AI Summary & Key Takeaways
AI InsightThe pixels located in each sub cube were assigned into the same cluster.
📌 3 Key Takeaways
Abstract
Thresholding is one of the most stable methods for image clustering. Nevertheless, determination of proper thresholds for every image is difficult process in terms of computation cost. Furthermore, the methods developed so far have only been applied for gray scale images. In this study, an algorithm which works with both gray scale and color images has been developed. Histogram data of each channel and recursive means have been employed for threshold estimation. Initially, global mean was calculated. Subsequently, means determined from previous steps was reused. Thus, threshold number was increased with each step. Accordingly, the RGB color space was partitioned with the thresholds information obtained for each channel. The pixels located in each sub cube were assigned into the same cluster.
Özet
Eşikleme görüntü sınıflandırmanın en kararlı yöntemlerinden biridir. Ancak her bir görüntü için uygun eşik seçimi hesap maliyeti açısından zorlu bir süreçtir. Ayrıca günümüze kadar önerilen yöntemler gri seviyeli görüntüler için uygulanabilmiştir. Bu çalışmada hem gri ölçekli hem de renkli görüntülerin otomatik olarak çok seviyeli eşiklenmesini sağlayan bir algoritma geliştirilmiştir. Sayısal görüntülerin her bir kanalına ait histogram bilgileri ve tekrarlı ortalama yaklaşımı temel alınmıştır. Öncelikle görüntünün genel ortalaması bulunmuş ve takip eden aşamalarda önceki basamakta bulunan ortalama bilgileri tekrar kullanılmıştır. Böylece her bir aşamada elde edilen eşik sayısı artmıştır. Başka bir ifade ile tespit edilen eşik sayısı kullanılan aşama sayısı ile orantılı hale gelmiştir. Her bir kanal için elde edilen eşik bilgileri yardımıyla kırmızı, yeşil ve mavi renk uzayı (Red, Green, Blue:RGB) alt prizmalara bölünmüş ve ilgili prizma içerisinde kalan pikseller aynı sınıfa atanmıştır.