KaydedilenlerDerginizi ekleyin

Dergiler / Fırat Üniversitesi Doğu Araştırmaları Dergisi / 2005 / Cilt: 4 Sayı: 1

GENETİK KÜMELEME İLE GÖRÜNTÜ BÖLÜTLEME

Abdulkadir Şengür(FIRAT ÜNİVERSİTESİ)
Murat Karabatak(FIRAT ÜNİVERSİTESİ)
İbrahim Türkoğlu(FIRAT ÜNİVERSİTESİ)
Melih Cevdet İnce(FIRAT ÜNİVERSİTESİ)
Sayfa
63–67
Yayın Tarihi
2005-12-29
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)

Gri derinlikteki farklı görüntüler, incelenen algoritmalar kulanı-larak sırası ile iki, üç ve dört küme oluşturacak şekilde bölütlenmiş ve ilgili sonuçlar sunulmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:800x600 Normal 0 21 false false false TR X-NONE X-NONE MicrosoftInternetExplorer4 /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin:0cm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman","serif";} Klasik K-ortalama kümeleme algoritması literatürde en sık kullanılan kümeleme algoritması olmasına rağ-men, başlangıç küme merkezlerine bağlı olarak bazen optimum sonuçlara yakınsayamamakla birlikte global çözüme yakınsaması büyük miktarlarda hesaplama ve zaman gerektirmektedir.
📊
Temel Bulgular & Veri:Bu sebeplerden ötürü bu tür optimizasyon problemlerin çözümü için değişik metotlar geliştirilmiştir.
💡
Sonuç & Katkı:Gri derinlikteki farklı görüntüler, incelenen algoritmalar kulanı-larak sırası ile iki, üç ve dört küme oluşturacak şekilde bölütlenmiş ve ilgili sonuçlar sunulmuştur.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Görüntü Bölütleme · Kümeleme Algoritmaları · Genetik Algoritmalar

Özet

800x600 Normal 0 21 false false false TR X-NONE X-NONE MicrosoftInternetExplorer4 /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin:0cm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman","serif";} Klasik K-ortalama kümeleme algoritması literatürde en sık kullanılan kümeleme algoritması olmasına rağ-men, başlangıç küme merkezlerine bağlı olarak bazen optimum sonuçlara yakınsayamamakla birlikte global çözüme yakınsaması büyük miktarlarda hesaplama ve zaman gerektirmektedir. Bu sebeplerden ötürü bu tür optimizasyon problemlerin çözümü için değişik metotlar geliştirilmiştir. Bu yaklaşımlardan en popüleri gene-tik algoritmalardır. Bu çalışmada klasik K-ortalama kümeleme algoritmasının belirtilen yetersizlikleri, gene-tik tabanlı bir kümeleme algoritması ile giderilmiştir. Genetik algoritmaların arama yetenekleri K küme merkezlerinin bulunması için kullanılmıştır . Gri derinlikteki farklı görüntüler, incelenen algoritmalar kulanı-larak sırası ile iki, üç ve dört küme oluşturacak şekilde bölütlenmiş ve ilgili sonuçlar sunulmuştur.

🔖

Bu Makaleye Atıf Yap

Şengür, A., Karabatak, M., Türkoğlu, İ., İnce, M. C. (2005). GENETİK KÜMELEME İLE GÖRÜNTÜ BÖLÜTLEME. Fırat Üniversitesi Doğu Araştırmaları Dergisi, Cilt: 4 Sayı: 1, 63–67. https://ajindex.com/articles/988852

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (17)

  1. R. C. Gonzalez, R. E. Woods, Digital image processing, Prentice Hall, 2002.
  2. N. R. Pal and S. K. Pal, “A Review on Image Segmentation Techniques”, Pattern Recogniti-on, vol.26, no.9, pp. 1277-1294, 1993.
  3. Y. J. Zhang, A survey on evaluation methods for image segmentation, Pattern Recog. Vol. 29, No. 8, 1335-1346, 1996.
  4. M.R. Anderberg, ‘Cluster Analysis for Applica-tions’,Academic Press,Inc.,Newyork, NY,1973.
  5. D.E.Goldenberg, ‘Genetic Algorithms in Search Optimization, and Machine Learning’, Addison -Wesley, New York, USA, 411p., 1989.
  6. U Maulik, S. Bandyopadhyay, Genetic Algorithm based clustering technique, Pattern Recog. 33, 1455-1465, 2000.
  7. S. Bandyopadhyay, U Maulik, Genetic cluste-ring for automatic evolution of clusters and application to image classification, Pattern Recog. 35, 1197-1208, 2002.
  8. K. Krisna and M. N. Murty, Genetic K-Means Algorithm, IEEE Trans. on system man and cybernetics, vol. 29, no. 3, pp.433-439, June, 1999.
  9. Yu-Chiun Chiou, L. W. Lan, Genetic clustering algorithms, European journal of operational research, vol.135, pp. 413-427, 2001.
  10. G. Garai, B.B. Chaudhuri, A novel genetic algorithm for automatic clustering, Pattern recognition letters, vol. 25, pp.173-187, 2004.
  11. S. Bandyopadhyay and U. Maulik, A K-Means Type Clustering Using Genetic Algorithms, Third Annual Conference on Indian Society of Information Theory and Applications and National Symposium on Management Science and Statistics - Applications to Trade and Industry, Amritsar, pp.66-67, 1999
  12. http://www.geocomputation.org/2000/GC015/Gc015.htm
  13. Lin Yu Tseng*, Shiueng Bien Yang, A genetic approach to the automatic clustering problem, Pattern Recognition, vol. 34, pp.415-424, 2001.
  14. A.K. Jain, R.C. Dubes, Algorithms for Clustering Data. Prentice-Hal, Englewood Cliffs, NJ, 1988.
  15. R. Kothari, D. Pitts, On finding the number of clusters, Patter Recognition Letters, 20, 405-416, 1999.
  16. R. O. Duda and P. E. Hart, "Pattern Classifi-cation and Scene Analysis," Wiley-Interscience, New York, 1973.
  17. M. K. Pakhira, S. Bandyopadhyay and U. Mau-lik, Validity index for crisp and fuzzy clusters, Pattern Recognition 37, pp. 487-501, 2004.