A hybrid approach to image segmentation: combination of BBO (Biogeography based optimization) and Histogram Based Cluster Estimation
Yükleniyor...
Tarih
2017
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ieee
Erişim Hakkı
info:eu-repo/semantics/closedAccess
Özet
Image segmentation is the process of separating objects within an image. Image segmentation can be considered as an important computer vision problem in image sensing where the homogeneous regions in an image can be distinguished with high accuracy. In this study, a two stage hybrid method has been proposed for image segmentation. In the first stage, the Histogram Based Cluster Estimation (HBCE) is used to determine the number of clusters on the image. In the second stage, the cluster numbers determined by the HBCE algorithm are given to the BBO (Biogeography based optimization) algorithm and then image segmentation is performed. In this study, the proposed hybrid image segmentation method was applied to 6 different images taken from Berkeley database and compared with human segmentation results obtained from the same database. To test the performance of the proposed image segmentation method, RI (Rand Index), GCE (Global Consistency Error) and run time as comparison criterion have been used. The proposed method has been compared with other hybrid methods namely HBCE-PSO (Particle Swarm Optimization) and HBCE-k means clustering. When running on 6 different images, the best Rand Index values from the results obtained for all three methods are as follows; HBCE-BBO incorporation: 0.9859, HBCE-PSO incorporation: 0.9856, HBCE-k means incorporation: 0.7570. The results have shown that the HBCE-BBO hybrid method yields better results than the other two hybrid methods used in working with 6 different image segmentations.
Görüntü bölütleme, görüntü içindeki nesnelerin birbirinden ayrıştırılması işlemidir. Görüntü bölütleme, bir görüntüdeki homojen bölgelerin yüksek doğrulukla ayırt edilebilmesi için görüntüyü anlamada önemli bir bilgisayarlı görü problemi olarak düşünülebilir. Bu çalışmada, görüntü bölütleme için iki aşamalı hibrit bir metot önerilmektedir. Birinci aşamada, Histogram Tabanlı Küme Kestirim (HBCE- Histogram Based Cluster Estimation) algoritması görüntü üzerindeki küme sayısını belirlemede kullanılmıştır. ikinci aşamada, HBCE algoritmasıyla belirlenen küme sayıları BBO (Biogeography based optimization) algoritmasına verilerek görüntü bölütleme işlemi gerçekleştirilmiştir. Bu çalışmada önerilen hibrit görüntü bölütleme yöntemi, Berkeley veritabanından alınan 6 farklı görüntüye uygulanmış ve aynı veritabanından elde edilen insan bölütleme sonuçları ile karşılaştırılmıştır. Önerilen görüntü bölütleme yönteminin performansını test etmek için RI (Rand Index), GCE (Global Consistency Error) ve çalışma zamanı karşılaştırma kriteri olarak kullanılmıştır. Önerilen yöntem, HBCE-PSO (Particle Swarm Optimisation) birleşimi ve HBCE- k means kümeleme birleşimi yöntemleriyle karşılaştırılmıştır. 6 farklı görüntü üzerinde çalıştırıldığında her üç yöntem için elde edilen sonuçlardan en iyi Rand Index değerleri sırasıyla şu şekildedir: HBCE-BBO birleşimi: 0.9859, HBCE-PSO birleşimi: 0.9856, HBCE- k means birleşimi: 0.7570. Elde edilen sonuçlar göstermektedir ki HBCE-BBO hibrit yöntemi, 6 farklı görüntünün bölütlenmesinde çalışmada kullanılan diğer iki hibrit yöntemden daha iyi sonuçlar elde etmiştir.
Görüntü bölütleme, görüntü içindeki nesnelerin birbirinden ayrıştırılması işlemidir. Görüntü bölütleme, bir görüntüdeki homojen bölgelerin yüksek doğrulukla ayırt edilebilmesi için görüntüyü anlamada önemli bir bilgisayarlı görü problemi olarak düşünülebilir. Bu çalışmada, görüntü bölütleme için iki aşamalı hibrit bir metot önerilmektedir. Birinci aşamada, Histogram Tabanlı Küme Kestirim (HBCE- Histogram Based Cluster Estimation) algoritması görüntü üzerindeki küme sayısını belirlemede kullanılmıştır. ikinci aşamada, HBCE algoritmasıyla belirlenen küme sayıları BBO (Biogeography based optimization) algoritmasına verilerek görüntü bölütleme işlemi gerçekleştirilmiştir. Bu çalışmada önerilen hibrit görüntü bölütleme yöntemi, Berkeley veritabanından alınan 6 farklı görüntüye uygulanmış ve aynı veritabanından elde edilen insan bölütleme sonuçları ile karşılaştırılmıştır. Önerilen görüntü bölütleme yönteminin performansını test etmek için RI (Rand Index), GCE (Global Consistency Error) ve çalışma zamanı karşılaştırma kriteri olarak kullanılmıştır. Önerilen yöntem, HBCE-PSO (Particle Swarm Optimisation) birleşimi ve HBCE- k means kümeleme birleşimi yöntemleriyle karşılaştırılmıştır. 6 farklı görüntü üzerinde çalıştırıldığında her üç yöntem için elde edilen sonuçlardan en iyi Rand Index değerleri sırasıyla şu şekildedir: HBCE-BBO birleşimi: 0.9859, HBCE-PSO birleşimi: 0.9856, HBCE- k means birleşimi: 0.7570. Elde edilen sonuçlar göstermektedir ki HBCE-BBO hibrit yöntemi, 6 farklı görüntünün bölütlenmesinde çalışmada kullanılan diğer iki hibrit yöntemden daha iyi sonuçlar elde etmiştir.
Açıklama
25th Signal Processing and Communications Applications Conference (SIU) -- MAY 15-18, 2017 -- Antalya, TURKEY
Anahtar Kelimeler
Clustering, Image Segmentation, Biogeography Based Optimization, Histogram Based Cluster Estimation, Kümeleme, Görüntü Bölütleme
Kaynak
2017 25Th Signal Processing And Communications Applications Conference (Siu)
WoS Q Değeri
N/A
Scopus Q Değeri
N/A
