Klasik ve Optimizasyon Tabanlı Kenar Çıkarma Algoritmalarının Karşılaştırmalı Performans Analizi

Öz

Bu çalışmada, klasik kenar çıkarma operatörleri (Roberts, Sobel, Laplacian, Canny) ile optimizasyon tabanlı yaklaşımların (GA, PSO, ACO, GSA, IGSA, GoldSAII) performansları karşılaştırılmıştır. Değerlendirmeler, temiz görüntüler, Gauss gürültüsü eklenmiş görüntüler ve düşük kontrastlı termal görüntüler üzerinde gerçekleştirilmiştir. Başarım ölçümü için Doğruluk, Kesinlik, Duyarlılık, Özgüllük, F1-Skor ve termal verilerde geometrik sürekliliği temsil eden ELCD metriği kullanılmıştır. Bulgular, klasik yöntemlerin hesaplama süresi açısından belirgin bir hız avantajı sunduğunu; buna karşın gürültü altında F1-Skor değerlerinde daha yüksek düşüş yaşadığını göstermektedir. Optimizasyon tabanlı yaklaşımlar ise özellikle gürültülü ve düşük kontrastlı koşullarda daha kararlı sonuçlar üretmiştir. İncelenen deney düzeninde GoldSAII ve IGSA, F1-Skor ve ELCD bakımından öne çıkan yöntemler olmuştur. Ayrıca GA ve PSO benzer kenar haritaları üretirken, GA’nın daha düşük işlem süresine sahip olduğu gözlenmiştir. Sonuç olarak, gerçek zaman kısıtı yüksek uygulamalarda klasik yöntemler; yapısal süreklilik ve dayanıklılığın öncelikli olduğu uygulamalarda ise optimizasyon tabanlı yöntemler daha uygun görünmektedir.

Anahtar Kelimeler

• kenar çıkarma
• görüntü işleme
• optimizasyon algoritmaları
• performans analizi

A Comparative Performance Analysis of Classical and Optimization-Based Edge Detection Algorithms

Öz

This study compares classical edge detection operators (Roberts, Sobel, Laplacian, and Canny) with optimization-based approaches (GA, PSO, ACO, GSA, IGSA, and GoldSAII). Evaluations were conducted on clean images, Gaussian-noise-corrupted images, and low-contrast thermal images. Performance was assessed using Accuracy, Precision, Recall, Specificity, F1-Score, and ELCD for structural edge continuity in thermal data. The results indicate that classical methods provide a clear computational speed advantage, but their F1-Score degrades more noticeably under noise. In contrast, optimization-based methods exhibit more stable behavior in noisy and low-contrast conditions. Within the tested setup, GoldSAII and IGSA achieved the most consistent outcomes in terms of F1-Score and ELCD. In addition, GA and PSO produced similar edge maps, while GA required considerably less computation time. Overall, classical operators remain suitable for strict real-time constraints, whereas optimization-based methods are more appropriate when structural continuity and robustness are prioritized.

Anahtar Kelimeler

• edge detection
• image processing
• optimization algorithms
• performance analysis

Kaynakça

1. Canny J. A computational approach to edge detection. IEEE Trans. Pattern Anal. Mach. Intell. 1986; 8(6): 679-698.
2. Roberts LG. Machine perception of three-dimensional solids. Phd thesis, Massachusetts Institute of Technology, Cambridge, 1963.
3. Gonzalez RC, Woods RE. Digital Image Processing. Harlow: Prentice Hall, 2007.
4. Marr D, Hildreth E. Theory of edge detection. Proc. R. Soc. Lond. B 1980; 207(1167): 187-217.
5. Maksimovic V, Jaksic B, Milosevic M, Todorovic J, Mosurovic L. Comparative analysis of edge detection operators using a threshold estimation approach on medical noisy images with different complexities. Sensors 2025; 25(1): 87.
6. Bhandarkar SM, Zhang Y, Potter WD. An Edge Detection Technique Using Genetic Algorithm-Based Optimization. Pattern Recogn. 1994; 27(9): 1159-1180.
7. Dorigo M. Optimization, learning and natural algorithms. Phd thesis, Politecnico di Milano, 1992.
8. Kennedy J, Eberhart R. Particle swarm optimization. Proceedings of ICNN'95 - International Conference on Neural Networks; 27 Kasım-1 Aralık 1995; Perth, Avusturalya. 1942-1948.

9. Setayesh M, Zhang M, Johnston M. Edge detection using constrained discrete particle swarm optimisation in noisy images. 2011 IEEE Congress on Evolutionary Computation (CEC); 5-8 Haziran 2011; New Orleans. 246-253.
10. Verma OP, Sharma R, Kumar M, Agrawal N. An optimal edge detection using gravitational search algorithm. Lect. Notes Softw. Eng. 2013; 1(2): 148-152.
11. Liu Y, Li X. Application of improved gravity search algorithm in image edge detection. J. Intell. Fuzzy Syst. 2025; 50(1): 161-177.
12. Tanyildizi E. A novel optimization method for solving constrained and unconstrained problems: modified Golden Sine Algorithm. Turk. J. Elec. Eng. & Comp. Sci. 2018; 26(6): 3287-3304.
13. Khalil A, Abdulwahab A, Abbas AK. A new hybrid metaheuristic model for image edge detection. 13th International Conference on Applied Innovations in IT Nisan 2025; 13(1): 95-100.
14. Wang J. Optimizing support vector machine (SVM) by social spider optimization (SSO) for edge detection in colored images. Sci. Rep. 2024; 14: 9136.
15. Arbelaez P, Maire M, Fowlkes C, Malik J. Contour Detection and Hierarchical Image Segmentation. IEEE Trans. Pattern Anal. Mach. Intell. 2011; 33(5): 898-916.
16. OTCBVS Benchmark Dataset Collection [Erişim adresi: https://vcipl-okstate.org/pbvs/bench/] Erişim Tarihi: 24 Nisan 2026.
17. USC-SIPI Image Database. University of Southern California, Signal and Image Processing Institute. [Erişim adresi: https://sipi.usc.edu/database/] Erişim Tarihi: 24 Nisan 2026.
18. Otsu N. A threshold selection method from gray-level histograms. IEEE Trans. Syst. Man Cybern. 1979; 9(1): 62-66.
19. Tian J, Yu W, Xie S. An ant colony optimization algorithm for image edge detection. 2008 IEEE Congress on Evolutionary Computation (CEC); 1-6 Haziran 2008; Hong Kong. 751-756.
20. Powers DMW. Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation. J. Mach. Learn. Technol. 2011; 2(1): 37-63.