Tez No	İndirme	Tez Künye	Durumu
409819		Sürü zekâsı kullanarak renkli görüntü segmentasyon tekniklerinin geliştirilmesi / Development of color image segmentation techniques using swarm intelligence Yazar:TAHİR SAĞ Danışman: DOÇ. DR. MEHMET ÇUNKAŞ Yer Bilgisi: Selçuk 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 2015 180 s.
Bu çalışmada sürü zekâsı teknikleri kullanılarak görüntü segmentasyonu yapılmıştır. İlk aşamada; tek amaçlı temel Yapay Arı Kolonisi Optimizasyon Algoritması kümeleme yoluyla görüntü segmentasyonuna uyarlanmıştır. Uygunluk fonksiyonu olarak niceleme hatası kullanılmıştır. Elde edilen sonuçlar üzerinden kümelemenin başarısını anlamak amacıyla d_min ve d_max olarak adlandırılan iki ölçüt değeri hesaplanmıştır. Sonuçlar K-Ortalamalar, Bulanık C-Ortalamalar algoritmaları ve Parçacık Sürü Optimizasyonu temelli bir kümeleme algoritması ile karşılaştırılmıştır. Önerilen yaklaşımın tüm gösterge değerleri bakımından daha başarılı sonuçlar elde ettiği görülmüştür. İkinci aşamada; çok amaçlı optimizasyon problemlerinin çözümü için Yapay Arı Kolonisi üzerinde durularak yeni hibrid bir algoritma geliştirilmiştir. Önerilen algoritma Çok Amaçlı Optimizasyon için İyileştirilmiş Arı Kolonisi Algoritması (IBMO) olarak isimlendirilmiştir. IBMO'nun performansı literatürdeki en iyi dört sezgisel algoritma ile karşılaştırılmıştır. Bunlar sırasıyla: Bastırılmamışlık Sıralamalı Genetik Algoritma II (NSGA2), Kuvvetli Evrimsel Pareto Algoritması-2 (SPEA2), Optimal Çok-Amaçlı Parçacık Sürü Optimizasyonu (OMOPSO) ve Çok-Amaçlı Optimizasyon için Arşiv temelli Hibrid Dağılma Araması (AbYSS) algoritmalarıdır. Çalışmada karşılaştırmaların doğruluğunu ortaya koymak açısından 26 farklı test problemi kullanılmıştır. Performans değerlendirmesi amacıyla sonuçlar dört farklı performans göstergesi (Genel Uzaklık, Yayılma, Maksimum Yayılma, Hiper-hacim) kullanılmıştır. IBMO, test problemlerinin büyük çoğunluğunda istatistiksel güven aralığında kalarak en iyi değerlere ulaşmayı başarmıştır. Son aşamada çok-amaçlı optimizasyona dayanan yeni bir renkli görüntü segmentasyon algoritması önerilmiştir. Segmentasyon işlemi, renkli görüntüden çıkarılan özniteliklerin gruplanması yoluyla gerçekleştirilen çok-amaçlı bir kümeleme problemi olarak modellenmiştir. Önerilen yöntem çok-amaçlı optimizasyon algoritması IBMO ve çekirdekli bölge genişletme tekniğine dayanmaktadır. Çekirdek noktalarının optimal koordinatlarını atanması, optimal benzerlik eşik değerlerini belirlenmesi ve segmentasyon kalitesini birden fazla küme doğrulama göstergesi ile değerlendirilmesini sağlamak amacıyla IBMO renkli görüntü segmentasyonuna uyarlanmıştır. Önerilen algoritma Berkeley görüntü segmentasyon veri kümesindeki test görüntüleri üzerinde uygulanmıştır. Elde edilen segmentasyon sonuçlarının bölge-tabanlı tutarlılık göstergeleri hesaplanmıştır. Ayrıca sonuçlar NSGA-II, Bastırılmamışlık Sıralamalı Parçacık Sürü Optimizasyonu (NSPSO) ve Bulanık C-Ortalamalar (FCM) algoritmalarından aynı şartlar altında alınan segmentasyon sonuçlarıyla karşılaştırılmıştır. Elde edilen başarılı sonuçlar önerilen yöntemin genel amaçlı renkli görüntü segmentasyonu için tutarlı bir doğruluğa sahip olduğunu göstermiştir. Anahtar Kelimeler: Çok-amaçlı optimizasyon, renkli görüntü segmentasyonu, sürü zekâsı, Yapay Arı Kolonisi
In this dissertation, image segmentation is done by using swarm intelligence techniques. First, Original single-objective Artificial Bee Colony Optimization Algorithm is applied to image segmentation through clustering process. A quantization error is used as the objective function. In addition to this indicator, two other metrics are calculated for the obtained values in order to ensure the quality of results. The results are compared with K-Means, Fuzzy C-Means and a Particle Swarm Optimization based clustering algorithm. It can be reported that the proposed ABC-based algorithm has better successful results than the other three algorithms. In the second step of the study, a new hybrid algorithm for multi-objective optimization problems is developed by concentrating on Artificial Bee Colony algorithm. The proposed algorithm is called as Improved Bee Colony Optimization for Multiobjective Optimization (IBMO). The performance of IBMO is compared with the state-of-the-art algorithms: Nondominated Sorting Genetic Algorithm-II (NSGA2), The Strength Pareto Evolutionary Algorithm-2 (SPEA2), e Strength Pareto Evolutionary Algorithm (OMOPSO) and Archive-Based Hybrid Scatter Search to Multiobjective Optimization (AbYSS). In order to demonstrate the accuracy of the obtained results, IBMO and the other algorithms are applied to 26 benchmark functions. Four different quality indicators are used. These are General Distance, Spread, Maximum Spread and Hypervolume. By satisfying the statistical confidence level, IBMO have achieved to the best results for almost all test functions and for all quality indicators. Finally, a novel image segmentation algorithm based on multi-objective optimization for color images is proposed. Image segmentation is modeled as a multiobjective clustering problem trough grouping features extracted from a color image. The proposed segmentation method is depend on IBMO and seeded region growing technique. IBMO determines the optimal coordinates of the seed points and similarity difference of each region by optimizing a set of cluster validity indices simultaneously in order to improve the quality of segmentation. The proposed method was applied on several natural images obtained from Berkeley segmentation database. The region-based consistency errors of the obtained results are calculated. Furthermore, the results are compared with segmentation results that are obtained from NSGA2, Nondominated Sorting Particle Swarm Optimization (NSPSO) and Fuzzy C-Means algorithms in the same conditions. The robustness of the proposed ideas was proven by comparison of hand-labeled and experimentally obtained segmentation results. Keywords: Multiobjective optimization, color image segmentation, Artificial Bee Colony optimization, swarm intelligence