GÖRÜNTÜLERİN RENK UZAYI YARDIMIYLA AYRIŞTIRILMASI

Abstract

In this study, a new automatic segmentation algorithm developed for color images has been presented. Initially, threshold selection methods used in image binazition such as Otsu, Kapur and mean algorithms were separately employed for each channel. In next stage, threshold values determined were used to divide color space into eight small cubes or prisms. Each sub cube or prism created in color space was considered as a cluster. Performance of the proposed method was tested with the simulation and the application. It was observed that the results obtained were parallel with human perception.

Keywords

• Image segmentation, color space, thresholding.

GÖRÜNTÜLERİN RENK UZAYI YARDIMIYLA AYRIŞTIRILMASI

Öz

Bu çalışmada renkli görüntüleri otomatik olarak ayrıştırmak için geliştirilen yeni bir algoritma sunulmuştur. Birinci aşamada, gri ölçekli görüntüleri ikili kümelemek için kullanılan Otsu, Kapur ve ortalama esaslı eşik seçim yöntemleri her bir kanal için ayrı ayrı uygulamış, sonraki adımda ise belirlenen eşik değerleri ile üç boyutlu renk uzayı toplamda sekiz adet küçük küpler veya prizmalar şeklinde yeniden yapılandırılmıştır. Renk uzayında oluşturulan her bir renk küpü veya prizması bir alt küme olarak tasnif edilmiştir. Yapılan benzetim ve uygulamalarla önerilen yöntemin performansı test edilmiş ve elde edilen sonuçların insan algısına paralel olduğu gözlenmiştir.

Anahtar Kelimeler

• Görüntü ayrıştırma, renk uzayı, eşikleme.

Kaynakça

1. Demirci, R. (2006). Rule-based automatic segmentation of color images. AEU-International Journal of Electronics and Communications, 60(6), 435-442.
2. Lim, Y. W., and Lee, S. U. (1990). On the color image segmentation algorithm based on the thresholding and the fuzzy c-means techniques. Pattern Recognition, 23(9), 935-952. Tremeau, A., and Borel, N. (1997). A region growing and merging algorithm to color segmentation. Pattern recognition, 30(7), 1191-1203.
3. Hojjatoleslami, S. A., and Kittler, J. (1998). Region growing: a new approach.Image Processing, IEEE Transactions on, 7(7), 1079-1084.
4. Haddon, J. F., and Boyce, J. F. (1990). Image segmentation by unifying region and boundary information. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 12(10), 929-948.
5. Rajab, M. I., Woolfson, M. S., and Morgan, S. P. (2004). Application of region-based segmentation and neural network edge detection to skin lesions.Computerized Medical Imaging and Graphics, 28(1), 61-68.
6. Ortiz, F., Torres, F., De Juan, E., and Cuenca, N. (2002). Colour mathematical morphology for neural image analysis. Real-Time Imaging, 8(6), 455-465.
7. Güvenç, U., Elmas, Ç., and Demirci, R. (2008). Renkli Görüntülerin Otomatik Ayrıştırılması. Gazi Üniversitesi Politeknik Dergisi, 11(1).
8. Kapur, J. N., Sahoo, P. K., and Wong, A. K. C. (1985). A new method for gray-level picture thresholding using the entropy of the histogram. Computer vision, graphics, and image processing, 29(3), 273-285.

9. Otsu, N. (1975). A threshold selection method from gray-level histograms. IEEE Trans. Syst. Man Cybern., SMC-9, 62-66.
10. Jassim, F. A., and Altaani, F. H. (2013). Hybridization of Otsu Method and Median Filter for Color Image Segmentation. arXiv preprint arXiv:1305.1052.