TY - JOUR T1 - Renkli Görüntülerin Ortalama Tabanlı Çok Seviyeli Eşiklenmesi TT - Tresholding of Color Images Based on Means AU - Demirci, Recep AU - Okur, Ümit PY - 2019 DA - January DO - 10.29130/dubited.471040 JF - Duzce University Journal of Science and Technology JO - DUBİTED PB - Düzce Üniversitesi WT - DergiPark SN - 2148-2446 SP - 664 EP - 676 VL - 7 IS - 1 LA - tr AB - Eşikleme görüntü sınıflandırmanın en kararlı yöntemlerinden biridir. Ancak her bir görüntü için uygun eşik seçimihesap maliyeti açısından zorlu bir süreçtir. Ayrıca günümüze kadar önerilen yöntemler gri seviyeli görüntüler içinuygulanabilmiştir. Bu çalışmada hem gri ölçekli hem de renkli görüntülerin otomatik olarak çok seviyelieşiklenmesini sağlayan bir algoritma geliştirilmiştir. Sayısal görüntülerin her bir kanalına ait histogram bilgilerive tekrarlı ortalama yaklaşımı temel alınmıştır. Öncelikle görüntünün genel ortalaması bulunmuş ve takip edenaşamalarda önceki basamakta bulunan ortalama bilgileri tekrar kullanılmıştır. Böylece her bir aşamada elde edileneşik sayısı artmıştır. Başka bir ifade ile tespit edilen eşik sayısı kullanılan aşama sayısı ile orantılı hale gelmiştir.Her bir kanal için elde edilen eşik bilgileri yardımıyla kırmızı, yeşil ve mavi renk uzayı (Red, Green, Blue:RGB)alt prizmalara bölünmüş ve ilgili prizma içerisinde kalan pikseller aynı sınıfa atanmıştır. KW - Renkli görüntü KW - Çok seviyeli eşikleme KW - Sınıflandırma KW - Tekrarlı ortalama N2 - Thresholding is one of the most stable methods for image clustering. Nevertheless, determination of properthresholds for every image is difficult process in terms of computation cost. Furthermore, the methods developedso far have only been applied for gray scale images. In this study, an algorithm which works with both gray scaleand color images has been developed. Histogram data of each channel and recursive means have been employedfor threshold estimation. Initially, global mean was calculated. Subsequently, means determined from previoussteps was reused. Thus, threshold number was increased with each step. Accordingly, the RGB color space waspartitioned with the thresholds information obtained for each channel. The pixels located in each sub cube wereassigned into the same cluster. CR - [1] J. A. Hartigan and M. A. Wong, “ Algorithm AS 136: A k-means clustering algorithm”, Journal of the Royal Statistical Society, Series C (Applied Statistics), vol.28, no.1, pp.100-108,1979. CR - [2] J. C. Bezdek, R. Ehrlich, and W. Full ” FCM: The fuzzy c-means clustering algorithm”, Computers & Geosciences, vol.10, no.2-3, pp.191-203,1984. CR - [3] M. O. Incetas, R. Demirci and H. G. Yavuzcan, “Automatic segmentation of color images with transitive closure”, AEU-International Journal of Electronics and Communications, vol.68, no.3, pp.260-269,2014. CR - [4] U.Güvenç, Ç. Elmas ve R. Demirci, “Renkli Görüntülerin Otomatik Ayrıştırılması”, Politeknik Dergisi,c. 11, s.1, ss.9-12,2008. CR - [5] R. Demirci, “Rule-based automatic segmentation of color images”, AEU-International Journal of Electronics and Communications, vol.60, no.6,pp. 435-442,2006. CR - [6] N. Otsu, “ A threshold selection method from gray-level histograms”, IEEE Transactions on Systems, Man, and Cybernetics, vol.9,no.1, pp.62-69,1979. CR - [7] J. N. Kapur, P. K. Sahoo and A. K. Wong, “ A new method for gray-level picture thresholding using the entropy of the histogram”, Computer vision, graphics, and image processing, vol.29, no.3, pp. 273-285,1985. CR - [8] J. S. Weszka, “ A survey of threshold selection techniques”, Computer Graphics and Image Processing, vol.7, no.2,pp. 259-265,1978. CR - [9] D. Y. Huang,, and C. H. Wang, “Optimal multi-level thresholding using a two-stage Otsu optimization approach”, Pattern Recognition Letters, vol. 30, no.3,pp. 275-284,2009. CR - [10] P. S. Liao, T. S. Chen and P. C. Chung, “A fast algorithm for multilevel thresholding”, Journal of Information Science And Engineering, vol. 17, no.5, pp.713-727,2001. CR - [11] H. Peng, J. Wang, and M. J. Pérez-Jiménez, “ Optimal multi-level thresholding with membrane computing”, Digital Signal Processing, vol.37, pp.53-64,2015. CR - [12] P. Y. Yin, and T. H. Wu, “Multi-objective and multi-level image thresholding based on dominance and diversity criteria”, Applied Soft Computing, vol. 54,pp. 62-73,2017. CR - [13] R. Harrabi, and E. B. Braiek, “Color image segmentation using multi-level thresholding approach and data fusion techniques: application in the breast cancer cells images”, Eurasip Journal on Image and Video Processing, vol.2012, no.1, pp.11, 2012. CR - [14] F. A. Jassim, and F. H. Altaani, “Hybridization of Otso method and median filter for color image segmentation”, International Journal of Soft Computing and Engineering, vol. 3, no.2, pp. 69-74, 2013. CR - [15] P. D. Sathya,, and R. Kayalvizhi, “Amended bacterial foraging algorithm for multilevel thresholding of magnetic resonance brain images”, Measurement, vol. 44, no.10, pp. 1828-1848, 2011. CR - [16] R. Demirci, U. Güvenç ve H.T. Kahraman, “Görüntülerin Renk Uzayı Yardımıyla Ayrıştırılması”, İleri Teknoloji Bilimleri Dergisi, c.3, s.1,ss. 1-8, 2014. CR - [17] A , Kahraman, T. Farshi ve R . Demirci, “ Renkli Görüntülerin Çok Seviyeli Eşiklenmesi ve Sınıflandırılması”, Düzce Üniversitesi Bilim ve Teknoloji Dergisi, c. 6,s.4, ss.846-859, 2018 CR - [18] T. Rahkar Farshi, R. Demirci and M. R. Feizi-Derakhshi, “Image Clustering with Optimization Algorithms and Color Space”, Entropy, vol. 20, no.4, pp.296, 2018. UR - https://doi.org/10.29130/dubited.471040 L1 - http://dergipark.org.tr/tr/download/article-file/648753 ER -