Tez No	İndirme	Tez Künye	Durumu
416940		Yapay arı koloni algoritması tabanlı görüntü kümeleme yöntemlerinin geliştirilmesi / Development of artificial bee colony algorithm based image clustering approaches Yazar:EMRAH HANÇER Danışman: PROF. DR. DERVİŞ KARABOĞA Yer Bilgisi: Erciyes Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2016 197 s.
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.
Clustering is the process of grouping through evaluating the characteristics of a data set to obtain unseen and invaluable information from the data. Clustering has an important role in a various number of fields from engineering to statistics. One of these fields is pattern recognition and image processing. Clustering is one of the important current techniques in image segmentation and image analysis processes of pattern recognition and image processing. However, existing clustering techiques suffer from problems, such as local optima and dependent on initial conditions. In order to alleviate these problems, evolutionary computation techniques that are global search algorithms can be used. Among evolutionary computation techniques, artificial bee colony (ABC) algorithm is quite new, can be easily implemented, includes less control parameters and less stagnation problems than other well-known algorithms. ABC has been succesfully applied to a various number of fields, but its potential for image clustering has not been fully investigated yet. The overall goal of this thesis is to investigate and improve capability of the ABC algorithm for image clustering. Furthermore, this thesis also investigated and evaluated the capabilities of different evolutionary computation techniques for image clustering. In the first stage of the thesis, an ABC clustering based tumour segmentation methodology for brain MRI images was first proposed. It was seen from the obtained results that the proposed methodology can provide better tumour segmentation than traditional methodologies. Second, a new image clustering criterion was introduced by investigating advantages and disadvantages of existing criteria. The proposed clustering criterion obtained better clustering quality than other criteria. Third, an ABC clustering based color quantization technique was developed. The proposed quantization technique was tested on RGB and L*a*b* color spaces, and performed better than other quantization techniques. Furthermore, to our knowledge, this proposed technique is the first application of ABC algorithm on color quantization. In the second stage of this thesis, ABC based automatic clustering techniques which automatically group the data without the knowlege of cluster number are improved. The improved techniques do not require the cluster number as a parameter and perform clustering by analyzing the characteristics of the data. The improved techiques performed better than existing techniques in terms of clustering quality and obtaining the optimum number of clusters. The potential of standard ABC for the determination of cluster number was first investigated in this thesis.