Görüntü Sınıflandırmada El Yapımı Öznitelik Hatları: Transfer öğrenmesi tarzı iş akışında HOG, LBP ve FFT’nin karşılaştırmalı analizi

This study compares three handcrafted feature pipelines —HOG + histogram, LBP + statistics, and FFT + edge-density —within a transfer-learning-inspired workflow that employs an SVM classifier. Evaluation is performed on a balanced three-class image dataset (N = 1050; 350 images per class) using stratified 5-fold cross-validation and standard metrics (Accuracy, Precision, Recall, F1, ROC-AUC). Results indicate clear performance differences. The LBP-based pipeline achieves the highest overall accuracy (99.52%) and the most consistent class-wise behavior (macro-AUC ≈ 0.996), reflecting strong texture discrimination. The HOG-based pipeline attains robust performance (93.71% accuracy; macro-AUC ≈ 0.953), especially where edge and shape cues dominate. In contrast, the FFT-based pipeline is less effective overall (76.95% accuracy; macro-AUC ≈ 0.827), with reduced separability for texture-complex or low-contrast images. ROC-AUC analyses corroborate these findings across all classes, confirming the superiority of LBP features in this setting. Collectively, the results clarify when texture-centric, edge-centric, or frequency-centric descriptors are most advantageous and provide empirical guidance for feature selection in transfer-learning-style image classification pipelines, particularly under computational or data constraints.

Bu çalışma, SVM sınıflandırıcı kullanan transfer-öğrenmesi esinli bir iş akışı içinde üç el yapımı öznitelik hattını—HOG + histogram, LBP + istatistik ve FFT + kenar yoğunluğu—karşılaştırmaktadır. Değerlendirme, dengeli üç sınıflı bir görüntü veri kümesi üzerinde (N = 1050; sınıf başına 350 görüntü) katmanlı (stratified) 5 katlı çapraz doğrulama ve standart metrikler (Doğruluk, Kesinlik, Duyarlılık, F1, ROC-AUC) kullanılarak gerçekleştirilmiştir. Bulgular, belirgin performans farklarına işaret etmektedir. LBP tabanlı hat, en yüksek genel doğruluğa (%99,52) ve en tutarlı sınıf-bazlı davranışa (makro-AUC ≈ 0,996) ulaşarak güçlü doku ayrımlaşmasını yansıtmaktadır. HOG tabanlı hat, özellikle kenar ve şekil ipuçlarının baskın olduğu durumlarda, sağlam bir performans sergilemektedir (%93,71 doğruluk; makro-AUC ≈ 0,953). Buna karşılık, FFT tabanlı hat genel olarak daha düşük etkililik göstermektedir (%76,95 doğruluk; makro-AUC ≈ 0,827) ve karmaşık dokuya ya da düşük kontrasta sahip görüntülerde ayrıştırma gücü azalmaktadır. ROC-AUC analizleri bu bulguları tüm sınıflar için doğrulamakta ve bu bağlamda LBP özniteliklerinin üstünlüğünü teyit etmektedir. Bir bütün olarak sonuçlar, doku-merkezli, kenar-merkezli ve frekans-merkezli betimleyicilerin hangi koşullarda daha avantajlı olduğunu netleştirmekte ve özellikle hesaplama ya da veri kısıtları altında transfer-öğrenmesi tarzı görüntü sınıflandırma hatlarında öznitelik seçimi için ampirik bir rehber sunmaktadır.