KaydedilenlerDerginizi ekleyin

Dergiler / Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi / 2021 / Cilt: 8 - Sayı: 2

Riemann Anlamında Eğri Evrim Modeli İncelemesi: Görüntü Segmentasyonu Uygulaması

Riemannian Curve Model Analysis: Image Segmentation Application

Haydar KILIC
Salim CEYHAN
Sayfa
693–721
Yayın Tarihi
2021-12-31
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)

Uygulamadaki hesaplamalar yapay zeka algoritmaları ile yapılabilir, veya kullanıcı isterse arayüze gireceği değerlerle manuel bir hesaplamada yapabilir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Görüntü bölütlemesinde görüntü üzerinde bir başlangıç eğrisi vererek, eğrinin hareketi ile görüntü üzerindeki objeleri sarması sağlanabilir.
📊
Temel Bulgular & Veri:Burada eğri hareketine neden olan bir kısmi türevli yapı olduğu için, bu sınıfta bir bölütlemeye kısmi diferensiyel tabanlı bölütleme denilmektedir.
💡
Sonuç & Katkı:Uygulamadaki hesaplamalar yapay zeka algoritmaları ile yapılabilir, veya kullanıcı isterse arayüze gireceği değerlerle manuel bir hesaplamada yapabilir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Görüntü Bölütleme · Optimizasyon · Eğri Evrimi

Özet

Görüntü bölütlemesinde görüntü üzerinde bir başlangıç eğrisi vererek, eğrinin hareketi ile görüntü üzerindeki objeleri sarması sağlanabilir. Burada eğri hareketine neden olan bir kısmi türevli yapı olduğu için, bu sınıfta bir bölütlemeye kısmi diferensiyel tabanlı bölütleme denilmektedir. Bu çalışmada, kısmi türevlerden oluşturulan bir matematik modelle görüntü segmentasyonu ile ilgili derin bir matematiksel analiz ve sayısal hesaplamalar bulunmaktadır. Sayısal hesaplamalarda, modele kullanıcı tarafından girilen parametrelerin incelemesi yapılmış, ayrıca bu parametrelerin yapay zeka algoritmaları ile optimizasyonu üzerinde durulmuştur. Ayrıca tüm nümerik hesapları yapan kullanıcı dostu bir arayüz uygulaması geliştirilmiştir. Uygulamadaki hesaplamalar yapay zeka algoritmaları ile yapılabilir, veya kullanıcı isterse arayüze gireceği değerlerle manuel bir hesaplamada yapabilir.

Abstract

By giving an initial curve on the image in image segmentation, it can be provided to wrap the objects on the image with the movement of the curve. A segmentation in this class is called partial differential-based segmentation, since there is a partial differential structure that causes the curve motion here. In this study, there is a deep mathematical analysis and numerical calculations related to image segmentation with a mathematical model created from partial derivatives. In numerical calculations, the parameters entered into the model by the user were examined, and the optimization of these parameters with artificial intelligence algorithms was emphasized. In addition, a user-friendly interface application that performs all numerical calculations has been developed. Calculations in the user interface can be made with artificial intelligence algorithms, or if the user wishes, user can make a manual calculation with the values entered into the interface.

🔖

Bu Makaleye Atıf Yap

KILIC, H., CEYHAN, S. (2021). Riemann Anlamında Eğri Evrim Modeli İncelemesi: Görüntü Segmentasyonu Uygulaması. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, Cilt: 8 - Sayı: 2, 693–721. https://ajindex.com/articles/393262

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Pal, N. R. & Pal, S. K. (1993). A review on image segmentation techniques. Pattern recognition, 26, 1277– 1294
  2. Jaglan, P., Dass, R., & Duhan, M. (2019). A comparative analysis of various image segmentation techniques. Proceedings of 2nd International Conference on Communication, Computingand Networking, Springer, 359– 374
  3. Javadpour, A., & Mohammadi, A. (2016). Improving brain magnetic resonance image (mri) segmentation via a novel algorithm based on genetic and regional growth. Journal of biomedical physics & engineering, 6, 95
  4. Ziou, D., & Tabbone, S. (1998). Edge detection techniques-an overview. Pattern Recognition and Image Analysis C/C of Raspoznavaniye Obrazov I Analiz Izobrazhenii, 8, 537–559
  5. Al-Amri, S. S., & Kalyankar, N. V. (2010). Image segmentation by using threshold techniques. arXiv:1005. 4020
  6. Senthilkumaran, N., & Rajesh, R. (2008). Edge detection techniques for image segmentation-a survey. Proceedings of the International Conference on Managing Next Generation Software Applications (MNGSA- 08), 749–760
  7. Norouzi, A., Rahim, M. S. M., Altameem, A., Saba, T., Rad, A. E., Rehman, A., & Uddin, M. (2014). Medical image segmentation methods, algorithms, and applications. IETE TechnicalReview, 31, 199–213 [8] Chebbout, S., & Merouani, H. F. (2012). Comparative study of clustering-based colour image segmentation techniques. 2012 Eighth International Conference on Signal Image Technology and Internet Based Systems, IEEE, 839–844
  8. Amza, C. (2012). A review on neural network-based image segmentation techniques. De Montfort University, Mechanical and Manufacturing Engg., The Gateway Leicester, LE1 9BH, United Kingdom, 1–23
  9. Bebis, G., & Georgiopoulos, M. (1994). Feed-forward neural networks. IEEE Potentials, 13, 27–31
  10. Montana, D. J., & Davis, L. (1989). Training feedforward neural networks using genetic algorithms. IJCAI, 89, 762–767
  11. Erb, R. J. (1993). Introduction to backpropagation neural network computation. Pharmaceutical research, 10, 165–170
  12. Fahlman, C. L. (1990). The cascade-correlation learning architecture. Advances in Neural Information Processing Systems, 2
  13. Lin, W. C., Tsao, E. C. K., & Chen, C. T. (1992). Constraint satisfaction neural networks for image segmentation. Pattern Recognition, 25, 679–693
  14. Ranganath, H., Kuntimad, G., & Johnson, J. (1995). Pulse coupled neural networks for image processing. Proceedings IEEE Southeastcon’95. Visualize the Future, 37–43