SavedAdd your journal

Journals / Sakarya University Journal of Science / 2017 / Cilt: 21 Sayı: 4

A comparative analyses of training of separable and non-separable image filters with genetic algorithms

Ayrıştırılabilir ve ayrıştırılamaz görüntü filtrelerinin genetik algoritmalar ile eğitiminin karşılaştırmalı bir analizi

Süleyman Uzun
Devrim Akgun
Pages
609–616
Publication Date
2017-08-01
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)

According to the results, the training durations of the separable image filter is shorter due to smaller number of coefficients and hence smaller number of multiplication and addition operations.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Separable image filter is a subclass of convolutional image filters that are used widely.
📊
Key Findings & Data:The results for training durations and performance analyses are presented comparatively for various size of kernels.
💡
Conclusion & Impact:According to the results, the training durations of the separable image filter is shorter due to smaller number of coefficients and hence smaller number of multiplication and addition operations.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Ayrıştırılabilir Görüntü Filtresi · Konvolüsyon Görüntü Filtresi · Genetik Algoritmalar

Abstract

Separable image filter is a subclass of convolutional image filters that are used widely. The coefficients of these types of image filters can be determined with training images using heuristic approaches as well as analytical methods. In this study, comparative analyses were realized for separable and non-separable image filters that were trained using genetic algorithms. The results for training durations and performance analyses are presented comparatively for various size of kernels. According to the results, the training durations of the separable image filter is shorter due to smaller number of coefficients and hence smaller number of multiplication and addition operations. On the other hand, when compared in terms of quality, non-separable filter shows better results.

Özet

Ayrıştırılabilir görüntü filtresi, yaygın olarak kullanılan konvolüsyonel görüntü filtrelerinin bir alt sınıfıdır. Bu tip Görüntü filtrelerinin katsayıları analitik yöntemlerle belirlenebileceği gibi eğitim görüntüleri ile sezgisel yaklaşımlar kullanılarak da belirlenebilir. Bu çalışmada, ayrıştırılabilir ve ayrıştırılamayan görüntü filtrelerinin genetik algoritmalar ile eğitilerek karşılaştırmalı analizleri gerçekleştirilmiştir. Eğitim süreleri ve görüntü kalitesi başarım analizi için sonuçlar, farklı boyutlardaki görüntü filtre çekirdekleri için karşılaştırmalı olarak sunulmuştur. Sonuçlara göre, ayrıştırılabilir görüntü filtresinin katsayı adedinin daha az, dolayısıyla çarpma ve toplama işlemleri adedinin daha az olmasından dolayı eğitim süreleri daha kısa elde edilmiştir. Ancak kalite bakımından karşılaştırma yapıldığında, ayrıştırılamaz görüntü filtresi daha iyi sonuçlar vermektedir.

🔖

Cite This Article

Uzun, S., Akgun, D. (2017). A comparative analyses of training of separable and non-separable image filters with genetic algorithms. Sakarya University Journal of Science, Cilt: 21 Sayı: 4, 609–616. https://ajindex.com/articles/942304

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (18)

  1. M. Y. Çelikdemir, “Beton Yapılarda Görüntü Filtreleme Tekniklerinin Uygulanması,” 2014, pp. 308–310
  2. D. Akgün, “A practical parallel implementation for TDLMS image filter on multi-core processor,” J. Real-Time Image Process., Jan. 2014
  3. D. Akgün, “TDLMS Filtresinin Görüntü İyleştirme İçin Başarım Analizi,” NWSA Eng. Sci., 2011
  4. R. C. Gonzalez, R. E. Woods, and S. L. Eddins, “Digital Image Processing Using Matlab - Gonzalez Woods & Eddins.pdf,” Education, vol. 624, no. 2. p. 609, 2004
  5. F. Talbi, F. Alim, S. Seddiki, and I. Mezzah, “Separable convolution gaussian smoothing filters on a xilinx FPGA platform,” (INTECH), 2015 Fifth …, 2015
  6. P. Narendra, “A separable median filter for image noise smoothing,” Mach. Intell. IEEE Trans., 1981
  7. M. Siekmann, S. Bosse, and H. Schwarz, “Separable Wiener filter based adaptive in-loop filter for video coding,” Pict. Coding, 2010
  8. Q. Ma and C. Cowan, “Genetic algorithms applied to the adaptation of IIR filters,” Signal Processing, 1996
  9. W. Chang, “Coefficient estimation of IIR filter by a multiple crossover genetic algorithm,” Comput. Math. with Appl., 2006
  10. D. Akgün and P. Erdoğmuş, “GPU accelerated training of image convolution filter weights using genetic algorithms,” Appl. Soft Comput., vol. 30, pp. 585–594, 2015
  11. D. Akgün, “Paralel Görüntü Filtreleme Için Çok Çekirdekli Bilgisayar Üzerinde Başarim Analizi,” İleri Teknol. Bilim. Derg., 2013
  12. V. Lakshmanan, “A Separable filter for directional smoothing,” IEEE Geosci. Remote Sens. Lett., vol. 1, no. 3, pp. 192–195, 2004
  13. V. Areekul, U. Watchareeruetai, K. Suppasriwasuseth, and S. Tantaratana, “Separable gabor filter realization for fast fingerprint enhancement,” in Proceedings - International Conference on Image Processing, ICIP, 2005, vol. 3, pp. 253–256
  14. G. J. E. Rawlins, “Foundations of Genetic Algorithms,” in Foundations of Genetic Algorithms, 1991, vol. 21, p. 341
  15. K. de Jong, “Learning with Genetic Algorithms: An Overview,” Mach. Learn., vol. 3, no. 2, pp. 121–138, 1988
  16. B. BOLAT, K. EROL, and C. İMRAK, “Genetic algorithms in engineering applications and the Function of operators,” Sigma, 2004
  17. E. U. Ergül, “Çok amaçlı Genetik Algoritmalar: Temelleri ve Uygulamaları,” Ondokuz Mayıs Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik - Elektronik Mühendisliği Anabilim Dalı, Doktora Tezi, 2010
  18. U. Çekmez, “İnsansız Hava Araçlarında Büyük Ölçekli Yol Planlama Problemlerinin GPU Üzerinde CUDA