Bir görüntüyü bölüt adı verilen çeşitli piksel kümelerine ayırma işlemi olan görüntü bölütleme, görüntü işlemede önemli bir tekniktir. Görüntü bölütleme, görüntünün karmaşıklığını azaltmakta ve görüntüyü bölütlere ayırarak analiz edilmesini kolaylaştırmaktadır. Görüntü bölütlemenin en basit ancak etkin yollarından biri, piksellerin değerlerine göre birden çok bölgeye ayrıldığı çok düzeyli eşiklemedir. Bu çalışma, yaygın kullanılan sürü tabanlı optimizasyon algoritmalarının beyin MR görüntülerinde çok düzeyli eşikleme tabanlı görüntü bölütleme performansını araştırmayı ve karşılaştırmayı amaçlamaktadır. Yedi sürü zekâsı temelli optimizasyon algoritması: Parçacık Sürü Optimizasyonu (PSO), Yapay Arı Kolonisi (ABC), Gri Kurt Optimize Edici (GWO), Güve Alevi Optimizasyonu (MFO), Karınca Aslanı Optimizasyonu (ALO), Balina Optimizasyonu (WOA) ve Denizanası Arama Optimizasyon (JS) eşik seviyelerini belirlemek üzere beyin MR görüntülerine uygulanarak karşılaştırılmaktadır. Bahsi geçen algoritmalar ile yapılan deneylerde minimum çapraz entropi ve sınıflar arası varyans amaç fonksiyonları kullanılmıştır. Kapsamlı deneyler, JS, ABC ve PSO algoritmalarının daha iyi performans sergilediğini göstermektedir.
görüntü bölütleme çok seviyeli eşikleme sürü zekası tabanlı optimizasyon minimum çapraz entropi sınıflar arası varyans
Image segmentation, the process of dividing an image into various sets of pixels called segments, is an essential technique in image processing. Image segmentation reduces the complexity of the image and makes it easier to analyze by dividing the image into segments. One of the simplest yet powerful ways of image segmentation is multilevel thresholding, in which pixels are segmented into multiple regions according to their intensities. This study aims to explore and compare the performance of the well-known swarm-based optimization algorithms on the multilevel thresholding-based image segmentation task using brain MR images. Seven swarm-based optimization algorithms: Particle Swarm Optimization (PSO), Artificial Bee Colony (ABC), Gray Wolf Optimizer (GWO), Moth-Flame Optimization (MFO), Ant Lion Optimization (ALO), Whale Optimization (WOA), and Jellyfish Search Optimizer (JS) algorithms are compared by applying to brain MR images to determine threshold levels. In the experiments carried out with mentioned algorithms, minimum cross-entropy, and between-class variance objective functions were employed. Extensive experiments show that JS, ABC, and PSO algorithms outperform others.
image segmentation multilevel thresholding swarm-based optimization minimum cross-entropy between-class variance
Birincil Dil | İngilizce |
---|---|
Konular | Görüntü İşleme |
Bölüm | Bilgisayar Mühendisliği |
Yazarlar | |
Yayımlanma Tarihi | 3 Eylül 2024 |
Gönderilme Tarihi | 3 Ocak 2024 |
Kabul Tarihi | 28 Mart 2024 |
Yayımlandığı Sayı | Yıl 2024 |