Tez No	İndirme	Tez Künye	Durumu
285046		Sürü zekası yaklaşımlarının renkli görüntü kesimlemeye uyarlanması ve tanıma sistemleri üzerinde gerçekleştirimi / Adaptation of swarm intelligence approaches into color image segmentation and their implementations on recognition systems Yazar:DOĞAN AYDIN Danışman: DOÇ. DR. AYBARS UĞUR Yer Bilgisi: Ege Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Kümeleme = Clustering ; Tanıma = Recognition	Onaylandı Doktora Türkçe 2011 137 s.
Kesimleme işlemi tanıma sistemlerinin en önemli ve zor aşamasıdır. Bu tezde, sürü zekasına dayalı karınca kolonisi optimizasyonu (KKO) ve parçacık sürü optimizasyonu (PSO) tabanlı renkli görüntü kesimleme yöntemleri geliştirilmiştir.IPSOAntK-means kümeleme algoritması, artırımlı parçacık sürü optimizasyonu (IPSO), KKO ve K-means algoritmalarının melez bir şekilde birleştirilmesi ile geliştirilmiştir. CAVIAR ve Oxford-17 çiçek veritabanları üzerinde denenmiş ve K-Means yönteminden daha başarılı sonuçlar üretmiştir. IPSOAntK-Means algoritması ile kesimlenen çiçekleri tanıyan bir modül de yazılarak test edilmiştir. Bu modülde, çiçeklere ait şekilsel ve renksel öznitelikler çıkarılarak farklı YSA modellerine (FFNN, CFNN, ENN, RBNN, PNN) verilmiştir. Modül, çiçek türlerini %90'ın üzerinde başarı ile tespit edebilmektedir.Geliştirilen diğer yöntem, pikselleri optimum kümelemeyi hedefleyen, bir KKO algoritması olup, genel renkli görüntü kesimlemeye uyarlanmıştır. Berkeley veritabanındaki resimler üzerinde başarılı sonuçlar elde edilmiştir. Ayrıca renkli retina resimlerinde kan damarlarını kesimleyen bir yeni melez algoritma gerçekleştirilmiştir. DRIVE veri kümesi üzerinde test edilerek diğer kan damarı çıkarma algoritmalarıyla karşılaştırılmıştır.Sürü zekasından esinlenen yöntemlerin ilk defa renkli görüntü kesimlemeye uyarlanması ve ürettikleri başarılı sonuçlar değerlendirilmiş ve tartışılmıştır.
Segmentation task in color images is the most important and difficult stage of image based recognition systems. In this thesis, swarm intelligence based ant colony optimization (ACO) and particle swarm optimization (PSO) oriented color image segmentation methods have been developed.IPSOAntK-means clustering algorithm was developed by combining incremental particle swarm optimization (IPSO), ACO and K-means in a hybrid manner. It was tested on CAVIAR and Oxford-17 flower datasets, and obtained better results than K-means method. A module which recognizes flowers segmented by IPSOAntK-means was also developed and tested. In this module, shape and color features of flowers were extracted and given as input to the different ANN models (FFNN, CFNN, ENN, RBNN, PNN). The module can recognize flower species correctly with 90% accuracy.Other developed method is an ACO algorithm, aimed optimum pixel clustering, which was adapted to general color image segmentation. Good results were obtained on Berkeley dataset images. Moreover, a new hybrid algorithm based on ants? behaviour was implemented for blood vessels segmentation in color retinal images. It was tested on DRIVE dataset and compared with other blood vessels segmentation algorithms.The methods inspired from Swarm Intelligence applied first time to color image segmentation and their successful results were evaluated and discussed.