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.
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.
DEMİRHAN, 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, 0. https://ajindex.com/articles/20818
Koh, J., Suk, M., Bhandarkar, S.M., “A multilayer Kohonen's self-organizing feature map for range image segmentation”, IEEE International Conference on Neural Networks, San Francisco, CA, USA, vol.3., 1270-1275, 1993.
Egmont-Petersen, M., Ridder, D., Handels, H., “Image Processing with Neural Networks-a Review”, Pattern Recognition, Vol.35, 2279-2301, 2002.
Murino V., Vernazza G., “Artificial Neural Networks for Image Analysis and Computer Vision”, Image and Vision Computing, Vol.19, Num.9, 583-584, 2001.
Kohonen, T., “The Self-Organizing Map”, Proceedings of Institute of Electrical and Electronics Engineers, Vol.78, 1464-1480, 1990.
Güler, İ., Demirhan, A., Karakış, R., “Interpretation of MR images using selforganizing maps and knowledge-based expert systems”, Digital Signal Processing, In Press, doi:10.1016/j.dsp.2008.08.002, 2009.
Haralick, R.M., Shanmugam, K. ve Dinstein, I., “Textural Features for Image Classification”, IEEE Transactions on Systems, Man and Cybernetics, Vol. SMC-3, No.6, 610-621, 1973.
Beliakov, G., James, S. ve Troiano, L., “Texture recognition by using GLCM and various aggregation functions”, IEEE International Conference on Fuzzy Systems (FUZZ-IEEE, Hong Kong, 1472-1476, 2008.
Baraldi, A., Parmiggiani, F., “An investigation of the textural characteristics associated withgray level cooccurrence matrix statistical parameters”, IEEE Transactions on Geoscience and Remote Sensing, 33(2), 293-304, 1995.
Zaim, A., Sawalha, A., Quweider, M., Iglesias, J., Tang, R., “A New Method for Iris Recognition using Gray-Level Coccurence Matrix”, IEEE International Conference on Electro/information Technology, Michigan, U.S.A, 350-353, 2006.
Hu, Y., Zhao, C., Wang, H., “Directional Analysis of Texture Images Using Gray Level Co-Occurrence Matrix”, 2008 IEEE Pacific- Asia Workshop on Computational Intelligence and Industrial Application, Wuhan, China, Vol., 277-281, 2008.
Amornrit, P., Jouvencel, B., Tomas, S., “A new method of pipeline detection in sonar imagery using Self-Organizing Maps”, IEEE/RSJ International Conference on Intelligent Robots and Systems, (IROS 2003),
Nevada, Vol.1, 541-, 2003.
Siqueira, M.L., Gasperin, C.V., Scharcanski, J., Zielinsky, P., Navaux, P.O.A., “Echocardiographic image sequence segmentation using self-organizing maps”, Neural Networks for Signal Processing X, Proceedings of the 2000 IEEE Signal Processing Society Workshop, Sydney, Australia, Vol.2, 594-603, 2000.
Zizzari, A., Seiffert, U., Michaelis, B., Gademann, G