Modifiye edilmiş karınca aslanı optimizasyon algoritması kullanılarak bölge büyütme yöntemi ile gri seviye görüntü segmentasyonu

Abstract

Görüntü segmentasyonu, çeşitli alanlar için geçerli olan görüntü işlemenin önemli bir adımıdır. Bu alanlar arasında makine görmesi, nesne algılama, astronomi, biyometrik tanıma sistemleri (yüz, parmak izi, plaka ve göz), tıbbi görüntüleme, video izleme ve diğer birçok görüntü tabanlı teknoloji bulunmaktadır. Etkili görüntü segmentleme, otomatik görüntü işlemede en önemli işlemlerden ve kritik rollerden biridir. Özellikle mühendislik çalışmalarında, problemlerde en uygun çözümleri bulmak önemli araştırma konularından biridir. Arama alanlarında en uygun çözümleri bulmak için Parçacık Sürü Optimizasyonu (PSO), Karınca Algoritması (KA), Yapay Arı Kolonisi (YAK) ve Yarasa Algoritması (YA) gibi biyo-esinlenmiş algoritmalar kullanılmaktadır ve Karınca Aslanı Optimizasyonu (KAO) bu algoritmalardan biridir. Son yıllarda, görüntülerin segmentleme parametrelerini optimize etmek için biyo-esinlenmiş algoritmalar kullanılmaktadır. Bu tez çalışması, bölge büyütme (BB) segmentasyon problemini çözmek için, biyo-esinlenmiş Karınca Aslan Optimizasyon algoritmasının (mKAO) modifiye edilmiş bir versiyonunu sunmaktadır. Algoritmanın modifikasyonu, yeni bir dengeli konum güncellemesi ve esnek rastgele yürüyüş sınırı yöntemi kullanılarak yapılmıştır. Uygulama sırasında, görüntülerin kalitesini artırmak için, giriş görüntülerine ortanca filtresi uygulanmıştır. Daha sonra mKAO yardımıyla optimum tohum noktaları bulunarak, bölge büyütme segmentasyon işlemi gerçekleştirilmiştir. Önerilen yaklaşımın başarısı, BSDS300 (Berkeley-300) veri setinden alınan görüntüler kullanılarak test edilmiştir. Ayrıca literatürdeki farklı algoritma sonuçları ile de önerilen algoritma karşılaştırılmıştır. Sonuçlar J_e,d_max,d_min,DBI,XBI ve Yapısal Benzerlik İndeksi (YBİ), Tepe Sinyal-Gürültü Oranı (TSGO), Özellik Benzerlik İndeksi (ÖBİ), Sınır Yer Değiştirme Hatası (SYDH), Global Tutarlılık Hatası (GTH), Korelasyon Katsayısı (KK) olarak farklı karşılaştırma metrikleri ile sunulmuştur. Deneysel sonuçlar, önerilen yöntemin literatürdeki yöntemlerle rekabetçi sonuçlar ortaya koyduğunu göstermiştir.

Image segmentation is a significant step in image processing that applies to various fields. These fields include machine vision, object detection, astronomy, biometric recognition systems (face, fingerprint, plate, and eye), medical imaging, video surveillance, and many other image-based technologies. Efficient image segmentation is one of the most important tasks and critical roles in automatic image processing. Especially in engineering studies, finding the most suitable solutions for problems is one of the important research topics. Bio-inspired algorithms such as Particle Swarm Optimization (PSO), Ant Colony Optimization (ACO), Artificial Bee Colony (ABC), and Bat Algorithm (BAT), etc. are used to find the optimal solutions in search spaces and Ant Lion Optimization (ALO) is one of these algorithms. In recent years, bio-inspired algorithms are used to optimize the segmentation parameters of the images. In this thesis, a modified version of the bio-inspired ant-lion optimization algorithm (mALO) is introduced to solve the region growing (RG) segmentation problem. The modification of the algorithm is done using a new balanced position update and flexible random walk boundary method. During the implementation, the median filter was applied to the input images to improve the quality of the images. Then, by finding the optimum seed points with the help of mALO, region growing segmentation was performed. The success of the proposed approach has been tested using images from the BSDS300 (Berkeley-300) dataset. In addition, the proposed algorithm was compared with the results of different algorithms in the literature. The results are presented with different comparison metrics such as J_e,d_max,d_min, DBI, XBI and Structural Similarity Index (SSIM), Peak Signal-to-Noise Ratio (PSNR), Feature Similarity Index (FSIM), Boundary Displacement Error (BDE), Global Consistency Error (GCE), Correlation Coefficient (CC). Experimental results showed that the proposed method provided competitive results with those in the literature.