İNSANLARDA GÖRÜLEN PARAZİT YUMURTALARININ OTOMATİK SINIFLANDIRILMASI İÇİN BİR UZMAN SİSTEM TASARIMI

Abstract

Bu tez çalışmasında insan parazit yumurtasının sınıflandırılması için mikroskobik resimlerine değişmez moment ve çoklu destek vektör makinesi sınıflandırıcı (DM-ÇDVM) yöntemi uygulandı. Bu yöntem dört aşamadan oluşmaktadır. Bunlar ön işlem, özellik çıkarım, sınıflandırma ve test aşamalarıdır. Ön işlem aşamasında resim işleme, gürültü indirgeme, parlaklık artırma, morfolojik ve mantıksal işlemler uygulanmıştır. Özellik çıkarım aşamasında, ön işlemden geçmiş parazit resimlerinin değişmez momentleri hesaplanmıştır. Özellik çıkarım aşamasından elde edilen özellikleri sınıflandırmak için Çoklu Destek Vektör Makineleri Sınıflandırıcısı (ÇDVM) kullanılmıştır. Aynı parazit resimleri ve aynı özellik çıkarım yöntemi kullanılarak [12], Bulanık Sinirsel Ağlar (BSA) sınıflandırıcı ile %93.49 olarak bulunan doğru tanıma başarımı, bu tezde kullanılan DM-ÇDVM yöntemi uygulamasıyla doğru tanıma başarımı %97.7'ye ulaşmıştır. Bu çalışma ile DM-ÇDVM sistemi kullanılarak, parazitik hastalıkların tipinin ve cinsinin teşhisinde daha iyi sonuçların elde edilebileceği kanıtlanmış olmaktadır.

In this paper, it is proposed a new methodology based on invariant moments and Multi Class Support Vector Machine (MCSVM) for classification of human parasite eggs in microscopic images. These are pre-processing stage, feature extraction stage, classification stage, and testing stage. In pre-processing stage, the digital image processing methods, which are noise reduction, contrast enhancement, thresholding, and morphological and logical processes. In feature extraction stage, the invariant moments of pre-processed parasite images are calculated. Finally, in classification stage, the Multi Support Vector Machine (MSVM) classifier is used for classification of features extracted feature extraction stage. A 93.49 % correct recognition rate is obtained when employing the ANFIS structure on the same parasite cell images and feature vector, on the other hand, in this thesis the employed IM-MSVM structure obtained a 97.7 % correct classification rate. With this study, it is seen that IM-MSVM system has the ability of diagnosing the parasitic diseases well enough.