Gürültünün Tohumlu Alan Genişletme Tabanlı Bölütleme Sonucuna Etkisinin Nicemsel Olarak Belirlenmesi

Mürsel Ozan İncetaş; Mahmut Kılıçaslan; Ufuk Tanyeri; Burcu Yakışır Girgin; Zübeyr Aydemir

Open Access
Gürültünün Tohumlu Alan Genişletme Tabanlı Bölütleme Sonucuna Etkisinin Nicemsel Olarak Belirlenmesi
Mürsel Ozan İncetaş¹, Mahmut Kılıçaslan², Ufuk Tanyeri³, Burcu Yakışır Girgin⁴^*, Zübeyr Aydemir⁵
¹Bülent Ecevit University, Zonguldak, Turkey
²Ankara University, Ankara, Turkey
³Ankara University, Ankara, Turkey
⁴Ankara University, Ankara, Turkey
⁵Bülent Ecevit University, Zonguldak, Turkey
* Corresponding author: bygirgin@ankara.edu.tr

Presented at the International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT2017), Tokat, Turkey, Dec 02, 2017

SETSCI Conference Proceedings, 2017, 1, Page (s): 98-101 , https://doi.org/

Published Date: 08 December 2017 | Pages Total View Count 1336 Pages Total Download Count 15

Abstract

Görüntü bölütleme, görüntü işlemenin önemli aşamalarından biridir ve SRG (Seeded Region Growing – Tohumlu Bölge Genişletme) en bilinen bölge tabanlı bölütleme tekniklerindendir. Bu çalışmada tohum seçimlerinin, tohumlu alan genişletmedeki başarıya etkisi incelenmiş ve farklı gürültü yoğunluklarında tohumlu alan genişletmenin başarısı karşılaştırılmıştır. Yapılan testlerde Weizmann tek nesneli görüntü veritabanı kullanılmıştır. Daha sonra kullanıcı yardımıyla 3 farklı tohum alanı seçilmiştir. Tohumlardan ikisinin seçiminde nesne ve arka plan için birer tohum alanı işaretlenmiş, diğer seçimde ise hem nesne hem de arka plan için birden fazla tohum alanı işaretlenmiştir. Ayrıca ilgili görüntülere farklı tip ve yoğunlukta gürültü eklenmiştir. Sonuç olarak tüm bu görüntüler, işaretlenmiş tohum alanları kullanılarak bölütlenmiş ve bölütleme başarısı F-score olarak elde edilmiştir.

Keywords - tohumlu alan genişletme; gürültü; bölütleme; tohum seçimi

References

[1] R. Adams and L. Bischof, “Seeded region growing”, IEEE Trans. Pattern Anal, Mach. Intell, Vol. 16(6), pp. 641-647, 1994.

[2] R. Pohle and K. D. Toennies, “Segmentation of medical images using adaptive region growing”, in Proc. SPIE, Medical Imaging, July 3, 2001, Vol. 4322, pp. 1337-1346.

[3] J. Wu, S. Poehlman, M. D. Noseworthy and M. V. Kamath, “Texture feature based automated seeded region growing in abdominal MRI segmentation”, In BioMedical Engineering and Informatics BMEI International Conference, 2008, May, Vol. 2, pp. 263-267.

[4] A. Q. Al-Faris, U. K. Ngah, N. A. M Isa and I. L. Shuaib, “Breast MRI Tumour Segmentation Using Modified Automatic Seeded Region Growing Based on Particle Swarm Optimization Image Clustering”, Soft Computing in Industrial Applications, in Intelligent Systems and Computing, November 21, 2013, Vol. 223 of the series Advances, pp. 49-60.

[5] J. Yeom, M. Jung and Y. Kim, “Detecting damaged building parts in earthquake-damaged areas using differential seeded region growing”, International Journal of Remote Sensing, Vol. 38, pp. 985-1005, 2017.

[6] P. K. Jain and S. Susan, “An adaptive single seed based region growing algorithm for color image segmentation”, in India Conference (INDICON), December 13-15, 2013, pp. 1-6.

[7] F. Y. Shih and S. Cheng, “Automatic seeded region growing for color image segmentation”, Image and Vision Computing, Vol. 23(10), pp 877–886, 2005.

[8] J. Fan, D. K. Y. Yau, A. K. Elmagarmid, and W. G. Aref, “Automatic image segmentation by integrating color-edge extraction and seeded region growing”, IEEE Transactions on Image Processing, Vol. 10(10), pp. 1454-1466, 2001.

[9] P. Suman, D. Parasar and V. R. Rathod, “Seeded region growing segmentation on ultrasound image using particle swarm optimization”, in Computational Intelligence and Computing Research (ICCIC), December 10-12, 2015, pp. 1-6.

[10] S. Alpert, M. Galun, R. Basri and A. Brandt, “Image segmentation by probabilistic bottom-up aggregation and cue integration”, IEEE transactions on pattern analysis and machine intelligence, Vol. 34(2), pp. 315-327, 2012.