A comparative analyses of training of separable and non-separable image filters with genetic algorithms

Yıl 2017, , 609 - 616, 01.08.2017

Süleyman Uzun , Devrim Akgun

https://doi.org/10.16984/saufenbilder.298932

Öz

Separable
image filter is a subclass of convolutional image filters that are used widely.
The coefficients of these types of image filters can be determined with
training images using heuristic approaches as well as analytical methods. In
this study, comparative analyses were realized for separable and non-separable
image filters that were trained using genetic algorithms. The results for
training durations and performance analyses are presented comparatively for
various size of kernels. According to the results, the training durations of
the separable image filter is shorter due to smaller number of coefficients and
hence smaller number of multiplication and addition operations. On the other
hand, when compared in terms of quality, non-separable filter shows better
results.

Anahtar Kelimeler

Separable Image Filter, Convolutional Image Filter, Genetic Algorithms

Ayrıştırılabilir ve ayrıştırılamaz görüntü filtrelerinin genetik algoritmalar ile eğitiminin karşılaştırmalı bir analizi

Öz

Ayrıştırılabilir görüntü filtresi, yaygın olarak kullanılan
konvolüsyonel görüntü filtrelerinin bir alt sınıfıdır. Bu tip Görüntü
filtrelerinin katsayıları analitik yöntemlerle belirlenebileceği gibi eğitim
görüntüleri ile sezgisel yaklaşımlar kullanılarak da belirlenebilir. Bu
çalışmada, ayrıştırılabilir ve ayrıştırılamayan görüntü filtrelerinin genetik
algoritmalar ile eğitilerek karşılaştırmalı analizleri gerçekleştirilmiştir.  Eğitim süreleri ve görüntü kalitesi başarım
analizi için sonuçlar, farklı boyutlardaki görüntü filtre çekirdekleri için
karşılaştırmalı olarak sunulmuştur. Sonuçlara göre, ayrıştırılabilir görüntü
filtresinin katsayı adedinin daha az, dolayısıyla çarpma ve toplama işlemleri
adedinin daha az olmasından dolayı eğitim süreleri daha kısa elde edilmiştir.
Ancak kalite bakımından karşılaştırma yapıldığında, ayrıştırılamaz görüntü
filtresi daha iyi sonuçlar vermektedir.

Anahtar Kelimeler

Ayrıştırılabilir Görüntü Filtresi, Konvolüsyon Görüntü Filtresi, Genetik Algoritmalar

Kaynakça

• [1] M. Y. Çelikdemir, “Beton Yapılarda Görüntü Filtreleme Tekniklerinin Uygulanması,” 2014, pp. 308–310.
• [2] D. Akgün, “A practical parallel implementation for TDLMS image filter on multi-core processor,” J. Real-Time Image Process., Jan. 2014.
• [3] D. Akgün, “TDLMS Filtresinin Görüntü İyleştirme İçin Başarım Analizi,” NWSA Eng. Sci., 2011.
• [4] R. C. Gonzalez, R. E. Woods, and S. L. Eddins, “Digital Image Processing Using Matlab - Gonzalez Woods & Eddins.pdf,” Education, vol. 624, no. 2. p. 609, 2004.
• [5] F. Talbi, F. Alim, S. Seddiki, and I. Mezzah, “Separable convolution gaussian smoothing filters on a xilinx FPGA platform,” (INTECH), 2015 Fifth …, 2015.
• [6] P. Narendra, “A separable median filter for image noise smoothing,” Mach. Intell. IEEE Trans., 1981.
• [7] M. Siekmann, S. Bosse, and H. Schwarz, “Separable Wiener filter based adaptive in-loop filter for video coding,” Pict. Coding, 2010.
• [8] Q. Ma and C. Cowan, “Genetic algorithms applied to the adaptation of IIR filters,” Signal Processing, 1996.
• [9] W. Chang, “Coefficient estimation of IIR filter by a multiple crossover genetic algorithm,” Comput. Math. with Appl., 2006.
• [10] D. Akgün and P. Erdoğmuş, “GPU accelerated training of image convolution filter weights using genetic algorithms,” Appl. Soft Comput., vol. 30, pp. 585–594, 2015.
• [11] D. Akgün, “Paralel Görüntü Filtreleme Için Çok Çekirdekli Bilgisayar Üzerinde Başarim Analizi,” İleri Teknol. Bilim. Derg., 2013.
• [12] V. Lakshmanan, “A Separable filter for directional smoothing,” IEEE Geosci. Remote Sens. Lett., vol. 1, no. 3, pp. 192–195, 2004.
• [13] V. Areekul, U. Watchareeruetai, K. Suppasriwasuseth, and S. Tantaratana, “Separable gabor filter realization for fast fingerprint enhancement,” in Proceedings - International Conference on Image Processing, ICIP, 2005, vol. 3, pp. 253–256.
• [14] G. J. E. Rawlins, “Foundations of Genetic Algorithms,” in Foundations of Genetic Algorithms, 1991, vol. 21, p. 341.
• [15] K. de Jong, “Learning with Genetic Algorithms: An Overview,” Mach. Learn., vol. 3, no. 2, pp. 121–138, 1988.
• [16] B. BOLAT, K. EROL, and C. İMRAK, “Genetic algorithms in engineering applications and the Function of operators,” Sigma, 2004.
• [17] E. U. Ergül, “Çok amaçlı Genetik Algoritmalar: Temelleri ve Uygulamaları,” Ondokuz Mayıs Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik - Elektronik Mühendisliği Anabilim Dalı, Doktora Tezi, 2010.
• [18] U. Çekmez, “İnsansız Hava Araçlarında Büyük Ölçekli Yol Planlama Problemlerinin GPU Üzerinde CUDA Yardımı İle Çözümü,” Hava Harp Okulu, Havacılık ve Uzay Teknolojileri Enstitüsü, Bilgisayar Mühendisliği Bölümü, Yüksek Lisans Tezi, 2014.
• [19] U. Maulik and S. Bandyopadhyay, “Genetic algorithm-based clustering technique,” Pattern Recognit., 2000.
• [20] G. Schaefer and M. Stich, “UCID - An Uncompressed Colour Image Database,” SPIE, Storage Retr. Methods Appl. Multimed., vol. 5307, pp. 472–480, 2003.