Bu tezde, doku tanımada başarılı bir şekilde kullanılan yerel ikili örüntüler (Local Binary Pattern - LBP) öznitelik çıkarım yönteminin komşuluk topolojisi üzerinde çalışılmıştır. LBP, görüntünün gri seviye değerlerini kullanan basit bir öznitelik çıkarım yöntemidir. Görüntüdeki her piksel referans piksel olarak belirlenir ve etrafındaki komşuları dairesel bir topoloji ile seçilir. Bu tez çalışması kapsamında LBP yöntemi ile farklı spiral topolojilere sahip komşuluklar kullanılarak daha anlamlı özniteliklerin elde edilmesi amaçlanmıştır. Ayrıca, özniteliklerin ayırt edici özelliklerini arttırmak amacıyla, spiral topoloji kullanan LBP kodları ile görüntünün kenar bilgileri birleştirilmiştir. Histogram tabanlı öznitelik vektörlerinin sınıflandırılmasında genellikle benzerlik ölçütleri kullanılmaktadır. Yapılan tezde, doku tanımada sınıflandırma aşamasında altuzay tabanlı yöntemler ile tanıma başarımının artırılması hedeflenmiştir. Önerilen öznitelik çıkarım yöntemi, doku tanımada CURet ve UIUC doku veritabanları, yüz tanımada ise AR ve ORL yüz veritabanları üzerinde çeşitli deneyler ile test edilmiştir. Yapılan deneyler sonucunda, CURet doku veritabanında % 99,6'lara varan bir tanıma oranı elde edilmiştir. Farklı LBP varyasyonları ile karşılaştırıldığında, daha iyi sınıflandırma başarımları elde edilmiştir. Ayrıca geliştirdiğimiz öznitelik çıkarım yöntemi ile elde edilen öznitelik vektör boyutunu azaltmak amacıyla yeni bir öznitelik seçim algoritması önerilmiştir. Önerilen yöntemde sınıflar arası varyansın olabildiğince yüksek hale getirilmesi amaçlanmaktadır. Önerilen öznitelik seçimi yönteminin başarımı doku tanımada test edilmiştir. Deney sonuçlarına göre, öznitelik vektörünün boyutu %99'a kadar azaldığında tanıma oranı sadece %0,06 azalmaktadır.
In this thesis, neighborhood topology of Local Binary Pattern (LBP) which is used successfully applied in texture recognition is studied. LBP is a simple feature extraction method that uses the gray-level values of an image. Each pixel in the image is determined as the reference pixel and its surrounding neighbors are selected over a circular topology. In this thesis work, by using the LBP method, it is aimed to obtain more meaningful features, by using neighbors with different spiral topologies. In addition, the LBP codes which use spiral topology is concatenated with the edge information of the image to enhance the distinctive characteristics of the features. Similarity measures are generally used to classify histogram-based feature vectors. In this thesis, it is aimed to increase the recognition performance with subspace based methods in the classification stage of texture recognition. Proposed feature extraction method is tested with several experiments on CURet and UIUC texture database in texture recognition, AR and ORL face database in face recognition. As a result of the experiments, the recognition rate is acquired up to %99,6 on CURet texture database. Better classification performances are achieved when compared to the several LBP variations. In addition, a new feature selection algorithm is proposed to reduce the dimension of the feature vectors obtained by the proposed feature extraction method. In the proposed method, it is aimed to make the between-class variance as high as possible. The performance of the proposed feature selection method is tested in texture recognition. The experimental results suggest that, the recognition rate is reduced by only 0.06% when the dimension of the feature vector is reduced up to 99%.
