ÖZÖRGÜTLEMELİ HARİTA AĞLARI VE GRİ DÜZEY EŞ OLUŞUM MATRİSLERİ İLE GÖRÜNTÜ BÖLÜTLEME

Öz

Görüntü bölütleme bir görüntünün bir ya da daha fazla karakteristiğe veya özelliğe göre sınıf ya da altkümedenilen bölgelerine ayrılması, aynı karakteristiğe sahip, ilgilenilen alanların arka plandan ve diğer alanlardanayrılarak belirgin hale getirilmesidir. Görüntü işlemede gerçekleştirilen en zor adım görüntü bölütlemedir. Dahasonra yapılacak olan görüntü analizlerinin ve ilgili uygulamaların başarılı olması büyük ölçüde görüntübölütlemenin başarısına bağlı olmaktadır. Bu çalışmada çeşitli görüntüler özörgütlemeli harita (SOM) ağları vegri düzey eş oluşum matrisleri (GLCM) kullanılarak bölütlenmiştir. Bu yöntemlerin görüntü bölütlemeuygulamalarındaki performansları değerlendirilmiştir. Sonuçta bu yöntemlerin görüntü bölütlenmeuygulamalarında %90 başarılı gösterdiği görülmüştür.

Anahtar Kelimeler

• Görüntü bölütleme, özörgütlemeli harita ağları, gri düzey eş oluşum matrisleri.

Kaynakça

1. Koh, J., Suk, M., Bhandarkar, S.M., “A multilayer
2. Kohonen's self-organizing feature map for
3. range image segmentation”, IEEE International
4. Conference on Neural Networks, San
5. Francisco, CA, USA, vol.3., 1270-1275, 1993.
6. Egmont-Petersen, M., Ridder, D., Handels, H.,
7. “Image Processing with Neural Networks-a Review”,
8. Pattern Recognition, Vol.35, 2279-2301, 2002.

9. Murino V., Vernazza G., “Artificial Neural
10. Networks for Image Analysis and Computer
11. Vision”, Image and Vision Computing,
12. Vol.19, Num.9, 583-584, 2001.
13. Kohonen, T., “The Self-Organizing Map”,
14. Proceedings of Institute of Electrical and
15. Electronics Engineers, Vol.78, 1464-1480, 1990.
16. Güler, İ., Demirhan, A., Karakış, R.,
17. “Interpretation of MR images using selforganizing
18. maps and knowledge-based expert
19. systems”, Digital Signal Processing, In Press,
20. doi:10.1016/j.dsp.2008.08.002, 2009.
21. Haralick, R.M., Shanmugam, K. ve Dinstein, I.,
22. “Textural Features for Image Classification”,
23. IEEE Transactions on Systems, Man and
24. Cybernetics, Vol. SMC-3, No.6, 610-621, 1973.
25. Beliakov, G., James, S. ve Troiano, L., “Texture
26. recognition by using GLCM and various
27. aggregation functions”, IEEE International
28. Conference on Fuzzy Systems (FUZZ-IEEE
29. , Hong Kong, 1472-1476, 2008.
30. Baraldi, A., Parmiggiani, F., “An investigation of
31. the textural characteristics associated withgray
32. level cooccurrence matrix statistical parameters”,
33. IEEE Transactions on Geoscience and Remote
34. Sensing, 33(2), 293-304, 1995.
35. Zaim, A., Sawalha, A., Quweider, M., Iglesias, J.,
36. Tang, R., “A New Method for Iris Recognition
37. using Gray-Level Coccurence Matrix”, IEEE
38. International Conference on
39. Electro/information Technology, Michigan,
40. U.S.A, 350-353, 2006.
41. Hu, Y., Zhao, C., Wang, H., “Directional
42. Analysis of Texture Images Using Gray Level
43. Co-Occurrence Matrix”, 2008 IEEE Pacific-
44. Asia Workshop on Computational Intelligence
45. and Industrial Application, Wuhan, China, Vol.
46. , 277-281, 2008.
47. Amornrit, P., Jouvencel, B., Tomas, S., “A new
48. method of pipeline detection in sonar imagery
49. using Self-Organizing Maps”, IEEE/RSJ
50. International Conference on Intelligent Robots
51. and Systems, (IROS 2003), Nevada, Vol.1, 541-
52. , 2003.
53. Siqueira, M.L., Gasperin, C.V., Scharcanski, J.,
54. Zielinsky, P., Navaux, P.O.A.,
55. “Echocardiographic image sequence
56. segmentation using self-organizing maps”,
57. Neural Networks for Signal Processing X,
58. Proceedings of the 2000 IEEE Signal
59. Processing Society Workshop, Sydney,
60. Australia, Vol.2, 594-603, 2000.
61. Zizzari, A., Seiffert, U., Michaelis, B.,
62. Gademann, G., Swiderski, S., “Detection of
63. tumor in digital images of the brain”,
64. Proceedings of the International Conference
65. on Signal Processing, Pattern Recognition and
66. Applications, Rhodes, Greece, 132-137, 2001.
67. Kohonen, T., “Self-Organizing Formation of
68. Topologically Correct Feature Maps”, Biological
69. Cybernetics, 43(1), 59-69, 1982.
70. Haykin, S., Neural Networks: A
71. Comprehensive Foundation, Prentice-Hall,
72. New Jersey, 1999.
73. Şengür, A., Türkoğlu, İ., ve İnce, M.C.,
74. “Eğiticisiz Yapay Sinir Ağları ile Görüntü
75. Bölütleme Uygulamaları”, IEEE 13. Sinyal
76. İşleme ve İletişim Uygulamaları Kurultayı,
77. (SIU 2005), 271-274, Kayseri, 2005.
78. Kotropoulos, C., Pitas, I., “Self-Organizing Maps
79. and Their Applications in Image Processing,
80. Information Organization, and Retrieval”,
81. Nonlinear Signal and Image Processing,
82. Editör: Barner, K.E, Arce, G.E., CRC Press, 387-
83. , 2004.
84. Uriarte, E.A. ve Martín, F.D., “Topology
85. Preservation in SOM”, Proceedings of World
86. Academy Of Science, Engineering And
87. Technology, Vol.15, 187-190, 2006.
88. Gonzales, R.C., Woods, R.E., Digital Image
89. Processing, Prentice Hall, New Jersey, 2002.
90. İnternet: Helsinki University of Technology,
91. Department of Computer Science and
92. Engineering, “SOM Toolbox”,
93. http://www.cis.hut.fi/projects/somtoolbox/, 2005.
94. Vesanto, J., Himberg, J., Alhoniemi, E.,
95. Parhankangas, J., “SOM Toolbox for Matlab 5”,
96. Technical Report A57, Neural Networks
97. Research Centre, Helsinki University of
98. Technology, Helsinki, Finland, 2000.