Renkli Görüntüler İçin Yusufçuk Algoritması Kullanılarak Benzerlik ‎Görüntüsüne Dayalı Eşikleme ‎

Abstract

Bu çalışmada, Yusufçuk Algoritması (YA) kullanarak renkli görüntülerde eşik yöntemi ile kenar belirleme ve bölütleme gerçekleştirilmiştir. Kenar belirleme, görüntüdeki nesnelerin sınırlarını belirleme işlemini, bölütleme ise görüntü piksel yoğunluklarının önceden belirlenmiş sınıflara ayrılma işlemini yapmaktadır. Her iki işlem de görüntü  üzerinden özellik çıkartma, görüntü tanıma ve nesne sınıflandırma gibi  uygulamalarda ön işlem özelliklerini taşımaktadır.Kenar Belirleme ve bölütleme metotlarından en kolay uygulanabilir olanlarından biri olan eşikleme yönteminin uygulanabilmesi için ilk olarak, renkli görüntüden iki boyutlu bağıntı matrisine dayalı Benzerlik Görüntüsü (BG) elde edilmiştir. Elde edilen benzerlik görüntüsü üzerinde en uygun eşik değer seçimi için amaç fonksiyonu olarak Kapur ve Otsu'nun metotları kullanılmıştır. Optimizasyon safhasından sonra, en iyi eşik değerler çoklu eşik bölütleme metoduna uygulanarak sınıflara ayrılmış görüntü ve kenarlar elde edilmiştir. Elde edilen sayısal ve görsel uygulama sonuçları, literatürde yer alan yerçekimi arama algoritması (YAA) ve Harmoni Arama Algoritması (HAA) ile karşılaştırılmıştır. Gerçekleştirilen çalışmanın sonuçları önerilen algoritmanın sayısal görüntü bölütleme ve kenar belirleme de güçlü olduğunu göstermiştir.

Keywords

• Bölütleme ve Kenar Belirleme
• Yusufçuk Algoritması
• Benzerlik Görüntüsü

Similar Image-Based Thresholding Using Dragonfly Algorithm For Color Images

Abstract

In this study, edge detection and segmentation are performed with threshold method using Dragonfly Algorithm (DA) in color images. While edge detection is the process of determining the boundaries of objects in an image, segmentation is the process of dividing the image pixel densities into predetermined classes. Both processes carry pre-processing features such as feature extraction, image recognition and object classification on the image. In order to apply the threshold method, which is one of the easiest to apply from the edge detection and segmentation methods, firstly Similarity Image (SI) based on the two-dimensional relation matrix from the color image is obtained. The methods of Kapur and Otsu have been used as the objective function for selecting the most appropriate threshold value on the obtained similarity image. After the optimization phase, the best threshold values are applied to the multiple threshold segmentation method to obtain class separated images and edges. The obtained numerical and visual application results are compared with Gravitational Search Algorithm (GSA) and Harmony Search Algorithm (HSA) in the literature. The proposed algorithm shows that the digital image segmentation and edge detection are also robust. 

Keywords

• Segmentation and Edge Detection
• Dragonfly algorithm
• Similarity Image

References

1. E. Navon, O. Miller, O. A. Averbuch Image and vision computing 23(1) (2005) 69-85.
2. P. Y. Yin Applied mathematics and computation 184(2) (2007) 503-513.
3. E. Cuevas, D. Zaldivar, M. Pérez-Cisneros Expert Systems with Applications 37(7) (2010) 5265-5271.
4. B. Akay Applied Soft Computing 13(6) (2013) 3066-3091.
5. J. Zhang, H. Li, Z. Tang, Q. Lu, X. Zheng, J. Zhou Mathematical Problems in Engineering 2014(1) (2014) 1-12.
6. I. Brajevic, M. Tuba Springer International Publishing 516(1) (2014) 115-119.
7. S. A.Underwood, J. K. Aggarwal Computer Graphics and Image Processing 6(1) (1977) 1-24.
8. H. D. Cheng, ve Y. Sun IEEE Transactions on Image Processing 9(12) (2000) 2071-2082.

9. T. Kurban, P. Civicioglu, R. Kurban, E. Besdok Applied Soft Computing 23(1) (2014) 128-143.
10. S. Sarkar, S. Das, S. S. Chaudhuri Pattern Recognition Letters 54(1) (2015) 27-35.
11. S. Patra, R. Gautam, A. Singla Applied Soft Computing 23(1) (2014) 122-127.
12. B. Green, http://www. pages. drexel. edu/~ weg22/can_tut. html (Erişim tarihi: 15th of January, 2017).
13. R. C. Gonzalez, R. E. Woods, R. E., Digital image processing, Beijing, (2011).
14. D. Marr, E. Hildreth Proceedings of the Royal Society of London B: Biological Sciences 207(1167) (1980) 187-217.
15. J. Canny IEEE Transactions on pattern analysis and machine intelligence 6(1) (1986) 679-698.
16. Y. Yu, J. Lu, J. Zheng Journal of Tsinghua 45(10) (2005) 1139-1149.
17. S. Di Zenzo Computer vision, graphics, and image processing 33(1) (1986) 116-125.
18. A. N. Evans, X. U. Liu IEEE Transactions on Image Processing 15(6) (2006) 1454-1463.
19. M. Bastan, S. S. Bukhari, T. M. Breuel arXiv preprint arXiv 1609(3415) (2016) 1-14.
20. R. Shahverdi, M. Tavana, A. Ebrahimnejad, K. Zahedi, H. Omranpour Cybernetics and Systems 47(3) (2016) 161-179.
21. F. Katircioglu, Renkli görüntülerin bağıntı matrisine dayalı ayrıştırılması ve kenar algılama, Yüksek Lisans Tezi, ‎Abant İzzet Baysal Üniversitesi Fen Bilimleri Enstitüsü, (2007).
22. R. Demirci, F. Katircioglu, Segmentation of color images based on relation matrix, In 2007 IEEE 15th Signal Processing and Communications Applications, Eskişehir-Türkiye, (2007).
23. R. Demirci AEU-International Journal of Electronics and Communications 60(6) (2006) 435-442.
24. D. Oliva, E. Cuevas, G. Pajares, D. Zaldivar, D. M. Perez-Cisneros Journal of Applied Mathematics 2013(1) (2013) 1-24.
25. N. Otsu IEEE Transactions on Systems, Man, ‎Cybernetics 9(1) (1979) 62–66.
26. J. N. Kapur, P. K. Sahoo, A. K. C.Wong Computer Vision, Graphics, & Image Processing 29(3) (1985) 273–285.
27. C. W. Reynolds ACM SIGGRAPH computer graphics 21(4) (1987) 25-34.
28. S. Mirjalili Neural Computing and Applications 27(4) (2016) 1053-1073.
29. E. Rashedi, H. Nezamabadi-Pour, S. Saryazdi Information sciences 179(13) (2009) 2232-2248.
30. Z. W. Geem, J. H. Kim, G. V. Loganathan Simulation 76(2) (2001) 60-68.
31. X. S. Yang, L. Press, Nature-Inspired Metaheuristic Algorithms Second Edition, Luniver, United Kingdom, (2010).