Image segmentation techniques via robust hypothesis testing
[ X ]
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu tezde, kararlı hipotez testine dayalı yöntem kullanılarak renkli görüntülerin çoklu kesimlenmesi incelenmiştir. Kararlı hipotez testi, birkaç farklı yöntemle görüntü bölütlendirmeye uyarlanmıştır. İlk yaklaşımda, NP-zorluğa sahip bu problemin çözümü için kullanıcı yardımıyla farklı etiketlerden gelen piksellerin kabaca seçildiğini farz ettik. Önerilen algoritma bu seçimle başlatılır ve piksel yoğunluklarının ampirik histogramları daha sonra kararlı bir hipotez testinde nominal yoğunluklar olarak kullanılır. Test çerçevesini çok boyutlu renkli görüntü üzerinden elde edilen hassas ölçümleri içerecek şekilde değiştirerek, DGL testini uyguluyoruz. Sonraki yöntemlerimize süperpikselleri dahil ettik. Ancak temel yöntem olan süperpikselleri eklemek, kullanıcı girişinin uzamsal bilgisinden yararlanmaz ve yalnızca renk alanında çalışır. Süperpiksellere ek olarak, karmaşıklığı artırmadan geliştirilmiş performans için sınırlayıcı kutuların uzamsal bilgilerinin teste dahil edildiği uzamsal-zamansal dağılıma dayalı DGL testini uyguladık. Ayrıca Berkeley'in BSDS500 görüntü veri seti üzerinde simülasyonlar sağladık ve uygulanan son yöntem, ilk yönteme göre segmentasyon doğruluğunda \%10'luk bir iyileşmeyle sonuçlandı. Geliştirdiğimiz yöntemler, düşük karmaşıklığa sahip renkli görüntüleri çoklu segmentasyon haline getirebilir. Bu performans avantajı simülasyonlarla da doğrulanmıştır.
In this thesis, the multiple segmentation of color images is examined using the method based on robust hypothesis testing. The robust hypothesis test has been adapted to image segmentation by several different methods. In the first approach, to ease this NP-hard problem, we provide the user to choose certain areas over the image whose pixels are regarded as candidates from different labels. The suggested algorithm is started through this selection process, and the empirical histograms of the pixel densities are then employed as nominal densities in a reliable hypothesis test. By modifying the test framework to include soft metrics obtained over the multi-dimensional color image, we specifically apply the DGL test. In other ways, we included superpixels in our test. But just adding superpixels, the baseline method, does not take advantage of the spatial information of user input, and only works in the color domain. In addition to superpixels, we have applied the DGL test based on spatial-temporal distribution, where the spatial information of bounding boxes is included in the test for improved performance without increasing the complexity. We also provided simulations on Berkeley's BSDS500 image dataset and showed that the last method applied could result in a 10\% improvement in segmentation accuracy to the first method. The methods we develop can multiple segmentation color images with low complexity. This performance advantage has also been verified by simulations.
In this thesis, the multiple segmentation of color images is examined using the method based on robust hypothesis testing. The robust hypothesis test has been adapted to image segmentation by several different methods. In the first approach, to ease this NP-hard problem, we provide the user to choose certain areas over the image whose pixels are regarded as candidates from different labels. The suggested algorithm is started through this selection process, and the empirical histograms of the pixel densities are then employed as nominal densities in a reliable hypothesis test. By modifying the test framework to include soft metrics obtained over the multi-dimensional color image, we specifically apply the DGL test. In other ways, we included superpixels in our test. But just adding superpixels, the baseline method, does not take advantage of the spatial information of user input, and only works in the color domain. In addition to superpixels, we have applied the DGL test based on spatial-temporal distribution, where the spatial information of bounding boxes is included in the test for improved performance without increasing the complexity. We also provided simulations on Berkeley's BSDS500 image dataset and showed that the last method applied could result in a 10\% improvement in segmentation accuracy to the first method. The methods we develop can multiple segmentation color images with low complexity. This performance advantage has also been verified by simulations.
Açıklama
Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering ; Mühendislik Bilimleri
