Segmentasyon yardımıyla kenar iyileştirme yöntemi

Abstract

Görüntü işleme, bilgisayarlı görme, örüntü tanıma uygulamalarının başarısı çoğunlukla nesne kenarlarının bulunmasına dayanır. Bu konu üzerinde çok fazla çalışılmasına rağmen, yansıma, gürültü, eşik değeri gibi etmenler doğruluğu etkilediği için günümüzde hala kenar bulmada güçlü bir algoritma bulunmamaktadır. Yapılan çalışmada, bu algoritmaların detaylı incelenmesi sonucu kenar izlerken başarısız oldukları yerler göz önünde bulundurularak kenarların bulunması ve iyileştirmesine yönelik yeni bir yöntem olan segmentasyonla kenar güçlendirme (SKG) önerilmiştir.Bu yöntemle nesne kenarlarını bulma işlemi farklı bir açıdan ele alınmıştır. Yöntemde diğer kenar bulma algoritmalarının uyguladığı piksel yoğunluklarındaki ani değişimlere bakılarak bölgeleri ayıran kenarları bulma yerine, bölgelerden kenarların elde edilip edilmeyeceğine cevap aranmıştır. MATLAB yazılımı kullanılarak yapılan çalışmada öncelikle Sobel, Prewitt, Roberts, Canny gibi bilinen yöntemlerle elde edilen kenarların çift tarafları kullanılarak kenarların kayıp ipuçlarını keşfetmek için gerekli tüm bilgiye sahip olan iki referans bölge(RB) oluşturulur. Ardından referans kenarın yönü dikkate alınarak devam ettirilecek kenarın tahmini yönleri belirlenir ve bu yönlerin doğrultusunda yeni bölgeler oluşturulur. Sonraki adımda, istatistiksel yöntemler kullanılarak oluşturulan bölgeler ile RB kıyaslanıp kenar ihtimali en yüksek olan yön ve bölge belirlenir. En son adımda, elde edilen bölgenin RB'ye benzeyen pikselleri kullanılarak optimizasyon teknikleri yardımıyla bölgede eğimli kenar çizilmiştir.Sunulan kenar iyileştime algoritması, Berkeley Segmentation Dataset ve The Hypermedia Image Processing Reference (HIPR) veritabanından alınan farklı kontrast değerlerine sahip farklı görüntüler ve anjiyografi veri seti üzerinde uygulanmış ve popüler olan kenar bulma yöntemlerinin buldukları sonuçlar ile karşılaştırma yapılmıştır. Elde edilen sonuçlar geliştirilen algoritmanın, diğer yöntemlerin buldukları kenarları bulabildiğini ve eksik buldukları kenarları tamamlayabildiğini göstermiştir.

The success of image processing, computer vision, pattern recognition applications mostly depends on the detection of object edges. Although there is a lot of research on this subject, there are still no strong algorithms for edge detection, because factors such as reflection, noise, threshold value affect the accuracy. In this study, as a result of examining these algorithms in detail where they have failed at the trailing edge, a new method, edge reinforcement by using edge segmentation (SKG), is proposed for detecting and enhancing the edges.By this method, detecting object edges process discussed from a different viewpoint. In the method, instead of detecting the edges separating the regions by viewing sudden changes in the pixel densities, applied by the other edge detection algorithms, an answer was sought to determine whether the edges can obtained from the regions. In this study developed by using MATLAB software, two reference regions (RB) which have all the information necessary for exploring the missing tips of the edges are formed by using the sides of the edges that first obtained by known methods like Sobel, Prewitt, Roberts, Canny. Then, the estimated directions of the edge to be continued are determined by considering the direction of the reference edge and new regions are formed in the orientation of these directions. In the next step, with statistical methods, by comparing created regions and the RB, the direction and the region with the greatest edge possibility are determined. In the last step, by using similar to RB pixels of the obtained area, curved edge of the region were drawn. The presented edge reinforcement algorithm was applied to different images with different contrast values and the angiography data set from the Berkeley Segmentation Dataset and the Hypermedia Image Processing Reference (HIPR) database and compared with the results of popular edge detection methods. The results show that the developed algorithm can detect the edges that other methods have found and complete the missing edges.