Görüntülerde belirginlik tespiti (saliency detection) son yıllarda popüler olan bir görüntü işleme dalıdır. Belirginlik tespitinde, insan gözünün çalışması taklit edilir ve görüntülerde ilk odaklanılan alanın bulunması amaçlanır. Göze çarpan alanların tespit edilmesi, nesne tanıma, görüntü bölütleme ve video izleme gibi problemleri çözmek için geliştirilen modellere alternatif olarak kullanılabilecek bir yöntemdir. Bu durum, belirginlik tespitini görüntü işlemede önemli bir yere sahip kılmaktadır. Optimizasyon algoritmalarının görüntü işleme problemlerine uygulanması oldukça yaygın bir araştırma alanıdır. Bu çalışmada, görüntülerde belirginlik tespiti probleminin çözümünde, yapay arı kolonisi (artificial bee colony - ABC) ve ateş böceği (firefly - FA) optimizasyon yöntemlerinden yararlanılarak geliştirilen hibrit yöntem (hybrid artificial bee colony firefly algorithm – HABCFA) kullanılmıştır. Bir görüntüdeki göze çarpan alanı veya nesneyi tespit etmek için geliştirilen algoritmalar genel olarak aşağıdan - yukarıya ve yukarıdan - aşağıya yöntemler olarak iki grupta ele alınmaktadır. Aşağıdan – yukarıya olan yöntemler görüntülerden elde edilebilen verileri kullanırken, yukarıdan – aşağıya olan yöntemler öğrenme tabanlı sistemlere ihtiyaç duymaktadır. Bu çalışmadaki yaklaşım görüntünün renk bilgisinden yararlandığından dolayı aşağıdan – yukarıya sınıfına dahil olmaktadır. Belirginlik tespiti sürecinde, göze çarpan bölgelerin daha hassas bir şekilde çıkarılmasını sağlamak ve daha optimum bir arka plan değeri elde etmek için süper-piksel tabanlı bir sınıflandırma yöntemi olan SLIC yöntemi ön işlem aşamasında kullanılmıştır. Ön işlem aşamasından sonra görüntünün kenar bölgelerinden elde edilen arka plan değeri, HABCFA yöntemi ile optimize edilmekte ve görüntüye en uygun arka plan değeri bulunmaktadır. Optimum arka plan değerinin mevcut görüntüden çıkarılması ile belirginlik haritası (saliency map) elde edilmektedir. Yapılan deneylerde, HABCFA belirginlik tespiti yöntemi, yaygın olarak kullanılan MSRA-1000, ECSSD, ICOSEG ve DUTOMRON veri kümeleri kullanılarak, literatürdeki 11 state-of-the art yöntem ile karşılaştırılmıştır. HABCFA'nın herhangi bir ekstra maske veya eğitim aşaması gerektirmeden elde ettiği sonuç görüntüleri, diğer yöntemlerin sonuçları ile karşılaştırıldığında, HABCFA'nın etkili olduğu görülmüştür. Ayrıca ABC, FA ve HABCFA yöntemleri, yakınsama oranı ve çalışma süreleri açısından bilinen dört kıyaslama problemi ile karşılaştırılmış ve HABCFA diğer iki optimizasyon yönteminden daha iyi bir performans üretmiştir.
In recent years, saliency detection in images has become a major image processing field. The human eye's focusing function is emulated in salience detection, which aims to discover the first focused area in images. The method of detecting salient areas can be utilized instead of the models established to handle problems like object recognition, image segmentation, and video surveillance. As a result, salience detection is a significant aspect of image processing. The use of optimization techniques to solve image processing difficulties is a popular research topic. In this study, a hybrid approach (hybrid artificial bee colony firefly algorithm – HABCFA) was developed by combining artificial bee colony (ABC) and firefly (FA) optimization methods to answer the problem of salience detection in images. Bottom-up and top-down approaches are two types of algorithms created to find the most important area or object in an image. Top-down methods require learning-based systems, whereas bottom-up methods rely on data received from images. This study's approach is classified as bottom-up because it makes use of the image's color information. During the preprocessing stage, the SLIC approach, which is a super-pixel-based classification method, was utilized to extract salient regions more precisely and obtain a more ideal background value for the salience detection process. Following the preprocessing stage, the HABCFA method is used to optimize the background value obtained from the image's edge regions, resulting in the best acceptable background value for the image. The ideal background value is subtracted from the current image to produce a saliency map. In the experiments, using the popular MSRA-1000, ECSSD, ICOSEG, and DUTOMRON datasets, the HABCFA salience detection approach was compared to 11 state-of-the-art methods in the literature. When the results of HABCFA without any additional masking or training steps were compared to the results of other approaches, it was discovered that HABCFA was effective. In addition, in terms of convergence rate and running times, the ABC, FA, and HABCFA methods were compared to four known comparison problems, with HABCFA outperforming the other two optimization methods.
Except where otherwise noted, this item's license is described as http://creativecommons.org/licenses/by/4.0/
