KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2014 / Cilt: 29 - Sayı: 4

ALT-BLOKLAR TEKNİĞİ VE KÜMELEME YÖNTEMLERİ İLE GÖRÜNTÜ BÖLÜTLEMENİN HIZLANDIRILMASI

Melike ŞİŞECİ
Sedat METLEK
Bayram CETİŞLİ
Sayfa
0
Yayın Tarihi
2014-12-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmada; gecikmeyi azaltmak için görüntü alt-bloklara ayrılarak, sadece alt-blok ortalamalarının kümelemeye sokulması önerilmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, kümeleme algoritmaları ile bölütlenen resimlerin daha hızlı bölütlenmesi için, alt-bloklama tekniğinin kullanılması amaçlanmaktadır.
📊
Temel Bulgular & Veri:Önerilen yöntem, K-ortalamalar, Bulanık C-ortalamalar, K-ortaylar ve Spektral kümeleme yöntemleri ile kıyaslanmış ve 2-4 kat hızlanma sağlanmıştır.
💡
Sonuç & Katkı:Bu çalışmada; gecikmeyi azaltmak için görüntü alt-bloklara ayrılarak, sadece alt-blok ortalamalarının kümelemeye sokulması önerilmektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Hızlandırılmış bölütleme · K-ortalamalar · Kümeleme

Özet

Bu çalışmada, kümeleme algoritmaları ile bölütlenen resimlerin daha hızlı bölütlenmesi için, alt-bloklama tekniğinin kullanılması amaçlanmaktadır. Genellikle, görüntü bilgisinin tamamının kümeleme algoritmalarına verilmesinden dolayı, kümeleme işlemi uzun sürmekte ve gerçek zamanlı bölütleme uygulamalarında gecikmeler olmaktadır. Bu çalışmada; gecikmeyi azaltmak için görüntü alt-bloklara ayrılarak, sadece alt-blok ortalamalarının kümelemeye sokulması önerilmektedir. Böylece kümeleme verisi oldukça azalmaktadır. Deneysel çalışmalarda traverten plaka resimlerinin yanı sıra, “Lena”, “Baboon” gibi bilindik resimler de kullanılmıştır. Önerilen yöntem, K-ortalamalar, Bulanık C-ortalamalar, K-ortaylar ve Spektral kümeleme yöntemleri ile kıyaslanmış ve 2-4 kat hızlanma sağlanmıştır. Blok boyutunun küçük tutulması durumunda görüntü kalitesinin çok fazla değişmediği de gözlenmiştir.

🔖

Bu Makaleye Atıf Yap

ŞİŞECİ, M., METLEK, S., CETİŞLİ, B. (2014). ALT-BLOKLAR TEKNİĞİ VE KÜMELEME YÖNTEMLERİ İLE GÖRÜNTÜ BÖLÜTLEMENİN HIZLANDIRILMASI. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 29 - Sayı: 4, 0. https://ajindex.com/articles/20456

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. KAYNAKLAR (REFERENCES) Şişeci, M., Traverten Plaka Taşlarda Sınıfların Kümeleme Yöntemleri ile Belirlenmesi, Y. Lisans Tezi, Süleyman Demirel Ünv., Fen Bilimleri Ens., 2012.
  2. Coleman, G.B. ve Andrews, H.C., “Image Segmentation By Clustering”, Proc. of IEEE, Cilt 67, No 5, 773-785, 1979.
  3. Umbaugh, S.E., Moss, R.H. ve Stoecker, W.V., “Automatic Color Segmentation of Images with Application to Detection of Variegated Coloring in Skin Tumors”, IEEE Eng. in Medicine and Biology Magazine, Cilt 8, No 4, 43-50, 1989.
  4. Vaisey, J. ve Gersho, A., “Image Compression with Variable Block Size Segmentation”, IEEE Trans. on Signal Processing, Cilt 40, No 8, 2040-20,60, 1992.
  5. Hu, Y.C. ve Chang, C.C., “Variable Rate Vector Quantization Scheme Based on Quadtree Segmentation”, IEEE Trans. on Consumer Electronics, Cilt 45, No 2, 310-317, 1999.
  6. Kim, C., “Content-Based Image Copy Detection”, Signal Processing: Image Communication, Cilt 18, No 3, 169-184, 2003.
  7. Tsai, V.J.D., “Automatic Shadow Detection and Radiometric Restoration on Digital Aerial Images”, In Proceedings of the IEEE International Geoscience and Remote Sensing Symposium, Toulouse, France, Cilt 2, 732-733, 21-25 Temmuz 2003.
  8. Shi, R., Feng, H., Chua, T.S. ve Lee, C.H., “An Adaptive Image Content Representation and Segmentation Approach to Automatic Image Annotation”, Third Int. Conf. on Image and Video Retrieval (CIVR), Dublin, Ireland, 545-554, 2004.
  9. Wu, B.-F., Chiu, C.-C. ve Chen, Y.-L., “Algorithms for Compressing Compound Document Images with Large Text Background Overlap”, IEEE Vision, Image and Signal Processing, Cilt 151, No 6, 453-459, 2004.
  10. Bosch, A., Muñoz, X. ve Martí, R., “Which is the Best Way to Organize/Classify Images by Content?”, Image and Vision Computing, Cilt 25, No 6, 778-791, 2007.
  11. Ko, B., Seo, M. ve Nam, J., “Microscopic Cell Nuclei Segmentation Based on Adaptive Attention Window”, J. of Digital Imaging, Springer, Cilt 22, No 3, 259-274, 2009.
  12. Clausi, D.A., “K-means Iterative Fisher (KIF) Unsupervised Clustering Algorithm Applied to Image Texture Segmentation”, Pattern Recognition, Science Direct, Cilt 35, No 9, 1959-1972, 2002.
  13. Demirhan, A. ve Guler, I., “Image Segmentation Using Self-Organizing Maps and Gray Level Co-Occurrence Matrices”, Journal of the Faculty of Engineering and Architecture of Gazi University, Cilt 25, No 2, 285-291, 2010.
  14. Chuchra, R., Sood, S. ve Kaur, K., “Performance Analysis & Comparison b/w Enhanced K-Means & Orthogonal Partitioning (OC), based on proposed New Approach: