 4,7512 4,963 5,0884

13x13 2,1938 2,2044 2,2992 2,3784 2,4151 2,5096 2,6411 2,7574 2,8485 2,9926 3,1861 3,4515 3,6404 18x18 1,2792 1,522 1,6701 1,7141 1,992 2,0109 2,0847 2,2736 2,402 2,5038 2,7603 3,0228 3,2423 23x23 1,503 1,545 1,6222 1,7723 1,9191 1,9362 2,2532 2,3794 2,6179 2,8681 3,1322 3,4843 3,9069 28x28 2,0653 2,1129 2,1641 2,272 2,5626 2,6057 2,7244 2,8092 2,9208 3,1078 3,4493 3,6604 3,9471 33x33 1,4433 1,5194 1,6077 1,682 1,6878 1,7524 2,0948 2,3806 2,5175 2,5536 2,7524 3,0779 3,5654 38x38 1,651 1,7454 1,8055 1,8351 1,9212 1,943 1,9607 1,9607 2,1563 2,2681 2,3383 2,4882 2,618
Eik Deeri TH (Threshold)
0,50 0,75 1,00 1,25 1,50 1,75 2,00 2,25 2,50 2,75 3,00
(a)
SF
3x3 0,00 0,25 14.144 14.141 14.135 14.132 14,143 14,138 14,117 14,1 14,091 14,063 14,051 14,026 13,982 8x8 13.871 13.869 13.873 13.867 13,857 13,845 13,831 13,818 13,805 13,783 13,759 13,728 13,702

13x13 13.841 13.84 13.843 13.84 13,838 13,838 13,836 13,83 13,821 13,81 13,79 13,757 13,731 18x18 13.807 13.806 13.797 13.793 13,767 13,764 13,757 13,749 13,734 13,725 13,699 13,671 13,633 23x23 13.809 13.809 13.809 13.796 13,782 13,78 13,737 13,705 13,676 13,63 13,614 13,571 13,494 28x28 13.751 13.745 13.738 13.725 13,688 13,676 13,651 13,637 13,629 13,596 13,553 13,515 13,448 33x33 13.811 13.806 13.Au 13.794 13,794 13,79 13,745 13,705 13,685 13,68 13,65 13,595 13,489 38x38 13.776 13.769 13.764 13.744 13,737 13,735 13,733 13,733 13,718 13,723 13,702 13,683 13,67
0,50 0,75 1,00 1,25 1,50 1,75 2,00 2,25 2,50 2,75 3,00
(b) ekil 3.12de pepsi adl kaynak resimler zerindeki fzyon sonular gsterilmitir. Burada SF bazl fzyon yaklam pencere boyutu=32x32, eik deeri=1,0 iken, nerilen blge bazl bulanklatrma yaklam ise pencere boyutu=32x32, bulanklatrma maskesi=Ortalama(9x9) iken elde edilmitir.
45
(a) (b) nerilen bulanklatrma bazl fzyon.
(b)
ekil 3.10. disk adl kaynak resimler zerindeki fzyon sonular: (a) SF bazl fzyon,
(a) (b) nerilen bulanklatrma bazl fzyon.
(b)
ekil 3.11. lab adl kaynak resimler zerindeki fzyon sonular: (a) SF bazl fzyon,
(a) fzyon, (b) nerilen bulanklatrma bazl fzyon.
(b)
ekil 3.12. pepsi adl kaynak resimler zerindeki fzyon sonular: (a) SF bazl
46
3.2.5. Sonu
nerilen
yeni
blge
bazl
bulanklatrma
fzyon
yaklamnn
algoritma
performansyla ilgili birok denemeler ve aratrmalar yaplmtr. SF bazl fzyon yaklam ile kyaslama sonucunda hem hata istatistie gre hem de grsel olarak stn performans sergilemekte olduu grlmtr. alma sresi ksa olduu iin gerek zamanl uygulamalarda rahatlkla uygulanabilen bir tekniktir. Ayrca donanm olarak gerekletirilebilineceinden dolay byk bir avantaja sahiptir.
3.3. Grnt Fzyonunda Blge Bazl Netletirme Yaklam
Bu blmde blge bazl netletirme metodu anlatlacaktr. Ele alnan bu fzyon metodu basit ve hzl olduundan gerek zamanl uygulamalarda kolaylkla kullanlabilir. Ayrca SF bazl fzyon yaklam ile kyaslandnda stn performans sergilemektedir.
ekil 3.13te nerilen metodun ematik diyagram gsterilmitir. emada gsterim kolayl iin sadece iki adet giri resmi vardr, oysa algoritma ikiden fazla giri resmi de kabul etmektedir. Blge bazl netletirme algoritmas Blm 3.2de anlatlan blge bazl bulanlatrma algoritmas gibi net ve bulank resmi ayrt edebilmek iin bu resimlerin grafiksel gsterim (ekil 3.4) farkllndan yararlanmaktadr [32]. Algoritma ilk nce iki resmin ortalamasn alr ve daha sonra bu ortalamay konvolsyon ilemine tabi tutar. Konvolsyon ilemi esnasnda Laplacian veya buna benzer netletirme matrisleri kullanlr. Bu tr matrislerle yaplan konvolsyon ilemi sonucunda oluan resim matrisindeki baz deerler bunlara mukabil gelen giri resimlerdeki deerlerin ya stnde ya da altnda olabilirler, bu ise istenmeyen bir durumdur. Bu deerleri normal seviyeye ekmek iin resim krpma ilemine tabi tutulur. Bu krpma ilemi esnasnda eer bir piksel giri resimlerde buna mukabil gelen
47 piksellerden daha byk veya daha kkse bu pikselin deeri srasyla giri resimlerdeki en byk veya en kk deerle deitirilir. Bu ilemlerin sonucunda daha nce elde edilen ortalama resim netletirilir veya dier bir ifade ile resimdeki pikseller arasndaki geiler daha da belirgin hale getirilir, dolaysyla elde edilen sonu net resme daha yakn bir vaziyet alm olur.
ekil 3.13. nerilen grnt fzyon metodunun ematik diyagram Daha sonra girite verilen resimler ve elde edilen sonu resim ilk nce kk blgelere ayrt edilir yani blmleme ilemine tabi tutulur (ekil 3.1). Bundan sonra birbirine mukabil gelen kk blgelerin karesel fark alnr ve tek bir deer oluturmak iin bu fark blgelerin ierisindeki tm deerler toplanr. Bu ilemlerden sonra da hangi karesel fark daha kk ise o resim net olarak belirlenir ve bu resimdeki incelenen blge sonu resme kopyalanr. Algoritmann admlar aadaki gibi sralanabilir: Adm 1- f1 ve f2 resimlerinin ortalamasn al (B resmi). Adm 2- f1, f2 ve B resimlerini belli bir KxK boyutundaki pencerelere blmle.
48 Adm 3- Ortalama B resmini ilk nce H maskesi ile konvolsyon ilemine sonra da aadaki gibi krpma ilemine tabi tut:
* min( f1 (m, n), f 2 (m, n)), Beski (m, n) < min( f1 (m, n), f 2 (m, n)) ise * B * (m, n) = max( f 1 (m, n), f 2 (m, n)), Beski (m, n) > max( f1 (m, n), f 2 (m, n)) ise yeni * diger Beski (m, n),
(3.7)
Bylece ortalama resmini netletirmekle oluan B* resminin her zaman iin net resme daha yakn olmasn sala. Adm 4- Aadaki formller sayesinde iki fark hesapla:
fark1 = [ Pf 1 (i, j ) PB* (i, j )]2

i =1 j =1 K K
(3.8) (3.9)
fark 2 = [ Pf 2 (i, j ) PB* (i, j )]2

i =1 j =1
Buradaki Pf 1 , Pf 2 ve PB* srasyla f1, f2 ve B*(netletirilmi ortalama) resimlerinin incelenen KxK boyutundaki pencerelerdir. Adm 5- Adm 4te hesaplanm farklar karlatr: Eer fark1 < fark2 ise, yani incelenen pencere iin f1 resmi net resme daha yakn ise sonu resmine f1 penceresi kopyalanr. Eer fark2 < fark1 ise sonu resmine f2 penceresi kopyalanr. fark1 = fark 2 olduu durumda ise sonu resmine ortalama resmin (Bnin) penceresi kopyalanr. f1 (m, n), f SONU (m, n) = f 2 (m, n), f (m, n) + f (m, n) 2 1 , 2
fark1 (m, n) < fark 2 (m, n) fark 2 (m, n) < fark1 (m, n) fark1 (m, n) = fark 2 (m, n) (3.10)
49 Adm 6- Elde edilen ara sonutaki hatalar dzeltmek iin ounluk Filtresi operatr uygula.
3.3.2 Netletirme Maske Seimi
Daha nce de belirtildii gibi ortalama resmi netletirmek iin konvolsyon ilemi uygulanmaktadr. Bu konvolsyon ilemi iin birka eit maske matrisi seilebilir ve seilen maskeye gre netletirme oran ve nitelii deitirilebilir. V. Aslanta ve D.T. Pham'n [32] tespit ettiklerine gre netletirme konusunda en iyi cevap veren Laplacian maskeleridir, bu nedenle almada daha ok bunlar zerinde durulmutur. ekil 3.14te farkl Laplacian maskelerinin resim zerindeki etkileri verilmitir.
(a) birinci kaynak resim - f1
(b) ikinci kaynak resim - f2
(c) f1 ile f2nin ortalamas ort
(d) 3x3 Laplacian netletirme
(e) 5x5 Laplacian netletirme
(f) 7x7 Laplacian netletirme
ekil 3.14. disk resimden alnan grnt zerinde farkl maskelerle yaplan netletirmenin sonular. ekil 3.14(c)'deki ortalama resmi 3x3, 5x5 ve 7x7'lik Laplacian pencereleriyle ilendiinde ortaya srasyla ekil 3.14(d,e ve f) resimleri kmaktadr. Grld gibi
50 bunlara netlik kazandrlmtr ve artk onlar ekil 3.14(a)'ya (net resme) ekil.3.14(b)'den (bulank resimden) daha ok benzemektedirler.
3.3.3 rnek
Yukarda anlatlan yeni yaklam genel mantnn daha iyi anlalmas iin kk bir uygulama gsterilecektir. lk nce girite kullanlacak resimler oluturulur. Burada Blm 3.2.3te gsterilen ekil 3.6daki rnek resimler kullanlmtr. Bu resimler oluturulduktan sonra bunlarn ortalamas alnr ve yukarda anlatld gibi konvolsyon ve krpma ilemlere tabi tutulur (ekil 3.15).
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
ekil 3.15. lemler esnasnda elde edilen resimler: (a) ortalama resim B, (b).konvolsyon ileminden sonraki ortalama resim B*, (c) B resmin grafiksel gsterimi, (d) B* resmin grafiksel gsterimi, (e) Krplm B* resmi, (f).k olarak beklenen resim, (g) Krplm B* resmin grafiksel gsterimi, (h) k olarak beklenen resmin grafiksel gsterimi.
51 ekil 3.15(e) ve (f)deki resimlere dikkat edilirse B* resmin iki tarafna da netlik kazandrlmtr. Bu ise u anlama gelir: hangi giri resimle karlatrlrsa karlatrlsn, bu resim her zaman net grntye daha yakn olacaktr. Dolaysyla karar mekanizmas B* resme daha yakn olan grnty semekle net grnty elde etmi olacaktr. Bu yaknlk tm grafiklerin bir arada gsterildii ekil 3.16da daha iyi grlmektedir.
ekil 3.16. Giri resimlerin, ortalamann ve netletirilmi ortalamann grafiksel gsterimi.
Matlab
kullanlarak
fusnetlestir
adl
fonksiyon
oluturulmutur:
R=fusnetlestir(f1,f2,HMatr,K). Bu fonksiyonun girileri aadaki gibidir: Giri resimleri (f1,f2) :ayn byklk ve hizada olacak. Netletirme matrisi (HMatr): 1 ise 7x7 Laplacian maskesi; 2 ise 5x5 Laplacian maskesi; 3 ise 3x3 Laplacian maskesi; 4 ise fspecial('unsharp') maskesi. Blmleme pencere boyutu (K): KxK eklinde ayarlar.
Yaplan deerlendirme esnasnda ekil 3.9da gsterilen resimler kullanlmtr. Deerlendirme kriteri olarak da Blm 3.1.3te anlatlan RMSE (Root Mean Square Error Kkl Karesel Ortalama Hatas) operatr ile SF (Spatial Frequency-Uzaysal Frekans) operatrleri kullanlmtr.
52
ekil 3.17de netletirme fzyon metodu ile elde edilmi sonu verilmitir. Burada blmleme pencere boyutu = 18x18, netletirme maskesi olarak ta Laplacian(5x5) kullanlmtr.
(a)
(b)
ekil 3.17. Referans resim ve fzyon sonucu: (a) referans resim, (b) fzyon sonucu.
3.3.4.1. Pencere Boyutu ve Maske Etkeni.
Tablo 3.4'te ekil 3.9(b) ve (c) resimleri zerinde farkl boyuttaki pencere ve maske uygulayarak elde edilmi RMSE sonular verilmitir (kaln saylar her bir maske boyutu iin en kk RMSE deerlerini gstermektedirler). Buradaki en dk hata 18x18 boyuttaki blmleme pencere kullanmnda olduu grlmektedir. Tablo 3.4. Farkl boyuttaki pencere ve maske kullanlarak elde edilmi RMSE sonular.
RMSE Blmleme pencere boyutu Laplacian Maske Boyutu
3x3 3x3 5x5 7x7 0.34568 0.42461 0.37461 8x8 0.93403 0.93646 0.92739 13x13 0.15152 0.16098 0.16098 18x18 0.038295 0.038295 0.038295 23x23 13.801 13.801 14.356 28x28 20.646 20.646 22.287 33x33 12.897 12.897 12.897 38x38 17.953 17.953 17.953
53 Tablo 3.5te ise ayn resimler zerinde farkl boyuttaki pencere ve maske uygulayarak elde edilmi SF sonular verilmitir (kaln saylar her bir maske boyutu iin en byk SF deerleri gstermektedirler). Tablo 3.5. Farkl boyuttaki pencere ve maske kullanlarak elde edilmi SF sonular
SF Blmleme pencere boyutu Laplacian Maske Boyutu
3x3 3x3 5x5 7x7 13.828 13.827 13.828 8x8 13.825 13.827 13.827 13x13 13.821 13.821 13.821 18x18 13.821 13.821 13.821 23x23 13.798 13.798 13.795 28x28 13.736 13.736 13.718 33x33 13.808 13.808 13.808 38x38 13.768 13.768 13.768
Tablolardan da anlald gibi blmleme penceresinin ne ok byk ne de ok kk olmas gerekir. Kullanlan resimde genellikle 13x13 ve 18x18 pencereleri iyi cevap vermektedirler, ama baka bir resim iin bu boyuttaki pencereler optimal sonuca gtrmeyebilir.
Bu blmde farkl eik deeri kullanlarak gerekletirilmi fzyon ilemi sonucunda SF bazl grnt fzyon yaklamnn [13] vermi olduu sonular gsterilecektir. Kyaslama iin bu yaklamnn seilmesi blge bazl olmasndan kaynaklanmaktadr. Tablo 3.6da ekil 3.9(b) ve (c) resimleri zerinde 13 tane farkl eik deerinin uygulanmas sonucunda oluan RMSE ve SF deerleri verilmitir (kaln saylar her bir eik deeri iin en kk RMSE ve en byk SF deerleri gstermektedirler). Grld gibi buradaki optimal RMSE deeri (1,2792), blmleme pencere boyutu 18x18 ve eik deeri=0 iken elde edilmitir ki nerilen yeni metot daha kk RMSE deerlere sahip olmakla beraber ok daha iyi bir performans sergilemektedir.
3.3.4.3. Sbjektif Deerlendirme.
Bu blmde ekil 2.1, 2.2, ve 2.3te gsterilen, fotoraf makineden farkl uzaklktaki objeleri ieren resimler zerinde nerilen fzyon metoduyla SF bazl fzyon yaklam
54 uygulanacaktr. Bu tr resimlerin gerek manada bir referans resmi olmadndan, buradaki deerlendirme sbjektif olacaktr. Mesela ekil 2.1(a)da fotoraf makinesi yakndaki saate odakl, 2.1(b)de ise arkadaki kitapla odakl. ekil 3.18(b)ye bakldnda ise her iki resmin net ksmlarnn toplanm olduu grlmektedir. Tablo 3.6. SF bazl grnt fzyon yaklam ile farkl boyuttaki pencere ve eik deeri kullanlarak elde edilmi (a) RMSE, (b) SF sonular.
RMSE
3x3 0,00 0,25 6,6205 6,7006 6,7864 6,874 6,9631 7,0817 7,2166 7,3434 7,4756 7,5788 7,6891 7,8137 7,9266 8x8 3,4638 3,5485 3,6279 3,7309 3,8829 4,0337 4,1946 4,3072 4,4287 4,5915 4,7512 4,963 5,0884

13x13 2,1938 2,2044 2,2992 2,3784 2,4151 2,5096 2,6411 2,7574 2,8485 2,9926 3,1861 3,4515 3,6404 18x18 1,2792 1,522 1,6701 1,7141 1,992 2,0109 2,0847 2,2736 2,402 2,5038 2,7603 3,0228 3,2423 23x23 1,503 1,545 1,6222 1,7723 1,9191 1,9362 2,2532 2,3794 2,6179 2,8681 3,1322 3,4843 3,9069 28x28 2,0653 2,1129 2,1641 2,272 2,5626 2,6057 2,7244 2,8092 2,9208 3,1078 3,4493 3,6604 3,9471 33x33 1,4433 1,5194 1,6077 1,682 1,6878 1,7524 2,0948 2,3806 2,5175 2,5536 2,7524 3,0779 3,5654 38x38 1,651 1,7454 1,8055 1,8351 1,9212 1,943 1,9607 1,9607 2,1563 2,2681 2,3383 2,4882 2,618
0,50 0,75 1,00 1,25 1,50 1,75 2,00 2,25 2,50 2,75 3,00
(a)
SF
3x3 0,00 0,25 14.144 14.141 14.135 14.132 14,143 14,138 14,117 14,1 14,091 14,063 14,051 14,026 13,982 8x8 13.871 13.869 13.873 13.867 13,857 13,845 13,831 13,818 13,805 13,783 13,759 13,728 13,702

13x13 13.841 13.84 13.843 13.84 13,838 13,838 13,836 13,83 13,821 13,81 13,79 13,757 13,731 18x18 13.807 13.806 13.797 13.793 13,767 13,764 13,757 13,749 13,734 13,725 13,699 13,671 13,633 23x23 13.809 13.809 13.809 13.796 13,782 13,78 13,737 13,705 13,676 13,63 13,614 13,571 13,494 28x28 13.751 13.745 13.738 13.725 13,688 13,676 13,651 13,637 13,629 13,596 13,553 13,515 13,448 33x33 13.811 13.806 13.Au 13.794 13,794 13,79 13,745 13,705 13,685 13,68 13,65 13,595 13,489 38x38 13.776 13.769 13.764 13.744 13,737 13,735 13,733 13,733 13,718 13,723 13,702 13,683 13,67
0,50 0,75 1,00 1,25 1,50 1,75 2,00 2,25 2,50 2,75 3,00
(b) ekil 3.18de disk adl kaynak resimler zerindeki fzyon sonular gsterilmitir. Burada SF bazl fzyon yaklam pencere boyutu=32x32, eik deeri=0,75 iken,
55 nerilen blge bazl netletirme yaklam ise pencere boyutu=32x32, netletirme maskesi=Laplacian(5x5) iken elde edilmitir.
(a) (b) nerilen netletirme bazl fzyon.
(b)
ekil 3.19da lab adl kaynak resimler zerindeki fzyon sonular gsterilmitir. Burada SF bazl fzyon yaklam pencere boyutu=20x20, eik deeri=0,75 iken, nerilen blge bazl netletirme yaklam ise pencere boyutu=20x20, netletirme maskesi=Laplacian(5x5) iken elde edilmitir.
(a) (b) nerilen netletirme bazl fzyon.
(b)
ekil 3.20de pepsi adl kaynak resimler zerindeki fzyon sonular gsterilmitir. Burada SF bazl fzyon yaklam pencere boyutu=32x32, eik deeri=1,0 iken,
56 nerilen blge bazl netletirme yaklam ise pencere boyutu=32x32, netletirme maskesi=Laplacian(5x5) iken elde edilmitir.
(a) fzyon, (b) nerilen netletirme bazl fzyon.
(b)
3.3.5. Sonu
nerilen yeni blge bazl netletirme fzyon yaklamnn algoritma performansyla ilgili birok denemeler ve aratrmalar yaplmtr. SF bazl fzyon yaklam ile kyaslama sonucunda hem hata istatistie gre hem de grsel olarak stn performans sergilemekte olduu grlmtr. alma sresi ksa olduu iin gerek zamanl uygulamalarda rahatlkla uygulanabilen bir tekniktir. Ayrca donanm olarak gerekletirilebilineceinden dolay byk bir avantaja sahiptir.
3.4. Grnt Fzyonunda Blge Bazl Fuzzy Yaklam
Bulank (fuzzy) mantk yaklam u ana kadar grnt fzyonu dahil [33, 34] bir ok uygulamada kullanlmtr. Bu blmde ise dierlerinden farkl olmak zere ok odakl grnt fzyon amal yeni bir fuzzy yaklam anlatlacaktr. Ele alnan fzyon metodu stn performans sergilemektedir, bu zellikle SF bazl fzyon yaklam ile kyaslandnda grlecektir.
57 nerilen metodun daha iyi anlalmas iin ilk nce fuzzy (bulank) kavram ile ilgili bilgiler verilecektir.
3.4.1. Fuzzy (Bulank) Kmeler
Klasik kme, snrlar keskin olan kmelere denir. Mesela, 6dan byk reel saylardan ibaret olan klasik A kmesi aadaki gibi ifade edilebilir.
A = {x x > 6}
(3.11)
Burada grld gibi mulak olmayan, ok keskin snr grnmektedir: say 6dan bykse kmenin ierisinde, yoksa dndadr. Matematik ve bilgisayar bilimin mhim bir blmn oluturan klasik kmeler kavram bir ok uygulamada baarldr, fakat bu kavram insann soyut ve bulank olan dnce tarzna tam uygun gelmemektedir. rnek olarak yksek boylu insanlar kmesi boyu 6 ft (30 cm.lik uzunluk ls)dan daha yksek insanlar kmesi olarak belirlenebilir. A=yksek boylu insanlar ve x=boy olarak alnrsa bu kme Denklem 3.11deki gibi ifade edilebilir. Bu haliyle ifade edilen kme, insann yksek boylu olarak algladn tam karlamamaktadr. nk klasik kmelerin ikili anlayna gre boyu 6.0001 ft olan insan yksek boylu olarak snflandrlrken, boyu 5.9999 ft olan insan yksek boylu olarak saylmamaktadr. Bu snflandrma ekli insan mantna uygun gelmemektedir. Sorun kmeye dahil edip etmemede ok keskin bir art kullanldndan kaynaklanmaktadr. Fuzzy (bulank) kmelerde ise, adndan da anlald gibi, snrlar keskin deil. Yani kmeye ait den kmeye ait deile olan gei keskin deil de yumuak ve aamaldr. Bu yumuak geii belirleyen yelik fonksiyonlar vardr ki su scaktr, yksek scaklk dibi genellikle kullanlan dilsel ifadeleri tanmlayarak fuzzy kmelere esneklik kazandrrlar. 1965te Fuzzy Sets (Bulank Kmeler) adl makalede [35] Zadehin iaret ettii gibi bu tr keskin snrlar olmayan kme veya snflar kavram insan dnce tarznda zellikle cisim tanmlama, bilgi ilikilendirme ve soyutlama alannda byk rol oynamaktadr. Buradaki bulanklk, yelerin geliigzelliinden deil de kavramlarn ve kstaslarn soyut olmasndan kaynaklanmaktadr [36, 37].
58
3.4.1.1. yelik Fonksiyonlar
Obje uzay X, x de Xin genel bir eleman olsun. A klasik kmesi, A X , x X olan obje veya elemanlarn kmesi olarak belirlenmitir, yle ki her x ya A kmesine ait ya da ait deil. Xdeki her x iin karakteristik bir fonksiyon belirlemekle A klasik kmesini (x,0) veya (x,1) eklindeki sral iftli ifadeler olarak gsterilebilir; bunlarn anlam srasyla x A veya x A dr. Yukarda anlatlan klasik kmelerden farkl olarak fuzzy kmesi [35] elemann kmeye ait olmann derecesini ifade eder. Dolaysyla fuzzy kmelerdeki karakteristik fonksiyon 0 ile 1 arasnda deerler alabilir ki bu elemann kmeye yelik derecesini gsterir. Eer X, x ile ifade edilen elemanlar kmesi ise, o zaman X iindeki A fuzzy kmesi sral iftli ifadelerin kmesi olarak tanmlanr:
A = {( x, A ( x)) x X }
(3.12)
Buradaki A (x) , A fuzzy kmesinin yelik fonksiyonu (veya ksacas MF) olarak adlandrlr. MF Xin her elemanna 0-1 arasnda bir yelik deerini verir. Aslnda fuzzy kme kavram, yelik fonksiyonunun 0-1 aras deerleri alabilen klasik kme kavramnn geniletilmi eklidir. A (x) yelik fonksiyonunun sadece 0 veya 1 deerlerin almas durumunda A bir klasik kme olma durumuna indirilmi olur ve
A (x) da Ann karakteristik fonksiyonu haline gelir. Klasik kmelere ayrca olaan
kmeler, keskin kmeler, nonfuzzy (bulank olmayan) kmeler ya da sadece kmeler denilebilir.
3.4.1.2. Fuzzy Kmeler Teorisinin Grnt Fzyona Bakan Yn
Yukarda da anlatld gibi fuzzy kmeler bir eleman kmeye dahil edip etmeme konusunda yelik fonksiyonlar sayesinde bulank davranabilmektedirler. Bu zellik
59 fzyon uygulamasnda ok yararl olacaktr, nk bir resmin net veya bulank olarak belirleme kstaslar ok mulaktr, yani klasik kme teorisinde olduu gibi u kesinlikle net, u ise deil eklinde bir karara varmak ok zordur. Dolaysyla ilerde de anlatlaca gibi net resmi seerken hangisi daha net (veya net kmesine hangisi daha yakn) eklindeki bir fuzzy seme mekanizmas belirlemek daha mantkl olacaktr.
ekil 3.21de nerilen metodun ematik diyagram gsterilmitir. emada gsterim kolayl iin sadece iki adet giri resmi vardr, oysa algoritma ikiden fazla giri resmi de ileyebilmektedir.
ekil 3.21. nerilen grnt fzyon metodunun ematik diyagram. Blge bazl fuzzy algoritmas net ve bulank resmi ayrt edebilmek iin fuzzy mekanizmasnn belirlemi olduu netlik llerini esas almakta ve hangisi daha byk bir netlik lsne sahip ise, o daha nettir eklindeki bir neticeye varmaktadr. Girite verilen resimler ilk nce kk blgelere ayrt edilmektedir yani blmleme (decomposition) ilemine tabi tutulmaktadr. Resimler blmledikten sonra birbirine denk gelen blmler fuzzy karar mekanizmas tarafndan karlatrlr. Bunun sonucunda hangisi daha net olarak hesaplandysa veya dier bir ifade ile fuzzy
60 mekanizmasnn deerlendirmesi sonucunda hangi blmn netlik ls daha byk ktysa k resmine o blm aktarlmaktadr.
3.4.2.1. Netlik len Kriterleri Seme
Fuzzy sistemi bir konu hakknda birok bilgiyi deerlendirerek tek sonu karan bir sistemdir. Yani nerilen metotta fuzzy sistemi direkt olarak resmin netliini lmemektedir, o sadece resmin netlii ile ilgili bilgileri toparlayarak deerlendirmekte ve nihayet tek bir netlik deerini belirlemektedir. Dolaysyla burada resmin netliini len kriterlere ihtiya duyulmaktadr. Bu konuda birok netlik len fonksiyon mevcuttur. Bunlardan iki parametre seilmitir:
(a) SF - Spatial Frequency (Uzaysal Frekans) Daha nce de anlatld gibi (Blm 2.3.1) bu operatr resimdeki piksel deerlerinin varyansn hesaplar. Yani yan yana duran iki piksel arasndaki farkn ne kadar byk olduunu ler, dolaysyla sonuta resmin netlik lsyle doru orantl bir deer vermektedir.
(b) ED - Edge Detector (Kenar Tespiti)
Bu operatr resimdeki kenarlarla alakaldr. ED operatr sayesinde resimdeki tm kenarlar tespit edilmektedir. Doal olarak resmin net ksmlar daha ok kenarlara sahip olacaktr, dolaysyla incelenen blgede kenar says o blgenin netliiyle doru orantl bir deer verecektir. ekil 3.22de ED operatrn etkisi gsterilmitir. Grld gibi ED operatrn resmin net ile bulank ksmlarn birbirinden ayrma yetenei olduka etkilidir. ekil 2.1(a) resimdeki saat ksm net, arka plan ise bulanktr. Bu resim ED operatr ile ilendiinde (ekil 3.22(a)) resmin saat ksm kolayca grlmekte iken, arka plan hemen hemen kaybolmutur. ekil 2.1(b) resim zerindeki ED etkisi daha belirgin
61 olarak ortaya kmaktadr. Bu resimleri ED ile iledikten sonra netlik ls olarak belli bir saysal deer elde edilmesi gerekir. Bunun iin incelenen blgede beyaz noktalar (kenar says) saylmaktadr. Netice olarak incelenen blgede beyaz noktalarn says, o blgenin netliini ifade ettii denilebilir.
(a) ekil 3.22.
(b)
disk adl kaynak resimler zerindeki ED operatrn etkisi : (a).ekil.2.1(a)nin ED ile ilenmi hali, (b) ekil 2.1(b)nin ED ile ilenmi hali.
3.4.2.2. Fuzzy Yapy Oluturma
Herhangi bir uygulamada fuzzy sisteminin kullanlabilmesi iin ilk nce parametrelerin belirlenmesi ve yapsnn oluturulmas gerekir. Parametreler kapsamna giri says ve onlarn yelik fonksiyonlar, k ve onun yelik fonksiyonu, fuzzy kurallar, fuzzy sonu karma metodu ve defuzzyletirme metodu gibi kavramlar girmektedir. Daha nce de belirtildii gibi kullanlacak fuzzy sisteminin iki tane girii olacaktr: SF Uzaysal Frekans ve ED Kenar Tespiti. k olarak da netlik adl bir deiken tanmlanmtr. Tm bu deikenler tanmlandktan sonra bunlarn yelik fonksiyonlarnn belirlenmesi gerekir.
62
ekil 3.23. Fuzzy yapsnn genel ekli ekil 3.24te grld gibi tm yelik fonksiyonlar birer artan fonksiyondur, bu parametrelerin netlik ls ile doru orantl olmalarndan kaynaklanmaktadr.
(a) SF giriinin yelik fonksiyonu
(b) ED giriinin yelik fonksiyonu
(c) netlik knn yelik fonksiyonu ekil 3.24. Fuzzy giri ve k deikenlerinin yelik fonksiyonlar.
63 Seilen giri parametrelerin alabilecekleri deer aral kesin olarak belirlenmi olmas gerekir. SF ve ED parametrelerin netlik ls olarak vermi olduklar maksimum deerlerin hesaplanmas olduka zordur (Minimum=0 alnmtr). Genelde bu incelenen pencere bykl, resim kontrast, k gibi parametrelere gre deimektedir. almada deer aral 0 ile 100 arasnda sabit olarak belirlenmitir. Bundan sonra da kan deerlerin (0100) aralnda olmalarn salamak iin normalize ilemine ba vurulmutur. Normalize ilemi yle gerekletirilmektedir: her bir pencere incelendiinde maksimum SF ve ED deerleri alnmakta ve her birisi sahasnda 100 olarak kabul edilmektedir, bundan sonra kan deerler ise bu maksimum deere gre normalize edilmektedir. Bir fuzzy sisteminin almas iin temel mantn oluturan if-then kurallarn yazlmas gerekir. Kullanlan sistemde iki tane kural vardr. Bunlar aadaki gibidir: 1: SF net ise, netlik de nettir 2: ED net ise, netlik de nettir Bu kurallarn sayesinde fuzzy sistemi her zaman iin iki girii deerlendirmektedir. Eer bunlardan birisi, hangi resim daha net konusunda kararsz ise sistem br deikene gre karar vermektedir. Sonu olarak iki girii ve bir k olan sistemin almas ekil 3.25te gsterilen iki boyutlu bir grafik eklinde gsterilebilir. Algoritmann admlar aadaki gibi sralanabilir: Adm 1- f1ve f2 resimlerini belirli KxK boyutundaki pencerelere blmle. Adm 2- (Birinci pencereden balayarak) incelenen pencere iin f1 ve f2 resimlerin ED ve SF deerlerini hesapla. Adm 3- Srasyla birinci ve ikinci resimlerinin ED ve SF deerlerini Fuzzy sistemine aktarmakla bunlarn netlik llerini hesapla. Adm 4- Adm 3te hesaplanm netlik deerlerini karlatr: Eer netlik1 > netlik2 ise sonu resmine f1 penceresini kopyala. Eer netlik1 netlik2 ise sonu resmine f2 penceresini kopyala.
64
f (m, n), f SONU (m, n) = 1 f 2 (m, n),
netlik1 (m, n) > netlik 2 (m, n) ise diger
(3.13)
Adm 5- Eer tm pencereler ilendiyse devam et, yoksa Adm 2ye git. Adm 6- Elde edilen ara sonutaki hatalar dzeltmek iin ounluk Filtresi operatr uygula.
ekil 3.25. Fuzzy sisteminin giri-k grafii
Matlab kullanlarak fuzzyfusion adl fonksiyon oluturulmutur: R=fuzzyfusion(f1,f2,K). Bu fonksiyonun girileri aadaki gibidir: Giri resimleri (f1,f2) :ayn byklk ve hizada olacak. Blmleme pencere boyutu (K): KxK eklinde ayarlar.
Yaplan deerlendirme esnasnda ekil 3.26(a)da gsterilen resim ile ondan bulanklatrarak tretilmi resimler kullanlmtr. Buradaki referans resim 476x719 boyutlarnda tamamen net olan bir resimdir. Bunu kullanarak yapay bir metotla (ortalama(5x5) filtresiyle konvolsyon etmekle) farkl iki giri resmi retilmektedir. Birisi saa odakl (ekil 3.26(b)), yani sa taraf net, solu bulank, dier giri resmi ise sola odakldr (ekil 3.26(c)). Ama bu iki giri resimden sadece net ksmlarn alp
65 referans resmine ok yakn bir grnty elde etmektir. ekil 3.26(d)'de fuzzy fzyon metodu ile elde edilmi sonu verilmitir. Burada blmleme pencere boyutu=66x66 kullanlmtr.
(a)
(b)
(c) resim, (b) sa odakl bulanklatrlm
(d) resim, (c) sol odakl
ekil 3.26. Referans resim, bulanklatrlm resimler ve fzyon sonucu: (a) referans bulanklatrlm resim, (d) fzyon sonucu. Deerlendirme kriteri olarak ta Blm 3.1.3te anlatlan RMSE (Root Mean Square Error Kkl Karesel Ortalama Hatas) operatr ile SF (Spatial Frequency-Uzaysal Frekans) operatrleri kullanlmtr.
3.4.3.1. Pencere Boyutu Etkeni
Tablo 3.7de ekil 3.26(b) ve (c) resimleri zerinde farkl boyuttaki pencereleri uygulayarak elde edilmi RMSE sonular verilmitir (en kk RMSE deeri kaln
66 gsterilmitir). Buradaki en dk hata (RMSE=0) 33x33 boyutlu pencere kullanlarak elde edilmitir. Tablo 3.8de ise ayn resimler zerinde farkl boyuttaki pencereleri uygulayarak elde edilmi SF sonular verilmitir (en byk SF deeri kaln gsterilmitir). Tablo 3.7. Farkl boyuttaki pencere kullanlarak elde edilmi RMSE sonular
RMSE Blmleme pencere boyutu
3x3 1.1181 8x8 0.7515 13x13 0.3049 18x18 0.3599 23x23 0.5001 28x28 0.4951 33x33 0 38x38 0.2032 43x43 0.3306 48x48 0.775
Tablo 3.8. Farkl boyuttaki pencere kullanlarak elde edilmi SF sonular

SF Blmleme pencere boyutu
3x3 8.8744 8x8 8.9244 13x13 8.9713 18x18 8.9662 23x23 8.9498 28x28 8.9495 33x33 8.9822 38x38 8.9776 43x43 8.9682 48x48 8.905
Tablolardan da anlald gibi blmleme penceresinin ne ok byk ne de ok kk olmas gerekir. ekil 3.26daki resimde 33x33 ve 38x38 pencereleri iyi cevap vermektedirler.
Bu blmde farkl eik deeri kullanlarak gerekletirilmi fzyon ilemi sonucunda SF bazl grnt fzyon yaklamnn [13] vermi olduu sonular gsterilecektir. Kyaslama iin bu yaklamnn seilmesi blge bazl olmasndan kaynaklanmaktadr. Tablo 3.9da ekil3.26(b) ve (c) resimleri zerinde 13 tane farkl eik deerinin uygulanmas sonucunda oluan RMSE ve SF deerleri verilmitir (kaln saylar her bir eik deeri iin en kk RMSE ve en byk SF deerleri gstermektedirler). Grld gibi buradaki optimal RMSE deeri (0,05224), blmleme pencere boyutu 33x33 ve eik deeri=0 iken elde edilmitir ki nerilen yeni metot daha kk RMSE deerlere sahip olmakla beraber ok daha iyi bir performans sergilemektedir.
67 Tablo 3.9. SF bazl grnt fzyon yaklam ile farkl boyuttaki pencere ve eik deeri kullanlarak elde edilmi (a) RMSE, (b) SF sonular.
RMSE
3x3 0,00 0,25 8x8

13x13 18x18 23x23 28x28 33x33 38x38 0.2032 0.5111 0.9141 1.0059 1.1952 1.2738 1.3035 1.3229 1.3966 1.4184 1.4333 1.4932 43x43 48x48 1.4601 0.65299 0.31228 0.38416 0.46256 0.48393 0.05224 1.524 1.6008 0.80379 0.53991 0.56157 0.55233 0.50942 0.51404 1.6815 0.96241 0.77875 0.87005 0.86939 0.74857 0.82709 1.7454 1.7811 1.8197 1.8534 1.8998 1.9563 2.0068 2.0502 2.1006 1.0375 1.0766 1.116 1.1374 1.1748 1.196 1.2521 1.3156 1.365 0.89869 0.99356 0.95871 0.86137 0.97349 1.0443 1.0715 1.0894 1.0931 1.1306 1.1793 1.2133 1.2808 1.0523 1.1045 1.1158 1.1391 1.1695 1.1863 1.2385 1.2854 1.1057 1.18 1.2112 1.2456 1.2806 1.2922 1.3264 1.3664 1.0062 1.0363 1.0793 1.083 1.0994 1.1552 1.1524 1.2069 1.0442 1.1429 1.1622 1.1787 1.2191 1.2191 1.2515 1.355 0.34778 0.69826 0.51287 0.62318 0.79338 0.76715 0.83987 0.97912 0.94663 1.0176 1.1186 1.1652 1.2102 1.2257 1.2533 1.3374 1.0132 1.0125 1.1999 1.4251 1.573 1.8347 1.8606 1.8958
0.70477 0.40655 0.45917 0.43667 0.50212 0.26682 0.25105 0.42682 0.56833
0,50 0,75 1,00 1,25 1,50 1,75 2,00 2,25 2,50 2,75 3,00
(a)
SF
3x3 0,00 0,25 8.8301 8.8187 8.8024 8.7779 8.7521 8.7283 8.7033 8.6827 8.6596 8.6312 8.6067 8.5826 8.5554 8x8 8.9521 8.9463 8.9361 8.9117 8.8857 8.8658 8.8491 8.8362 8.8182 8.8064 8.7909 8.7712 8.7566

13x13 8.9709 8.9639 8.9543 8.9253 8.8919 8.8542 8.8321 8.8222 8.8174 8.8087 8.7958 8.7858 8.7677 18x18 8.9643 8.9588 8.9469 8.9092 8.8721 8.8491 8.825 8.8134 8.8062 8.7987 8.7942 8.7804 8.7674 23x23 8.9537 8.9485 8.9359 8.8864 8.8545 8.8157 8.7856 8.7641 8.7538 8.7444 8.7413 8.7327 8.7206 28x28 8.9504 8.9473 8.9451 8.9189 8.8889 8.8496 8.8336 8.821 8.8192 8.8152 8.7982 8.7703 8.7564 33x33 8.982 8.9753 8.9558 8.9165 8.8779 8.8495 8.822 8.8176 8.8137 8.8021 8.8021 8.7939 8.7599 38x38 8.9776 8.9761 8.9566 8.9006 8.8704 8.8239 8.794 8.7849 8.7764 8.7557 8.7482 8.7439 8.7248 43x43 8.9672 8.9621 8.9541 8.9214 8.901 8.8805 8.8657 8.8383 8.8212 8.8067 8.8024 8.7936 8.7718 48x48 8.9162 8.8769 8.8706 8.848 8.8161 8.8088 8.8077 8.7597 8.6908 8.6362 8.5721 8.5114 8.4981
0,50 0,75 1,00 1,25 1,50 1,75 2,00 2,25 2,50 2,75 3,00
(b)
3.4.3.3. Sbjektif Deerlendirme
Bu blmde ekil 2.1, 2.2, ve 2.3te gsterilen, fotoraf makineden farkl uzaklktaki objeleri ieren resimler zerinde nerilen fzyon metoduyla SF bazl fzyon yaklam uygulanacaktr. Bu tr resimlerin gerek manada bir referans resmi olmadndan, buradaki deerlendirme sbjektif olacaktr.
68 ekil 3.27de disk adl kaynak resimler zerindeki fzyon sonular gsterilmitir. Burada SF bazl fzyon yaklam pencere boyutu=32x32, eik deeri=0,75 iken, nerilen blge bazl fuzzy yaklam pencere boyutu=32x32 iken elde edilmitir.
(a) (b) nerilen fuzzy fzyonu.
(b)
ekil 3.28de lab adl kaynak resimler zerindeki fzyon sonular gsterilmitir. Burada SF bazl fzyon yaklam pencere boyutu=20x20, eik deeri=0,75 iken, nerilen blge bazl fuzzy yaklam pencere boyutu=20x20 iken elde edilmitir.
(a) (b) nerilen fuzzy fzyonu.
(b)
69 ekil 3.29da pepsi adl kaynak resimler zerindeki fzyon sonular gsterilmitir. Burada SF bazl fzyon yaklam pencere boyutu=32x32, eik deeri=1,0 iken, nerilen blge bazl fuzzy yaklam pencere boyutu=32x32 iken elde edilmitir.
(a) fzyon, (b) nerilen fuzzy fzyonu.
(b)
3.4.4. Sonu
ok odakl grnt fzyonu iin nerilen yeni blge bazl fuzzy yaklamnn algoritma performansyla ilgili birok denemeler ve aratrmalar yaplmtr. SF bazl fzyon yaklam ile kyaslama sonucunda hem hata istatistie gre hem de grsel olarak stn performans sergilemekte olduu grlmtr.
4. BLM SONULAR VE DEERLENDRME
Bu alma ok odakl grnt fzyon konusunu ele almaktadr. Bu konu ile ilgili geni bir literatr taramas yaplm ve daha nce yaplan fzyon teknikleri incelenmitir. Bu inceleme sonucu olarak farkl fzyon metodu seilip anlatlmtr. Bunlar: Laplace piramidi, Dalgack dnm, Uzaysal frekans.
Laplace piramidi ve dalgack dnm resimleri ilk nce ok znrlkl dnmne tabi tutup her znrlk tabannda birletirme gerekletirmektedir. Sonra da oluan bu birletirilmi resim dizisini ters dnme tabi tutup yine tek bir resim (fzyon sonucunu) elde etmektedir. Oluan fzyon sonular tamamen net olarak elde edilmitir, bu ise metotlarn baarl olduunu gstermektedir. Uzaysal Frekans (SF) ise dierlerinden farkl olarak blge bazldr. Yani bu metot fzyonu gerekletirmek iin resimleri ilk nce KxK boyutlu pencerelere blmleyip tek tek pencere incelemesi yapmakta ve hangi resmin penceresini daha net olarak grrse onu hi deitirmeden sonu resmine kopyalamaktadr. Bu metot sadece ok odakl grnt fzyonunda baarldr, halbuki nceki iki metot farkl farkl fzyon eitleri iin de yaygn olarak kullanlmaktadr. Grnt fzyon problemi iin farkl metot gelitirilmitir. Bunlar: Grnt fzyonunda blge bazl bulanklatrma yaklam, Grnt fzyonunda blge bazl netletirme yaklam, Grnt fzyonunda blge bazl fuzzy yaklam.
71 Bulanklatrma ve netletirme yaklamlar V. Aslanta ve D.T. Pham tarafndan
yazlan Netletirme Filtreleri Kullanarak Mesafe lme (Depth From Defocusng Using Sharpening Filters) adl makaleden esinlenerek gelitirilmitir. Esas olarak net ve bulank resimlerin grafiksel gsterim farkllklarn ele almaktadrlar. Fuzzy yaklam ise Uzaysal Frekans (SF) ve Kenar Tespiti (ED) olmak zere iki farkl netlik kstas fonksiyonunu kullanmaktadr. Her pencere iin hesaplanan bu deerler fuzzy sistem tarafndan deerlendirilip tek bir netlik ls kartlmakta ve bu lye gre net olarak belirlenen pencere k resmine kopyalanmaktadr. Gelitirilen metotlarn hepsi de blge bazldr. Dolaysyla kyaslama iin blge bazl SF yaklam kullanlmtr. Yaplan incelemeler sonucunda hem hata istatistiine gre hem de sbjektif deerlendirme olarak yeni metotlarn stn performans sergiledikleri ispatlanmtr.
KAYNAKLAR
1. Aggarwal J.K., Multisensor Fusion for Computer Vision, Springer, Berlin, 1993. 2. Akerman A., Pyramid techniques for multisensor fusion, Rroc. SPIE 2828, 124-131, 1992. 3. Hall D. L., Llinas J., An introduction to multisensor data fusion, Proc. IEEE 85 (1), 623, 1997. 4. Varshney P.K., Multisensor data fusion, Electron. Commun. Eng. J. 9 (6), 245-253, 1997. 5. Electrical Engineering and Computer Science Department, Lehigh University, Bethlehem, PA 18015, http://www.ece.lehigh.edu/SPCRL/IF/image_fusion.htm. 6. Burt P. T., Andelson E. H., The Laplacian pyramid as a compact image code, IEEE Trans. Commun. 31 (4), 532-540, 1983. 7. Burt P. T., Kolczynski R. J., Enchanced image capture through fusion, in: Proceedings of the 4th International Conference on Computer Vision, Berlin, Germany, pp. 173-182, May 1993. 8. Toet A., van Ruyven L. J., Valeton J. M., Merging thermal and visual images by a contrast pyramid, Opt. Eng. 28 (7), 789-792, 1989. 9. Matsopoulos G. K., Marshall S., Brunt J.N.H., Multiresolution morphological fusion of MR and CT images of the human brain, Proc. IEE: Vision, Image Signal Process. 57 (3), 17-142, 1994. 10. Yocky D.A., Image merging and data fusion by means of the discrete twodimensional wavelet transform, J. Opt. Soc. Am. A: Opt., Image Sci. Vision 12 (9), 184-1841, 1995. 11. Li H., Manjunath B.S., Mitra S.K., Multisensor image fusion using wavelet transform, Graphical Models Image Process. 57 (3), 235-245, 1995. 12. Zhang Z., Blum R.S., A categorization of multiscale decomposition-based image fusion schemes with a performance study for a digital camera application, Proc. IEEE 87 (8), 1315-1326, 1999. 13. Shutao L., Kwok J. T., Wang Y., Combination of images with diverse focuses using the spatial frequency, Information Fusion 2, 169-176. September 2001. 14. Shutao L., Kwok J. T., Wang Y., Multifocus image fusion using artificial neural Networks, Pattern Recognition Letters 23, 985-997, 2002.
73 15. Seales W.B., Dutta S., Everywhere-in-focus image fusion using controllable cameras, Proc. SPIE 2905, 227-234, 1996. 16. Wang Y., Multisensor Image Fusion: Concept, Method and Applications, Faculty of Electrical and Information Engineering, Hunan University, Changsha, 410082, China. 17. Aiazzi B., Alparone L., Baronti S., Pippi I., Fusion of 18 m MOMS-2P and 30 m Landsat TM Multispectral Data by the Generalized Laplacian Pyramid. 18. Shechtman E., Sequence Fusion Based on 3D Pyramids, Project Report, Nov. 2000. 19. Canga E. F., Image Fusion, M. Eng. Thesis, University of Bath, June 2002. 20. Strang G., Nguyen T., Wavelets and Filter Banks, Wellesley-Cambridge Press, Wellesley MA 02181 USA, 1997. 21. Smith M. J. T., Barnwell T. P., Exact Reconstruction Techniques for TreeStructured Subband Coders, IEEE Transactions ASSP, 34, Pages 434-441, 1986. 22. Antonini M., Barlaud M., Mathieu P., Daubechies I., Image Coding Using the Wavelet Transform, IEEE Trans on Image Processing, 2(2) , Pages 205-220, April 1992. 23. Chipman L. J., Orr T. M., Graham L. N., Wavelets and Image Fusion, Proceedings International Conference on Image Processing, vol. 3, Pages 248-251, 1995. 24. Koren I., Laine A., Taylor F., Image Fusion Using Steerable Dyadic Wavelet Transform, Proceedings International Conference on Image Processing, vol. 3, Pages 232-235, 1995. 25. Nez J., Otazu X., Fors O., Prades A., Pal V., Arbiol R., Multiresolution-Based Image Fusion with Additive Wavelet Decomposition, IEEE Transactions on Geoscience and Remote Sensing, vol. 37, no. 3, Pages. 1204-1211, May 1999. 26. Nez J., Otazu X., Fors O., Prades A., Simultaneous Image Fusion And Reconstruction Using Wavelets; Applications to SPOT + LANDSAT Images, Vistas in Astronomy, Volume 41, Issue 3, Pages 351-357, 1997. 27. Bogdan J. M., Shark L.K., Varley M. R., Region-Based Wavelet Fusion Of Ultrasonic, Radiographic And Shearographic Non-Destructive Testing Images, 15th World Conference WCNDT, Rome, 15-21 October 2000. 28. Gomez R. B., Jazaeri A., Kafatos M., Wavelet-Based Hyperspectral and Multispectral Image Fusion, Proceedings of the SPIE Aero Sense International Symposium, Orlando, April 2001.
74 29. Bowers M. A., Optimization of Wavelets for Image Coding Using MATLAB, Dissertation (M.Eng. in Electronic & Communication Engineering) - University of Bath, 1997. 30. Toet A., Franken E. M., Perceptual evaluation of different image fusion schemes, Displays, vol. 24, no. 1, pp. 2537, February 2003. 31. Rockinger O., Image sequence fusion using a shift invariant wavelet transform, in Proceedings of IEEE International Conference on Image Processing, vol. 13, pp. 288291, 1997. 32. Aslantas V., Pham D.T., Depth From Defocusing Using Sharpening Filters, 2005. 33. Singh H., Raj J., Kaur G., Meitzler T., "Image fusion using fizzy logic and applications", Budapest, 2004. 34. Ranjan R., Singh H., Meitzler T., Gerhart G. R., Iterative Image Fusion Technique using Fuzzy and Neuro Fuzzy logic and Applications, 2005. 35. Zadeh L. A.. Fuzzy sets. Information and Control, 8:338-353, 1965. 36. Bellman R. E., Giertz M., On the analytic formalism on the theory of fuzzy sets. Information Sciences, 5:149-156, 1973. 37. Dubois D., Prade H., Fuzzy sets and systems: theory and applications. Academic pres, New York, 1980.
75
ZGEM
Ayder Bulatov, 1982 ylnda zbekistanda dodu. 1990 ylnda ailesiyle birlikte Krma tand. lkokulu Mayskoye Ortaretim Okulunda, orta okul ve liseyi Krm Trk Lisesinde bitirdikten sonra 2000 ylnda Erciyes niversitesi Bilgisayar Mhendislii Blmn kazand. 2004 ylnda lisans programndan mezun olduktan sonra Erciyes niversitesi Fen Bilimleri Enstits Bilgisayar Mhendislii Anabilim Dalnda yksek lisans eitimine balad. Adres: Krm / Ukrayna Djankoysiy rayon, Selo Polevoye, Ul. Gagarina, 22 96178 Tel: +90 536 417 75 97
E-posta: ayderbulatov@yahoo.com

Cok Odakli Goruntu Fuzyonu Multi Focus Image Fusion

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cok Odakli Goruntu Fuzyonu Multi Focus Image Fusion

Uploaded by

Copyright:

Available Formats

T.C.

ERCYES NVERSTES FEN BLMLER ENSTTS

OK ODAKLI GRNT FZYONU

Tezi Hazrlayan Ayder BULATOV

Tezi Yneten Yrd. Do. Dr. Veysel ASLANTA

Bilgisayar Mhendislii Anabilim Dal Yksek Lisans Tezi

Temmuz 2006 KAYSER

iv MULTIFOCUS IMAGE FUSION

viii TABLOLAR LSTES

0 < l < N katmanlar ve i, j,

0 i < C l , 0 j < Rl noktalar ifade etmek zere

Burada bir boyutlu ve uzunluu 5 olan w fonksiyonu normalize edilmi ve simetriktir.

w(i ) = w( i ), i = 0,1,2 iin

w( 1) = w(1) = b , ve w(2) = w(2) = c olsun, bu durumda eit katlm artna gre

a 2c = 2b olur. Bu art aadaki durumda salanm olur.

ekil.2.6da ise Gaussian piramit algoritmasyla retilmi resimler gsterilmitir.

Aada bu ilemin denklem ifadesi verilmitir.

ekil 2.7. Laplace algoritmasnn bloklarla ifade edilmi ekli.

2.1.2. LP Fzyon Algoritmas

ekil 2.9. Laplace fzyon algoritmasnn ak emas.

(b) resimler ile birletirilmi resmin farklar.

ekil 2.11. ki hatl filtre sistemi.

olarak ifade edilir). fadelerin yars X (z ) yi dier yars da X ( z ) yi kapsamaktadr.

1 X ( z ) = [F0 ( z ) H 0 (z ) + F1 ( z )H 1 ( z )]X ( z ) + 2 1 + [F0 ( z ) H 0 ( z ) + F1 ( z )H 1 ( z )]X ( z ) 2

Bozulmay azaltmak iin de Smith ve Barnwell aadaki ifadeyi nermilerdir [21].

Bu kstlamalar dahil olmak zere son filtre ifadesi aadaki gibidir.

ekil 2.12. DWTnin filtre sistem yaps (analiz ksm).

19 2.2.2. WT Fzyon Algoritmas

ekil 2.17. Dalgack algoritmasnn ak emas.

(b) resimler ile birletirilmi resmin farklar.

1 M N ( F (m, n) F (m, n 1)) 2 MN m=1 n= 2

CF ise stun frekansdr.

1 N M ( F (m, n) F (m 1, n)) 2 MN n=1 m= 2

24 Bu sonular uzaysal frekansn resim netliini lmek iin kullanlabildiini gsterir.

uzaysal frekans deerlerini karlatr. Bunun sonucunda fzyon sonu resmin

Adm 3te retilen sonucu ounluk filtresi sayesinde kontrol edip

Algoritmann ak emas ekil 2.22de gsterilmitir.

(b) resimler ile birletirilmi resmin farklar.

3. BLM GELTRLEN YEN GRNT FZYON YAKLAIMLARI

3.1. Kullanlan Ortak zellikler 3.1.1. Blmleme Etkeni

3.1.2. ounluk Filtresi (Majority Filter) lemi

3.1.3. Deerlendirme Kriterleri

[ R(i, j ) F (i, j )]2 IJ

3.2. Grnt Fzyonunda Blge Bazl Bulanklatrma Yaklam

3.2.1. Temel Algoritmas

ekil 3.3. nerilen grnt fzyon metodunun ematik diyagram.

fark1 = [ Pf 1 (i, j ) PB* (i, j )]2

fark 2 = [ Pf 2 (i, j ) PB* (i, j )]2

f1 (m, n), f SONU (m, n) = f 2 (m, n), f (m, n) + f (m, n) 2 1 , 2

3.2.2. Bulanklatrma Maske Seimi

(a) orijinal resim

ekil 3.8. Giri resimlerin, ortalamann ve bulanklatrlm ortalamann grafiksel gsterimi.

3.2.4. Deney Sonular

(c) resim, (b) sa odakl bulanklatrlm

(d) resim, (c) sol odakl

Blmleme pencere boyutu

Ortalama Maske Boyutu

Blmleme pencere boyutu

Dairesel Ortalama Maske Boyutu

r=2 r=3 r=4 r=5 r=6 r=7 r=8 r=9 r=10

Blmleme pencere boyutu

Ortalama Maske Boyutu

Blmleme pencere boyutu

Dairesel Ortalama Maske Boyutu