Otsu Based Optimal Multilevel Image Thresholding Using Coronavirus Herd Immunity Optimizer

Abstract

Eşik seçimi, görüntü bölütlemede önemli bir rol oynamaktadır. Eşik seçimiyle ilgili en faydalı yöntemler olarak minimum hata yöntemi, iteratif yöntem, entropi yöntemi ve Otsu yöntemi bilinmektedir. Bu çalışmada eşikleme yöntemi olarak Otsu tekniği kullanılmaktadır. Eşik sayısının (K) artmasına bağlı olarak problemin karmaşıklık düzeyi üstel olarak artacağı için matematiksel yöntemler yerine sürü zekâsı algoritması kullanılması daha uygun görülmektedir. Bundan dolayı, bu çalışmada sürü zekâsı algoritması olarak da son yıllarda literatüre kazandırılmış olan Coronavirüs sürü bağışıklığı algoritması (CHIO) kullanılmaktadır. Deneysel çalışmalarda test verisi olarak altı farklı görüntü kullanılmaktadır. K değeri bu çalışmada 2, 3, 4 ve 5 olarak belirlenmektedir. Bu veri seti kullanılarak CHIO algoritması ile literatürde yer alan diferansiyel evrim (differential evolution: DE), gri kurt ( gray wolf optimizer: GWO), parçacık sürü (particle swarm optimization: PSO) algoritmaları gibi başarılı algoritmalarla eşit koşullarda kıyaslanmaktadır. Elde edilen sonuçlara göre, CHIO algoritması kullanılarak 6 test verisi üzerinde yapılan çalışmalarda K=2 olduğunda verilerin %100, K=3 ve 4 iken %83 ve son olarak K=5 iken %50’sinde en iyi sonuçları yakaladığı görülmektedir. Bu sonuçlar ışığında, CHIO algoritmasının çözüm kalitesi açısından rekabet edici olduğu tespit edilmiştir. Sonuç olarak CHIO algoritması çok düzeyli görüntü eşiği problemi için alternatif bir algoritma olabilir.