Ayrıştırılabilir ve ayrıştırılamaz görüntü filtrelerinin genetik algoritmalar ile eğitiminin karşılaştırmalı bir analizi
Ayrıştırılabilir görüntü filtresi, yaygın olarak kullanılan konvolüsyonel görüntü filtrelerinin bir alt sınıfıdır. Bu tip Görüntü filtrelerinin katsayıları analitik yöntemlerle belirlenebileceği gibi eğitim görüntüleri ile sezgisel yaklaşımlar kullanılarak da belirlenebilir. Bu çalışmada, ayrıştırılabilir ve ayrıştırılamayan görüntü filtrelerinin genetik algoritmalar ile eğitilerek karşılaştırmalı analizleri gerçekleştirilmiştir. Eğitim süreleri ve görüntü kalitesi başarım analizi için sonuçlar, farklı boyutlardaki görüntü filtre çekirdekleri için karşılaştırmalı olarak sunulmuştur. Sonuçlara göre, ayrıştırılabilir görüntü filtresinin katsayı adedinin daha az, dolayısıyla çarpma ve toplama işlemleri adedinin daha az olmasından dolayı eğitim süreleri daha kısa elde edilmiştir. Ancak kalite bakımından karşılaştırma yapıldığında, ayrıştırılamaz görüntü filtresi daha iyi sonuçlar vermektedir.
A comparative analyses of training of separable and non-separable image filters with genetic algorithms
Separable image filter is a subclass of convolutional image filters that are used widely. The coefficients of these types of image filters can be determined with training images using heuristic approaches as well as analytical methods. In this study, comparative analyses were realized for separable and non-separable image filters that were trained using genetic algorithms. The results for training durations and performance analyses are presented comparatively for various size of kernels. According to the results, the training durations of the separable image filter is shorter due to smaller number of coefficients and hence smaller number of multiplication and addition operations. On the other hand, when compared in terms of quality, non-separable filter shows better results.
___
- M. Y. Çelikdemir, “Beton Yapılarda
Görüntü Filtreleme Tekniklerinin
Uygulanması,” 2014, pp. 308–310.
- D. Akgün, “A practical parallel
implementation for TDLMS image filter on
multi-core processor,” J. Real-Time Image
Process., Jan. 2014.
- D. Akgün, “Tdlms Filtresinin Görüntü
İyleştirme İçiyn Başarım Analizi,” NWSA
Eng. Sci., 2011.
- R. C. Gonzalez, R. E. Woods, and S. L.
Eddins, “Digital Image Processing Using
Matlab - Gonzalez Woods & Eddins.pdf,”
Education, vol. 624, no. 2. p. 609, 2004.
- F. Talbi, F. Alim, S. Seddiki, and I. Mezzah,
“Separable convolution gaussian smoothing
filters on a xilinx FPGA platform,”
(INTECH), 2015 Fifth …, 2015.
- P. Narendra, “A separable median filter for
image noise smoothing,” Mach. Intell.
IEEE Trans., 1981.
- M. Siekmann, S. Bosse, and H. Schwarz,
“Separable Wiener filter based adaptive inloop
filter for video coding,” Pict. Coding,
2010.
- Q. Ma and C. Cowan, “Genetic algorithms
applied to the adaptation of IIR filters,”
Signal Processing, 1996.
- W. Chang, “Coefficient estimation of IIR
filter by a multiple crossover genetic
algorithm,” Comput. Math. with Appl.,
2006.
- D. Akgün and P. Erdoğmuş, “GPU
accelerated training of image convolution
filter weights using genetic algorithms,”
Appl. Soft Comput., vol. 30, pp. 585–594,
2015.
- D. Akgün, “Paralel Görüntü Filtreleme Için
Çok Çekirdekli Bilgisayar Üzerinde
Başarim Analizi,” İleri Teknol. Bilim.
Derg., 2013.
- V. Lakshmanan, “A Separable filter for
directional smoothing,” IEEE Geosci.
Remote Sens. Lett., vol. 1, no. 3, pp. 192–
195, 2004.
- V. Areekul, U. Watchareeruetai, K.
Suppasriwasuseth, and S. Tantaratana,
“Separable gabor filter realization for fast
fingerprint enhancement,” in Proceedings -
International Conference on Image
Processing, ICIP, 2005, vol. 3, pp. 253–
256.
- G. J. E. Rawlins, “Foundations of Genetic
Algorithms,” in Foundations of Genetic
Algorithms, 1991, vol. 21, p. 341.
- K. de Jong, “Learning with Genetic
Algorithms: An Overview,” Mach. Learn.,
vol. 3, no. 2, pp. 121–138, 1988.
- B. Bolat, K. Erol, and C. Imrak, “Genetic
algorithms in engineering applications and
the Function of operators,” Sigma, 2004.
- E. U. Ergül, “Çok amaçlı Genetik
Algoritmalar: Temelleri ve Uygulamaları,”
Ondokuz Mayıs Üniversitesi, Fen Bilimleri
Enstitüsü, Elektrik - Elektronik
Mühendisliği Anabilim Dalı, Doktora Tezi,
2010.
- U. Çekmez, “İnsansız Hava Araçlarında
Büyük Ölçekli Yol Planlama
Problemlerinin GPU Üzerinde CUDA Yardımı İle Çözümü,” Hava Harp Okulu,
Havacılık ve Uzay Teknolojileri Enstitüsü,
Bilgisayar Mühendisliği Bölümü, Yüksek
Lisans Tezi, 2014.
- U. Maulik and S. Bandyopadhyay, “Genetic
algorithm-based clustering technique,”
Pattern Recognit., 2000.
- G. Schaefer and M. Stich, “UCID - An
Uncompressed Colour Image Database,”
SPIE, Storage Retr. Methods Appl.
Multimed., vol. 5307, pp. 472–480, 2003.