EEM 731 Örüntü Tanıma Final Sınavı

Mustafa ŞEKERLİOĞLU
05.01.2023
2
Örüntü tanıma, mevcut verilere bakan ve içinde herhangi bir düzen olup
olmadığını görmeye çalışan bir süreçtir. İki ana bölümü vardır. Bunlar;

1. Algoritmaların genel olarak kalıpları aradığı keşif bölümü

2. Algoritmaların bulunan kalıpları kategorize etmeye başladığı

açıklayıcı kısım

Bilgisayar görüşünün aksine, örüntü tanıma için veri herhangi bir şey olabilir:

Ayrıca örüntü tanıma ve bilgisayarla görmeyi birbirinden ayırmalıyız. Bu iki

teknoloji benzer görünmekle birlikte, bilgisayarla görme teknolojisi çoğunlukla
nesne algılama, görsel tabanlı öğrenme ve bölümleme gibi görüntüleri ve görsel
bilgileri işleme ve analiz etmeye odaklanır. Öte yandan örüntü tanıma, her türlü
verideki örüntülerin otomatik olarak keşfedilmesini amaçlamaktadır.

3
Metinler veya kelimeler

1. Görüntüler

2. Duygular (duygular)

3. Sesler

4. Diğer unsurlar ve bilgiler

Bu model arama sürecinden elde edilen bilgiler, veri analitiği sistemleri için
kullanılabilir. Bu özellik, kullanıcıların bu kadar büyük miktarda veriyi kendi
başlarına veya Excel veya diğer benzer araçlar yardımıyla işleyemediği büyük
veri analitiği için özellikle hayati önem taşır.

Örüntü tanımanın nasıl çalıştığına dair basitleştirilmiş bir süreç:

 Öncelikle veri toplamanız gerekir.

 Ardından, ön işleme tabi tutar ve gürültüden arındırırsınız.

 Algoritma, verileri inceler ve ilgili özellikleri veya ortak öğeleri arar.

 Daha sonra bu öğeler sınıflandırılır veya kümelenir;

 Her segment içgörüler için analiz edilir;

 Son olarak, çıkarılan içgörüler pratikte uygulanır.

4
Eşikleme nesnelerin arka plandan ayrılması işlemidir ve en basit bölütleme
(segmentation) yöntemidir. Nesneleri arka plandan ayırmak için en kolay yol,
histogramdan göreceli olarak belirlenen bir T eşik değeri ile görüntüdeki piksel
değerlerini karşılaştırmak olacaktır.
>> İpread(‘C: \ Users \ Mustafa \ Deksetop \ dosya \ indir.jpg’ )
>> İmg= imread (‘C: \ Users \ Mustafa \ Deksetop \ dosya \ indir.jpg’ );
>> İmshow(img) >> (img)
,

5
>>img
>>gray= rgb2gray(img);
>> imshow
>> imshow (gray)
>>size (img)
ans= 168 300 3
>> [ a, b, c] = size (img)
a= 168
b= 300
c= 3
>> k= size (img,1)
k= 168
>>k2= size( img,2)
K2=300
>>img

6
Bu metodta görüntü piksel piksel okunup aynı anda işlendiği için görüntünün
tamamı hafızaya kaydedildiğinde histogramı da çıkarılmış olmaktadır.
Histogram çıkarıldıktan sonra eşik değerinin hesaplanması işlemleri yapılmakta
ve görüntü eşiklenerek monitöre aktarılmaktadır
Otsu metodu, gri seviye görüntüler üzerinde uygulanabilen bir eşik tespit
yöntemidir. Metod ta kullanılırken görüntünün arka plan ve ön plan olmak üzere
iki renk sınıfından oluştuğu varsayımı yapılır. Daha sonra tüm eşik değerleri için
bu iki renk sınıfının sınıf içi varyans değeri hesaplanır.