Abstract
Bu çalışmada renkli görüntülerin üç boyutlu histogram yardımıyla otomatik olarak sınıflandırılması için geliştirilen yeni bir algoritma sunulmuştur. Önerilen yöntemde, öncelikle sayısal görüntünün üç boyutlu histogramı elde edilmiştir. Akabinde istenilen küme sayısı kadar histogramın tepe noktası tespit edilerek küme merkezleri olarak atanmıştır. Renk uzayında herhangi bir konuma karşılık gelen piksellerin, küme merkezlerine olan uzaklıkları ve benzerlikleri hesaplanmıştır. Her hangi bir pikselin hangi küme ya da sınıfa ait olduğu benzerlik değerlerinin eşiklenmesi ile kararlaştırılmıştır. Yöntemin performansı yapılan deneylerle test edilmiş ve elde edilen sonuçlar verilmiştir.
References
- Gonzalez R.C, Woods R.E., “Digital Image Processing”, 3nd ed., Prentice-Hall (2008) Fu S. K., Mui J. K., “A Survey on Image Segmentation. Pattern Recognition”, Vol. 13, pp. 3–16, (1981)
- Berkhin P., “Survey of Clustering Data Mining Techniques”, San Jose, California, USA, Accrue Software Inc., (2002)
- Chandhok C., “Color Image Segmentation Using K-Means Clustering”, International Journal of VLSI & Signal Processing Applications, Vol 2, Issue 3, ISSN 2231-3133, 241245, (June 2012)
- Bezdek, J. C., “Pattern Recognition with Fuzzy Objective Function Algorithms.” New York: Plenum Press, (1981)
- Güvenç U., Elmas Ç., Demirci R., “Renkli Görüntülerin Otomatik Ayrıştırılması”, Gazi Üniversitesi Politeknik Dergisi, 11(1), (2008)
- Stewart N., Brown G.D.A., "Similarity and dissimilarity as evidence in perceptual categorization", Journal of Mathematical Psychology 49, 403–409, (2005)
Abstract
In this study, a new algorithm developed for automatically classification of color image by using three-dimensional histogram has been presented. After formation of the three-dimensional histogram of digital image, centers of classes by means of peaks on the histogram are determined. The number of peaks detected was equal to number of cluster desired. In next stage, the class to which any pixel must be included is determined by thersholding the similarity between the pixel and the centers of the classes by means of membership function. In the experiments performed, performance of proposed method has been tested and the results obtained were given.
References
- Gonzalez R.C, Woods R.E., “Digital Image Processing”, 3nd ed., Prentice-Hall (2008) Fu S. K., Mui J. K., “A Survey on Image Segmentation. Pattern Recognition”, Vol. 13, pp. 3–16, (1981)
- Berkhin P., “Survey of Clustering Data Mining Techniques”, San Jose, California, USA, Accrue Software Inc., (2002)
- Chandhok C., “Color Image Segmentation Using K-Means Clustering”, International Journal of VLSI & Signal Processing Applications, Vol 2, Issue 3, ISSN 2231-3133, 241245, (June 2012)
- Bezdek, J. C., “Pattern Recognition with Fuzzy Objective Function Algorithms.” New York: Plenum Press, (1981)
- Güvenç U., Elmas Ç., Demirci R., “Renkli Görüntülerin Otomatik Ayrıştırılması”, Gazi Üniversitesi Politeknik Dergisi, 11(1), (2008)
- Stewart N., Brown G.D.A., "Similarity and dissimilarity as evidence in perceptual categorization", Journal of Mathematical Psychology 49, 403–409, (2005)
Details
| Primary Language | Turkish |
|---|---|
| Journal Section | Articles |
| Authors | |
| Publication Date | August 1, 2014 |
| Published in Issue | Year 2014 Volume: 3 Issue: 1 |