Image registration based on ensemble of extreme learning machine

Görüntü çakıştırma, tek bir koordinat sisteminde çeşitli sensörlerden, noktaların farklı görünümlerinden veya farklı zamanlardan elde edilen bir dizi görüntüyü hizalayan işlemdir. Görüntü özelliklerini kullanarak sinir ağı ile görüntü çakıştırma, geometrik dönüşüm parametrelerini (ölçekleme, döndürme ve öteleme) tahmin etmek için kullanılan bir işlevdir. Bu tez çalışmasında, görüntü çakıştırma prosedürü gürültünün rahatsızlık etkisinin üstesinden gelmek, gürültülü koşullar altında geometrik dönüşüm parametrelerinin tahmininin doğruluğunu ve sağlamlığını arttırmak için birleştirilmiş aşırı öğrenme makineleri kullanılarak gerçekleştirilmiştir. Yapılan deneylerde, afin dönüşümü kullanılarak dönüştürülmüş üç farklı görüntü kullanılmıştır. Özellikler gürültülü görüntü ve gürültüsüz görüntülerden ayrık kosinüs dönüşümüyle elde edildi. Bu özellikler sinir ağlarına girdi olarak verildi ve çakıştırma parametreleri sinir ağlarının çıkışından hesaplandı. Yapay sinir ağı tabanlı görüntü çakıştırma iki aşamada gerçekleştirilebilir. Çakıştırma öncesi aşamada, aşırı öğrenme makineleri, radyal tabanlı sinir ağı ve ileri beslemeli sinir ağı, çeşitli parametrelerle ötelenmiş, ölçeklenmiş ve döndürülmüş görüntülerden elde edilen özellikler ile eğitilmiştir. Çakıştırma aşamasında, eğitilmiş ağlar test görüntülerinden çıkarılan özellikler ile beslenmiş ve kayıt parametreleri çıktıda gözlenmiştir. Elde edilen sonuçlar farklı kullanılan sinir ağları açısından karşılaştırıldı. Sonuçlar, aşırı öğrenme makinelerinin, gürültünün varlığında diğer iki sinir ağından daha iyi sonuç verdiğini göstermiştir.