BLM4540 Digital Image Processing

Ödev tanımı, rapor ve kodlar ilgili dosyalarda bulunabilir.

🗂 Repository Map                                                                                                                                                 
┣━━ hw1 - (Görüntü Filtreleme / Image Filtering) 
┣━━ hw2 - (Doku Analizi / Texture Analysis)                                                                                
┣━━ hw3 - (Görüntü Sınıflandırma / Image Classification) 
┗━━ project - (Görüntü Segmentasyonu / Image Segmentation) 

hw1 - (Görüntü Filtreleme):

Konu: Kenar Belirleme İşlemi (C dilinde)
Açıklama: Bu ödevde gri renklerdeki bir resme kenar belirleme işlemi uygulamamız istenmektedir.

Fonksiyonlar: Aşağıdaki işlemleri yapan fonksiyonları yazınız.

1. Görüntü dosyasının okunması: .pgm formatında verilen giriş görüntüsün formatını çözerek, görüntüyü iki boyutlu bir matrise yerleştiren fonksiyonu yazınız.
2. Görüntüye verilen kernel ile konvolüsyon işlemi uygulanması: Parametre olarak kernel matrisinin boyutunu (3x3, 5x5 gibi tek sayılı bir kare matris olabilir) ve değerlerini veriniz.
3. Kernel uygulanmış görüntülerin pgm formatında dosyaya yazılması: Kernel uygulanmış sonuç görüntüyü “pgm” formatında yeni bir dosyaya yerleştiren fonksiyonu yazınız.

hw2 - (Doku Analizi):

Konu: İçerik Tabanlı Görüntü Erişimi (Content Based Image Retrieval)
Açıklama: Bu ödevde resimlerin doku benzerliklerini değerlendirerek bir sorgu resmine en çok benzeyen 3 adet resmi tespit etmemiz istenmektedir. Sistemin başarısı ekte paylaşılan 10 doku sınıfına ait örnek resimler için değerlendirilecektir.

İşlem Adımları: Ödev 2 aşamadan oluşmaktadır.

1. Veritabanındaki resimlerin hazırlanması: Aşağıdaki işlemleri train directory’si altındaki bütün resimler için sadece 1 defa yapınız. Elde ettiğiniz sonuçları test resimleri için kullanmak amacıyla saklayınız:
   - Doku histogramlarının hesaplanması:
   - Doku benzerliklerinin ölçülmesi için resimlerin Uniform-LBP(Local Binary Pattern) histogramlarını hesaplayınız. Histogram sonuçlarını [0,1] aralığına normalize etmeyi unutmayınız.
2. Örnek Test Resimleri İle Sistem Başarısının Ölçülmesi: Test aşamasında test directory’si altında bulunan resimler için aşağıdaki işlemleri yapınız.
   a. Test resminin Uniform-LBP histogramını eğitim örnekleri için yaptığınız gibi hesaplayınız.
   b. Resimlerin benzerliklerini ölçerken verilen test resminin eğitim resimlerinin hepsine mesafesini Manhattan Mesafesi yöntemi ile hesaplayarak en benzer olduğu 3’er resmi

hw3 - (Görüntü Sınıflandırma):

Konu/Açıklama: Bu ödevde konvolüsyonel sinir ağları ile CIFAR-10 veri kümesi kullanılarak eğitilmiş bir öğrenme modelini kullanarak sınıflandırma yapan bir sistem tasarlamamız istenmektedir.

project - (Görüntü Segmentasyonu):

Konu: Kodlayıcı-Kod çözücü (Encoder-Decoder) Mimarisi temelli Konvolüsyonel Sinir Ağı Kullanarak Görüntü Bölütleme

Açıklama: Bu projede “The Oxford-IIIT Pet” veriseti üzerinde kodlayıcı-kod çözücü mimarisi olan “LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation” konvolüsyonel sinir ağı gerçeklenecektir. Veri kümesi kapsamındaki bütün görüntüler üzerinde semantik bölütleme ile üç ana sınıfa ayrılması beklenmektedir.