İmgeleri tanımlayan en önemli görsel özelliklerden bir tanesi imgedeki nesnelerin konturlarıdır. İmgedeki nesneleri az sayıda öğe ile betimleyebilmek için nesne şekillerine konik veya doğru uyarlanır, öyle ki bu uyarlamalar için başlangıç ve bitim noktalarına ihtiyaç vardır. Bu başlangıç ve bitim noktaları imgedeki nesnenin anlamlı noktalarıdır. Bu çalışmada imgelerdeki şekillerin konturlarındaki noktalar Canny kenar detektörü ile belirlenmiş olup, bu noktalara temel bileşen analizi (TBA) metodu uygulanarak köşe ve büküm noktaları bulunmuştur. Bu noktalar daha sonra baskın, köşe, yumuşak köşe ve büküm noktası olarak sınıflandırılmıştır. İeklin konturunda ardarda gelmiş olan anlamlı noktaların arasına konik veya dogru oturtulmuş, böylece imgedeki nesne uyarlanmış konik eğrileriyle ve doğru parçaları ile betimlenmiştir.
Literatürdeki en başarılı görsel nesne sınıflandırma teknikleri imgeleri betimlemek için ―kelimeler çantası‖ (bag of words) yöntemini kullanmaktadır. Bu yöntemde dijital imgelerden seçilen yamalar SIFT, LBP, LTP ve SURF gibi farklı şekil ve doku betimleyicilerle vektörel değerlere dönüştürülmektedir. Bu çalışmada biz TBA‘ya dayalı betimleyicinin ağırlıklandırılmış açılarının histogramlarını kullanan yeni bir betimleme tekniği önerdik. Önerdiğimiz betimleme tekniğini kullanan kelimeler çantası tabanlı görsel nesne sınıflandırma yönteminin başarısını literatürdeki diğer betimleme tekniklerini kullanan nesne sınıflandırma yöntemleriyle Caltech-4 ve Coil-100 veri tabanları üzerinde karşılaştırdık. Deneysel sonuçlar TBA‘ya dayalı betimleyicinin oldukça iyi sonuçlar verdiğini göstermektedir. Ayrıca önerilen betimleyicinin literatürdeki diğer detektörlerin bulduğu ilgi noktalarından elde edilen karesel çerçevenin üzerinde kullanılmasıyla birlikte sınıflandırma başarımının daha da arttığı gözlenmiştir. Bu da TBA‘ya dayalı betimleyicinin diğer betimleyicilerden farklı bilgiler taşıdığını göstermektedir.
One of the most visually descriptive features for images is the contour of the object(s). In order to describe objects with lesser number of descriptors, linear or cubic curves are fitted to the contours of the objects. The end points of these finite length curves are usually meaningful spots on the contours. In the work presented here, edges are found by the Canny edge detector, followed by Principal Component Analysis (PCA) for determining corners and inflection points. These points are classified as dominant, corner, soft corner or inflection points. Curves are fitted to the sub-contours between successive such descriptive points on the object contour.
Most of the state-of-arts visual object classification methods use bag of words model for image representation. In this method, patches extracted from images are described by different shape and texture descriptors such as SIFT, LBP, LTP, SURF, etc. In this paper we introduce a new descriptor based on weighted histograms of phase angles of local based PCA transform. We compare the classification accuracies obtained by using the proposed descriptor to the ones obtained by other well-known descriptors on Caltech-4 and Coil-100 data sets. Experimental results show that our proposed descriptor provides good accuracies indicating that PCA based local descriptor captures important characteristics of images that are useful for classification. When we described image representations obtained by PCA based descriptor with the representations obtained by other detection of keypoints, results even get better suggesting that tested descriptors encode differential complementary information.
