SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 25 Sayı: 2

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

Ayşe Demirhan
İnan Güler
Pages
—
Publication Date
2013-02-15
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Sonuçta bu yöntemlerin görüntü bölütlenmeuygulamalarında %90 başarılı gösterdiği görülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis: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.
📊
Key Findings & Data:Bu yöntemlerin görüntü bölütlemeuygulamalarındaki performansları değerlendirilmiştir.
💡
Conclusion & Impact:Sonuçta bu yöntemlerin görüntü bölütlenmeuygulamalarında %90 başarılı gösterdiği görülmüştür.
🔬Design:Makale
📍Scope:Comprehensive Sample
⚙️Variables:Görüntü bölütleme · özörgütlemeli harita ağları · gri düzey eş oluşum matrisleri.

Özet

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.

🔖

Cite This Article

Demirhan, A., Güler, İ. (2013). ÖZÖRGÜTLEMELİ HARİTA AĞLARI VE GRİ DÜZEY EŞ OLUŞUM MATRİSLERİ İLE GÖRÜNTÜ BÖLÜTLEME. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 25 Sayı: 2. https://ajindex.com/articles/1078602

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (94)

  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, Hong Kong, 1472-1476, 2008.
  29. Baraldi, A., Parmiggiani, F., “An investigation of
  30. the textural characteristics associated withgray
  31. level cooccurrence matrix statistical parameters”,
  32. IEEE Transactions on Geoscience and Remote
  33. Sensing, 33(2), 293-304, 1995.
  34. Zaim, A., Sawalha, A., Quweider, M., Iglesias, J.,
  35. Tang, R., “A New Method for Iris Recognition
  36. using Gray-Level Coccurence Matrix”, IEEE
  37. International Conference on
  38. Electro/information Technology, Michigan,
  39. U.S.A, 350-353, 2006.
  40. Hu, Y., Zhao, C., Wang, H., “Directional
  41. Analysis of Texture Images Using Gray Level
  42. Co-Occurrence Matrix”, 2008 IEEE Pacific-
  43. Asia Workshop on Computational Intelligence
  44. and Industrial Application, Wuhan, China, Vol., 277-281, 2008.
  45. Amornrit, P., Jouvencel, B., Tomas, S., “A new
  46. method of pipeline detection in sonar imagery
  47. using Self-Organizing Maps”, IEEE/RSJ
  48. International Conference on Intelligent Robots
  49. and Systems, (IROS 2003), Nevada, Vol.1, 541-, 2003.
  50. Siqueira, M.L., Gasperin, C.V., Scharcanski, J.,
  51. Zielinsky, P., Navaux, P.O.A.,
  52. “Echocardiographic image sequence
  53. segmentation using self-organizing maps”,
  54. Neural Networks for Signal Processing X,
  55. Proceedings of the 2000 IEEE Signal
  56. Processing Society Workshop, Sydney,
  57. Australia, Vol.2, 594-603, 2000.
  58. Zizzari, A., Seiffert, U., Michaelis, B.,
  59. Gademann, G., Swiderski, S., “Detection of
  60. tumor in digital images of the brain”,
  61. Proceedings of the International Conference
  62. on Signal Processing, Pattern Recognition and
  63. Applications, Rhodes, Greece, 132-137, 2001.
  64. Kohonen, T., “Self-Organizing Formation of
  65. Topologically Correct Feature Maps”, Biological
  66. Cybernetics, 43(1), 59-69, 1982.
  67. Haykin, S., Neural Networks: A
  68. Comprehensive Foundation, Prentice-Hall,
  69. New Jersey, 1999.
  70. Şengür, A., Türkoğlu, İ., ve İnce, M.C.,
  71. “Eğiticisiz Yapay Sinir Ağları ile Görüntü
  72. Bölütleme Uygulamaları”, IEEE 13. Sinyal
  73. İşleme ve İletişim Uygulamaları Kurultayı,
  74. (SIU 2005), 271-274, Kayseri, 2005.
  75. Kotropoulos, C., Pitas, I., “Self-Organizing Maps
  76. and Their Applications in Image Processing,
  77. Information Organization, and Retrieval”,
  78. Nonlinear Signal and Image Processing,
  79. Editör: Barner, K.E, Arce, G.E., CRC Press, 387-, 2004.
  80. Uriarte, E.A. ve Martín, F.D., “Topology
  81. Preservation in SOM”, Proceedings of World
  82. Academy Of Science, Engineering And
  83. Technology, Vol.15, 187-190, 2006.
  84. Gonzales, R.C., Woods, R.E., Digital Image
  85. Processing, Prentice Hall, New Jersey, 2002.
  86. İnternet: Helsinki University of Technology,
  87. Department of Computer Science and
  88. Engineering, “SOM Toolbox”,
  89. http://www.cis.hut.fi/projects/somtoolbox/, 2005.
  90. Vesanto, J., Himberg, J., Alhoniemi, E.,
  91. Parhankangas, J., “SOM Toolbox for Matlab 5”,
  92. Technical Report A57, Neural Networks
  93. Research Centre, Helsinki University of
  94. Technology, Helsinki, Finland, 2000.