Journals / Veri Bilimi / 2018 / Cilt: 1 - Sayı: 1

Genetik Algoritmalar ile Eğitilen Doğrusal Görüntü Filtre Kalitesinin Bir Analizi

Pages
29–35
Publication Date
2018-12-25
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)

Elde edilen sonuçlarda, eğitim ile elde edilen katsayıların sağladığı başarım genelde Gaussian ile elde edilene yakın veya daha iyi olduğu görülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Görüntü işlemede kullanılan doğrusal filtrelerin başarımı, filtre davranışını belirleyen maske ağırlıkları ile yakından ilişkilidir.
📊
Key Findings & Data:Sunulan çalışmada, doğrusal görüntü filtrelemede kullanılan maske ağırlıkları bir eğitim görüntüsü üzerinden genetik algoritmalar ile eğitilerek belirlenmiştir.
💡
Conclusion & Impact:Elde edilen sonuçlarda, eğitim ile elde edilen katsayıların sağladığı başarım genelde Gaussian ile elde edilene yakın veya daha iyi olduğu görülmüştür.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Gaussian filtreler · Doğrusal filtreler · Genetik algoritmalar

Özet

Görüntü işlemede kullanılan doğrusal filtrelerin başarımı, filtre davranışını belirleyen maske ağırlıkları ile yakından ilişkilidir. Sunulan çalışmada, doğrusal görüntü filtrelemede kullanılan maske ağırlıkları bir eğitim görüntüsü üzerinden genetik algoritmalar ile eğitilerek belirlenmiştir. Elde edilen maske ağırlıkları, Gaussian gürültüsü eklenmiş test görüntülerini filtrelemede kullanılmış ve başarımları hesaplanmıştır. Hesaplanan ağırlıklar ve Gaussian fonksiyonu ile belirlenen ağırlıkların görüntü filtrelemedeki başarımları karşılaştırmalı olarak sunulmuştur. Elde edilen sonuçlarda, eğitim ile elde edilen katsayıların sağladığı başarım genelde Gaussian ile elde edilene yakın veya daha iyi olduğu görülmüştür.

🔖

Cite This Article

UZUN, S., AKGÜN, D. (2018). Genetik Algoritmalar ile Eğitilen Doğrusal Görüntü Filtre Kalitesinin Bir Analizi. Veri Bilimi, Cilt: 1 - Sayı: 1, 29–35. https://ajindex.com/articles/821888

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. R. C. Gonzalez, R. E. Woods, and S. L. Eddins, “Digital Image Processing Using Matlab,” Education, vol. 624, no. 2. p. 609, 2004
  2. D. Ziou and S. Tabbone, “Edge detection techniques - An overview,” Int. J. Pattern Recognit. Image Anal., vol. 8, no. 4, pp. 1–41, 1998
  3. B. Zitová and J. Flusser, “Image registration methods: A survey,” Image and Vision Computing, vol. 21, no. 11. pp. 977–1000, 2003
  4. F. Kiraç and L. Akarun, “Parçacik süzgeci kullanarak görüntü dizisinde insan eli izleme,” in Proceedings of the IEEE 13th Signal Processing and Communications Applications Conference, SIU 2005, 2005, vol. 2005, pp. 561–564
  5. V. Hlavac, “Fundamentals of Image Processing,” in Optical and Digital Image Processing: Fundamentals and Applications, 2011, pp. 71–96
  6. R. C. Gonzalez and R. E. Woods, Digital Image Processing (3rd Edition). 2007
  7. A. Karasaridis and E. Simoncelli, “A filter design technique for steerable pyramid image transforms,” 1996 IEEE Int. Conf. Acoust. Speech, Signal Process. Conf. Proc., vol. 4, pp. 2387–2390, 1996
  8. J. Yang, L. Liu, T. Jiang, and Y. Fan, “A modified Gabor filter design method for fingerprint image enhancement,” Pattern Recognit. Lett., vol. 24, no. 12, pp. 1805–1817, 2003
  9. S. M. Bhandarkar, Y. Zhang, and W. D. Potter, “An Edge Detection Technique Using Genetic Algorithm-Based Optimization,” Pattern Recognit., vol. 27, no. 9, pp. 1159–1180, 1994
  10. E. U. Ergül, “Çok amaçlı Genetik Algoritmalar: Temelleri ve Uygulamaları,” Ondokuz Mayıs Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik - Elektronik Mühendisliği Anabilim Dalı, Doktora Tezi, 2010
  11. G. G. Emel and Ç. Taşkın, “Genetik Algoritmalar ve Uygulama Alanları,” Uludağ Üniversitesi İktisadi ve İdari Bilim. Fakültesi, vol. 21, no. 1, pp. 129–152, 2002
  12. R. Poli, “Genetic Programming for Image Analysis,” in Genetic Programming 1996: Proceedings of the First Annual Conference, 1996, pp. 363–368
  13. D. Akgün and P. Erdoğmuş, “GPU accelerated training of image convolution filter weights using genetic algorithms,” Appl. Soft Comput. J., vol. 30, pp. 585–594, 2015
  14. D. J. Krusienski and W. K. Jenkins, “Particle swarm optimization for adaptive IIR filter structures,” Evolutionary Computation, 2004. CEC2004. Congress on, vol. 1. p. 965–970 Vol.1, 2004
  15. S. K. Saha, S. Mukherjee, D. Mandal, R. Kar, and S. P. Ghoshal, “Gravitational search algorithm in digital FIR low pass filter design,” in 2012 Third International Conference on Emerging Appl