Bilgisayarla Görü İle Deney Hayvanlarında Dönme Hareketi Takibi ...

(a) (b)
Şekil 13. a) J m_s , b) J Öklid imgeleri.
Örnek imge için elde edilen J m_s ikili imgesine ait Öklid
uzaklığı ( J Öklid ) Şekil 13’de görülmektedir.
Elde edilen J Öklid imgesinde, uzaklık değerlerinin en
büyük değerinin %75’inden büyük olan pikseller Radon
dönüşümüne [9] sokulmaktadır. Elde edilen Radon dönüşümü
matrisinde en büyük genliğin sahip olduğu açı değeri deney
hayvanının doğrultusunu vermektedir. Radon dönüşümünde
hız gereksiniminden dolayı 0 ° ile 179 ° arasındaki tüm tam sayı
dereceler yerine sadece 20 °’ lik açı aralıkları alınmaktadır.
Bunun sonucunda deney hayvanının doğrultusunda 20 ° ’lik bir
nicemleme hatası oluşmaktadır. Fakat bu hata hem birikimli
olmadığından hem de görsel olarak fark edilemeyeceğinden
sorun yaratmamakta, sistemin gerçek zamanlı çalışma
gereksinimini karşılaması açısından da avantaj sağlamaktadır.
Örnek J Öklid imgesi için, Radon dönüşümü sonrasında elde
edilen Radon dönüşüm matrisi ( J Radon ) ve deney hayvanının
bulunan doğrultusu Şekil 14’de görülmektedir.
Şekil 14. a) Radon
(a) (b)
J , b) deney hayvanının bulunan doğrultusu.
2.2. Deney Hayvanının Dönüş Durumunun Belirlenmesi
İmge çerçevesi için elde edilen deney hayvanına ait
doğrultu bilgisi, önceki doğrultu bilgileri ile birlikte
değerlendirilerek deney hayvanının dönüş durumuna ait
gerekli bilgiler ortaya çıkarılmaktadır. Bu amaçla ilk olarak
deney hayvanının doğrultusunun alabileceği tüm durumları
içeren bir durum modeli oluşturulmuştur. Bu durum modeli,
Şekil 15’de de görüldüğü gibi, 0 ° ile 360 ° lik daireyi kapsayan
20 ° lik açı aralıklarına sahip 18 farklı durumdan meydana
gelmektedir. Bu durum modeli kullanılarak elde edilen deney
hayvanının saat yönü tersindeki tam dönüşe ait örnek
sonuçlar, Şekil 16’da görülmektedir.
3. Sonuç
Bu çalışmada deney hayvanlarının otomatik dönme hareketi
analizi gerçekleştiren özgün bir bilgisayarla görü yaklaşımı
kafesten oluşturulan deney düzeneğinden ve geliştirilen
yazılımdan oluşmaktadır. Yöntemde öncelikle yakalanan
renkli imge gri tonlu imgeye dönüştürülmektedir. Gri ölçekli
morfolojik işlemler ile, deney hayvanının imge çerçevesinden
elde edilmesini zorlaştıran bozucu etkenler bastırılmakta ve
deney hayvanı bölgesi elde edilmektedir. Daha sonra Öklid
Şekil 15. Tanımlanan durum modeli.
Şekil 16. Deney hayvanının ters-saat yönündeki dönüşü.
uzaklığı hesabı ve Radon dönüşümü kullanılarak deney
hayvanının doğrultusu bulunmaktadır. Dönüş doğrultusu
bilgisi hesaplandıktan sonra, belirlenen durum modeline bağlı
kalarak dönüş durumu ve tur sayısı çıkartılmaktadır.
Geliştirilen sistemin çerçeve işleme hızı, çalıştırıldığı
bilgisayarın donanımına bağlı olmakla birlikte, bu hızın
deneylerde 5 fps ’ye sınırlandırılması uygun görülmüştür.
Geliştirilen sistem farklı yapıdaki sahnelerde kullanılmış ve
başarılı sonuçlar elde ettiği gözlemlenmiştir.
4. Kaynakça
[1] Kalafatic, Z., “Model-Based Tracking of Laboratory
Animals,” ICIAP Proc. of 11th Int. Conf. on Image
Analysis and Processing, pp. 334-339, 2003.
[2] Kritzler, M., Lewejohann, L., Krüger, A., Raubal, M.,
Sachser, N., “An RFID-Based Tracking System for
Laboratory Mice in a Semi-Natural Environment,”
PTA2006 Workshop, Dublin, Ireland, 2006.
[3] Pres, W. H., Teukolsky, S. A., Vetterling, W. T., and
Flannery, B.P., “Numerical Recipes in C,” Cambridge
University Press, Cambridge, NY, USA, 1992.
[4] Urhan, O., Güllü, M.K., Ertürk, S., “Modified Phase-
Correlation Based Robust Hard-Cut Detection with
Application to Archive Film,” IEEE Trans. on Circuits
and Systems for Video Technology, Vol. 16, No. 6,
pp. 753-770, 2006.
[5] Gil, J., Werman, M.,. “Computing 2-d Min, Median, and
Max Filters” IEEE Trans. Pattern Anal. Mach. Intell.
Vol. 15, No. 5, pp. 504–507, 1993.
[6] Herk, M., “A Fast Algorithm for Local Minimum and
Maximum Filters on Rectangular and Octagonal Kernels”
Pattern Recogn. Lett. Vol. 13, No. 7, pp. 517-521, 1992.
[7] Vincent, L., “Morphological Grayscale Reconstruction in
Image Analysis: Applications and Efficient Algorithms”,
IEEE Trans. on Image Proc., Vol. 2, No. 2, pp. 176-201,
1993.
[8] Breu, H., Gil, J., Kirkpatrick, D., and Werman, M.,
“Linear Time Euclidean Distance Transform
Algorithms,” IEEE Trans. Pattern Analysis and Machine
Intelligence, Vol. 17, No. 5, pp. 529-533, 1995.
[9] Ronald, N. Bracewell, “Two-Dimensional Imaging,”
Prentice-Hall, pp. 518-525, 1995.