YAPAY ARI KOLONİ ALGORİTMASI TABANLI GÖRÜNTÜ KÜMELEME YÖNTEMLERİNİN GELİŞTİRİLMESİ
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2016
Tezin Dili: Türkçe
Öğrenci: EMRAH HANÇER
Asıl Danışman (Eş Danışmanlı Tezler İçin): Derviş KARABOĞA
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Kümeleme, bir verideki görünmeyen ve gizli bulunan bilginin elde edilmesi amacıyla verinin karakteristik özelliklerini değerlendirerek gruplarına ayırma işlemidir. Kümeleme mühendislikten istatistiğe kadar birçok alanda hayati bir öneme sahiptir. O alanlardan birisi de örüntü tanıma ve görüntü işlemedir. Kümeleme yöntemleri, örüntü tanıma ve görüntü işleme alanında görüntülerin segmentasyon ve analiz işlemlerinde kullanılan önemli tekniklerden biridir. Ancak, mevcut alışılagelmiş kümeleme yöntemlerinin yerele takılma ve başlangıç koşullarına bağımlılık gibi problemleri mevcuttur. Evrimsel hesaplama teknikleri bu problemlerin giderilmesinde kullanılabilecek küresel araştırma algoritmalardır. Evrimsel hesaplama tekniklerinden biri olan yapay arı koloni (ABC) algoritması, diğer algoritmalara nazaran daha yeni, kolay uygulanabilir, az parametre değeri içeren ve erken yakınsama problemleri az olan bir algoritmadır. ABC algoritması birçok farklı problemlere başarılı bir şekilde uygulanmıştır. Ancak, ABC algoritmasının görüntü kümeleme üzerindeki potansiyeli henüz tam olarak araştırılmış değildir. Bu tez çalışmasının amacı, ABC'nin görüntü kümelemedeki performansını araştırmak ve geliştirmektir. Aynı zamanda bu çalışma farklı evrimsel hesaplama tekniklerinin de görüntü kümeleme üzerindeki kabiliyetini incelemekte ve değerlendirmektedir. Tez çalışmasının birinci kısmında, ilk olarak beyin MRI görüntüleri için ABC ile kümeleme tabanlı tümör segmentasyon metodolojisi önerilmiştir. Elde edilen sonuçlar neticesinde, önerilen metodolojinin klasik kümeleme metodolojilerinden daha iyi tümör segmentasyonu sağladığı görülmüştür. İkinci olarak literatürdeki mevcut görüntü kümeleme kriterlerinin avantaj ve dezavantajları incelenerek yeni bir görüntü kümeleme kriteri ortaya konulmuş ve önerilen kümeleme kriteri diğer kümeleme kriterlerinden daha iyi kümeleme performansı sağlamıştır. Üçüncü olarak ABC ile kümeleme tabanlı bir renk kuantalama yöntemi geliştirilmiştir. Bu kuantalama yöntemi ABC'nin bu alandaki ilk uygulaması olma niteliği taşımaktadır. Önerilen kuantalama yöntemi, RGB ve L*a*b* renk uzaylarında test edilmiş ve diğer yöntemlerden daha iyi performans gösterdiği görülmüştür. Tez çalışmasının ikinci kısmında küme sayısı bilinmeyen verileri otomatik olarak kümeleyen ABC tabanlı yöntemler geliştirilmiştir. Geliştirilen yöntemler dışarıdan küme sayısının belirlenmesine ihtiyaç duymamakta ve verinin karakteristik yapısını analiz ederek kümeleme işlemini gerçekleştirmektedir. Önerilen bu yöntemler mevcut yöntemlerden kümeleme kalitesi ve optimum küme sayısını elde etme açısından daha iyi performans göstermiştir. Standart ABC'nin bir verideki optimum küme sayısının belirlenmesi problemi üzerindeki performansı ilk olarak bu tez çalışmasında incelenmiştir.