ALT-BLOKLAR TEKNİĞİ VE KÜMELEME YÖNTEMLERİ İLE GÖRÜNTÜ BÖLÜTLEMENİN HIZLANDIRILMASI

Year 2014, Volume: 29 Issue: 4, 0 - , 31.12.2014

Melike Şişeci , Sedat Metlek , Bayram Cetişli

https://doi.org/10.17341/gummfd.91178

Abstract

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. 

Keywords

Hızlandırılmış bölütleme, K-ortalamalar, Kümeleme, Alt-bloklar, Görüntü işleme, Gerçek zamanlı uygulamalar.

References

• KAYNAKLAR (REFERENCES)
• Şişeci, M., Traverten Plaka Taşlarda Sınıfların Kümeleme Yöntemleri ile Belirlenmesi, Y. Lisans Tezi, Süleyman Demirel Ünv., Fen Bilimleri Ens., 2012.
• Coleman, G.B. ve Andrews, H.C., “Image Segmentation By Clustering”, Proc. of IEEE, Cilt 67, No 5, 773-785, 1979.
• 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.
• 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.
• 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.
• Kim, C., “Content-Based Image Copy Detection”, Signal Processing: Image Communication, Cilt 18, No 3, 169-184, 2003.
• 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.
• 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.
• 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.
• 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.
• 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.
• 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.
• 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.
• Chuchra, R., Sood, S. ve Kaur, K., “Performance Analysis & Comparison b/w Enhanced K-Means & Orthogonal Partitioning (OC), based on proposed New Approach: “DRID” “, Int. J. of Computer Science and Network Security (IJCSNS), Cilt 12, No 3, 61-63, 2012.
• Xu, R. ve Wunsch, D., Clustering, Wiley-IEEE Press, 2008.
• Jang, J.S.R., Sun, C.-T. ve Mizutani, E., Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence, Prentice Hall, 1997.
• MacQueen, J.B., “Some Methods For Classification and Analysis of Multivariate Observations”, Proc. of the Fifth Berkeley Symp. on Mathematical Statistics and Probability, Berkeley, USA, Cilt 1, 281–297, 1967.
• Cormen, T.H., Leiserson, C.E., Rivest, D.L., Stein, C., Introduction to Algorithms, 2nd Revised Edition, MIT Press, Cambridge, 1180, 2001.
• Dunn, J.C., “A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact, Well-Separated Clusters”, J. of Cybernetics, Cilt 3, No 3, 32-57, 1973.
• Kaufman, L. ve Rousseeuw, P., “Clustering by Means of Medoids”, Statistical Data Analysis Based on The L1-Norm and Related Methods, Edited by Y. Dodge, North-Holland, 405-416, 1987.
• Fowlkes, C., Belongie, S., Chung, F. ve Malik, J., “Spectral Grouping Using the Nystrom Method”, IEEE Trans. on Pattern Analysis and Machine Intelligence, Cilt 26, No 2, 214-225, 2004.
• Shi, J. ve Malik, J., “Normalized Cuts and Image Segmentation”, IEEE Trans. on Pattern Analysis and Machine Intelligence, Cilt 22, No 8, 888-905, 2000.
• Woods, J.W., Multidimensional Signal, Image, and Video Processing and Coding, Academic Press, Second Edition, 2011.