Affiliation:
1. ALANYA ALAADDIN KEYKUBAT UNIVERSITY
2. ANKARA UNIVERSITY
3. ayvansaray üniversitesi
Abstract
Görüntü erişimi, dijital bir görüntü veri tabanından benzer veya özdeş görüntülerin indekslenmesi olarak tanımlanır. Benzer bir dijital görüntü aranırken görüntülerden elde edilen çeşitli öznitelik vektörleri kullanılır. Çünkü görüntülerin pikselleri üzerinde işlem yapmak maliyetli algoritmalar gerektirir. Ayrıca, erişim yaklaşımlarında kullanılan görüntülerin farklı boyutlarda olması olası bir problemdir. Bu nedenle, görüntüleri karşılaştırırken piksel düzeyindeki işlemler yetersiz kalmaktadır. Görüntüleri temsil eden vektörel yapılar gereklilik olarak karşımıza çıkmaktadır. Bu vektörel yapıları elde etme sürecine özellik çıkarımı denir ve içerik tabanlı görüntü erişiminin en önemli aşamalarından biridir. Histogram ise görüntünün boyutlarından bağımsız ve kolaylıkla hesaplanabilen en temel öznitelik vektörüdür. Gri seviyeli görüntülerde histogramın boyutu öznitelik vektörü olarak kullanıma uygundur. Ancak, renkli görüntülerdeki üç farklı kanal, özellik vektörleri olarak kullanılmak için çok fazla veri içerir. Bu nedenle vektör boyutunu küçültmek kaçınılmaz bir işlemdir. Bu çalışmada, insan görsel sisteminden esinlenerek İğnecikli Sinir Ağı modeline dayalı yeni bir çok-seviyeli eşikleme yöntemi önerilmiştir. Önerilen model ile RGB renk kanallarının her biri için 3 ayrı eşik değeri belirlenmiş ve her bir renk kanalı 4 parçaya bölünmüştür. Böylece elde edilen renk paleti ile renk uzayı 64 farklı renge indirgenir. Önerilen yöntem, görüntü erişimi için yaygın olarak kullanılan çok seviyeli eşikleme yöntemleri ile karşılaştırılmıştır. Elde edilen sonuçlar önerilen yöntemin başarısını açıkça göstermektedir.
Publisher
Gumushane University Journal of Science and Technology Institute
Reference48 articles.
1. Alamdar, F. & Keyvanpour, M. (2011). A new color feature extraction method based on QuadHistogram. Procedia Environmental Sciences, 10, 777-783. https://doi.org/10.1016/j.proenv.2011.09.126
2. Barber, R., Flickner, M., Hafner, J., Niblack, W., Petkovic, D., Equitz, W. & Faloutsos, C. (1994). Efficient and effective querying by image content. Journal of Intelligent Information Systems, 3(3-4), 231-262. https://doi.org/10.1007/BF00962238
3. Cambronero, J., Stanley-Marbell, P. & Rinard, M. (2018). Incremental color quantization for color-vision-deficient observers using mobile gaming data. arXiv preprint arXiv:1803.08420.
https://doi.org/10.48550/arXiv.1803.08420
4. Clogenson, M., Kerr, D., McGinnity, T. M., Coleman, S. A. & Wu, Q. (2011). Biologically inspired edge detection using spiking neural networks and hexagonal images. In International Conference on Neural Computation Theory and Applications (pp. 381-384). SciTePress. https://doi.org/ 10.5220/0003682103810384
5. Chen, Y. H., Chang, C. C., & Hsu, C. Y. (2020). Content-based image retrieval using block truncation coding based on edge quantization. Connection Science, 32(4), 431-448. https://doi.org/10.1080/09540091.2020.1753174
Cited by
1 articles.
订阅此论文施引文献
订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献