Çoklu strateji Osprey optimizasyon algoritmasına dayalı çok seviyeli eşikleme ile hava görüntüsü segmentasyonu

Gökyüzünden Daha Fazlasını Görmek

Uçaklar, insansız hava araçları ve uydu görüntüleri yeni evlerin nerelere yapılabileceğinden, bir orman yangınının ne kadar hızlı yayıldığına veya hangi tarlaların suya ihtiyaç duyduğuna kadar günlük kararları sessizce destekler. Ancak pikseller yığınına dönüştürülen bu görüntüleri yararlı haritalara çevirmek için bilgisayarların önce her görüntüde ne olduğunu “anlaması” gerekir. Bu makale, yırtıcı bir kuş olan balıkçıl akbabanın avlanma tarzından ilham alan bir algoritmayı öğreterek hava görüntülerini anlamayı daha hızlı ve daha doğru hale getiren yeni bir yöntemi tanıtıyor.

Görüntüleri Bölmenin Önemi

Bir hava görüntüsü kentsel planlama veya afet müdahalesine rehberlik etmeden önce su, binalar, yollar, orman vb. parçalara ayrılmalıdır. Segmentasyon adı verilen bu adım, manzara üzerine her alan türünü ayrı bir bölge haline getirecek şekilde dikkatli bir boyama kitabı çizmek gibidir. Yaygın stratejilerden biri olan “eşikleme”, parlaklık veya renkteki eşik değerlerini belirleyerek bir eşik değerinin bir tarafındaki piksellerin bir gruba, diğer tarafındakilerin ise başka bir gruba ait olmasına karar verir. Ayrıntılı sahneler için bilgisayarlar aynı anda birçok eşik kullanır—görüntüyü birkaç katmana ayıran çok seviyeli eşikleme. Bunu iyi yapmak zordur, çünkü bilgisayar gerçek dünya özelliklerini en iyi ayıran eşikleri bulmak için çok büyük sayıda olası eşiği araştırmak zorundadır.

Bilgisayardaki Doğadan Esinlenen Avcılar

Bu aramayı yönetmek için yazarlar, balık tutma şeklinden esinlenen nispeten yeni bir optimizasyon yöntemine dayanır. Temel Osprey Optimizasyon Algoritmasında her “osprey” bir deneme çözümüdür—bir dizi eşik değeri—ve olasılıkların matematiksel manzarasında uçar. Keşif sırasında bu dijital ospreylere, umut vadeden “av” (başka iyi çözümler) rehberlik ederek genişçe dolaşırlar. Sömürü aşamasında ise şimdiye kadar bulunmuş en iyi konumlar etrafında daha küçük, dikkatli hareketler yaparak onları iyileştirmeye çalışırlar. Bu doğal denge, yöntemin kötü bir eşik seçimine takılmasını önlemeye yardımcı olur, ancak orijinal sürüm yine de erken kararlı hale gelerek daha iyi seçenekleri kaçırabilir.

Avlanmaya Yeni Hamleler Eklemek

Yazarlar, sanal ospreylere ek stratejiler veren değiştirilmiş bir versiyon, MOOA, önerir. Bunlardan biri “çift çekim” mekanizmasıdır: her osprey yalnızca tek bir en iyi çözüme çekilmek yerine hem kendi kişisel en iyisi hem de grubun bulduğu küresel en iyi tarafından yönlendirilir. Bu çift çekiş, yeni alanların cesurca keşfi ile bilinen iyi noktalarda temkinli iyileştirmeyi dengede tutmaya yardımcı olur. İkinci ekleme dinamik rastgele aramadır; bu, ospreylere mevcut en iyi eşikler etrafında zaman zaman küçük, akıllı ayarlamalar yapma olanağı veren bir tür yerel ince ayardır. Birlikte bu stratejiler, sürünün önce genişçe keşfetmesini sonra da en umut vadeden eşik setlerine odaklanmasını sağlar.

Gerçek Hava Sahalarında Test Etme

Bu numaraların işe yarayıp yaramadığını görmek için araştırmacılar, MOOA’yı sabit çözünürlükteki kıyı şeritleri, şehirler, tarım arazileri ve ormanları içeren halka açık bir veri kümesinden on altı gerçek hava görüntüsüne uyguladı. Her görüntü için algoritmadan iki standart kural altında eşikler bulması istendi—gruplar arasındaki güçlü kontrastı tercih eden Otsu yöntemi ve piksel dağılımındaki bilgi içeriğini maksimize eden Kapur yöntemi. MOOA’yı çeşitli doğadan ilham alan optimizatörler ve orijinal osprey yöntemiyle farklı segment sayılarında karşılaştırdılar. Ayrıntıların ne kadar korunduğunu ve segmentlenmiş görüntünün orijinale ne kadar benzediğini ölçen yaygın kalite puanlarını kullanarak MOOA tutarlı şekilde daha net, daha sadık segmentasyonlar üretti. Ayrıca hesaplama süresini rekabetçi veya alternatiflerden daha iyi tutarken güçlü sonuçlar elde etti.

Günlük Kullanımlar İçin Anlamı

Basitçe söylemek gerekirse, yeni osprey tabanlı yöntem karmaşık hava sahneleri içinde nerelere “çizgi çizeceğine” daha iyi karar veriyor. Parlaklık ve renkte doğru eşikleri daha güvenilir seçerek, sahil şeritleri, tarlalar, binalar gibi önemli yapıları koruyan; gürültü eklemeyen veya ince özellikleri kaybettirmeyen segmentlenmiş görüntüler üretiyor. Bu da gemi sayımı, sel alanlarının takibi veya arazi kullanım haritalaması gibi izleyen görevleri daha güvenilir kılar. Yazarlar çok küçük nesneleri tanımanın ve kodu daha da hızlandırmanın açık zorluklar olarak kaldığını not etse de, sonuçları dikkatle ayarlanmış doğadan esinlenen arama stratejilerinin birçok hava görüntüsü analiz türü için daha ağır derin öğrenme sistemlerine göre güçlü ve verimli bir alternatif olabileceğini gösteriyor.

Atıf: Abd Elaziz, M., Al-Betar, M.A., Ewees, A.A. et al. Aerial image segmentation using multilevel thresholding based on multi strategy Osprey optimization algorithm. Sci Rep 16, 9095 (2026). https://doi.org/10.1038/s41598-025-07217-w

Anahtar kelimeler: hava görüntüsü segmentasyonu, çok seviyeli eşikleme, meta-sezgisel optimizasyon, uzaktan algılama, görüntü analizi