BAZI YEREL BENİRİZASYON YÖNTEMLERİ İLE BİNALARIN ISI KAYBINA YOL AÇAN KISIMLARIN BELİRLENMESİ

Bu çalışmada mevcut yapılara zarar vermeden yapıların ısı yalıtım yeterliliğini insan müdahalesi olmadan ölçebilmek için 4 adet yerel benirizasyon yönteminin performansı karşılaştırılmıştır. Isı yalıtım performansı ölçebilmek için kasım ayında gece binaların dış cepheleri termal kamera ile görüntülendi. Elde edilen tek bant 8 bit görüntüler Bernsen, zıtlık (contrast), ortalama ve medyan eşikleme algoritmaları ile 2 bite indirgenmiştir. Tek bit biçimine dönüştürülen görüntülerde 0 değerini alan görüntü elemanları ısı kaybının olmadığı, 1 değerini alan görüntü elemanları ise ısı kaybının olduğu görüntü elemanları olarak kabul edilmiştir. Benirizasyon sürecinde her algoritma için faklı komşuluk mesafeleri denenmiş ve yöntemler için literatürde belirlenen parametreler tayin edilmiştir. Denenen 4 algoritma arasında Bernsen algoritması en iyi sonuçları vermiştir. Bernsen algoritması komşuluk mesafesinden en az etkilenen algoritma olmuştur. Bu durum algoritmanın test edilen diğer algoritmalara göre daha az insan müdahalesi ile kullanılabileceğini göstermektedir. Diğer algoritmalar parametrelerinin değiştirilmesi ile daha uygun sonuçlar sunabilecektir. Bu çalışma ile çok yaygın kullanım alanına sahip benirizasyon ısı kayıplarının belirlenmesinde de kullanılmıştır. Bu sayede en az insan müdahalesi ile termal kamera görüntüleri ile yapının ısı kaybına yol açan kısımları belirlenebilmiştir.

___

  • Bernsen J. (1986) Dynamic thresholding of grey-level images Proc. Eighth Int. conf. Pattern Recognition, Paris, pp. 1251-1255.
  • Chow CK. ve Kaneko T. (1972) Automatic detection of the left ventricle from cineangiograms, Computers and Biomedical Research 5: 388-410.
  • Eikvil L., Taxt T ve Moen K. (1991) A fast adaptive method for binarization of document images Proc. First Int. Conf. Document Analysis and Recognition, Saint-Malo, France 435-443.
  • Eyupoglu C. (2017) Implementation of Bernsen's Locally Adaptive Binarization Method for Gray Scale Images. The Online Journal of Science and Technology 7(2): 68-72.
  • Mardia KV. ve Hainsworth TJ. (1988) A spatial thresholding method for image segmentation IEEE Trans. Pattern Analysis and Machine Intelligence 10(6): 919-927.
  • Nakagawa Y. ve Rosenfeld A. (1979) Some experients on variable thresholding, Pattern Recognition 11(3): 191-204.
  • Niblack W. (1996) An Introduction to Digital Image Processing, Englewood Cliffs, NJ. Prentice Hall.
  • Øivind DT, Taxt T. (1995) Improvement of "Integrated Function Algorithm" for binarization of document images Pattern Recognition Letters 16(3): 277-283.
  • Øivind DT, Jain AK. (1995) Goal-Directed Evaluation of Binarization Methods IEEE Transactions on Pattern Analysis and Machine Learning 17(12): 1191-1201.
  • Parker JR. (1991) Gray Level Thresholding in Badly Illuminated Images IEEE Transactions on Pattern Analysis and Machine Intelligence 13(8): 813:819.
  • Taxt T, Flynn PJ ve Jain AK. (1989) Segmentation of document images IEEE Trans. Pattern Analysis and Machine Intelligence 11(12):1322-1329.
  • Yanowitz SD. ve Bruckstein AM. (1989) A new method for image segmentation Computer Vision, Graphics and Image Processing 46(1): 82-95.
  • White JM. ve Rohrer GD. (1983) Image thresholding for optical character recognition and other applications requireing character image extraction IBM J. Research and Development 27(4) 400-411.