Yeni bir mekanizma ile güçlendirilmiş coati optimizasyon algoritmasına dayalı çok seviyeli eşikleme görüntü segmentasyonu

Daha Akıllı Dijital Dilimlemeyle Daha Keskin Görüntüler

Uydu fotoğraflarından tıbbi taramalara kadar her dijital görüntü aslında bir sayı ızgarasıdır. Bu görüntüleri analiz etmek için bilgisayarların genellikle tümörü sağlıklı dokudan veya yolu arka plandan ayırmak gibi anlamlı bölgelere ayırması gerekir. Bu makale, sanal bir "sürü" içindeki problem çözücülerin daha akıllıca iş birliği yapmasını öğreterek, bu dilimlemeyi özellikle karmaşık görüntülerde hem daha keskin hem de daha hızlı hale getiren yeni bir yaklaşım sunar.

Görüntüleri Parçalara Ayırmak Neden Bu Kadar Zor

Bir bilgisayar bir resmi anlayabilmeden önce birlikte ait olan bölgelere ayırması gerekir—buna segmentasyon denir. En basit ve yaygın kullanılan yaklaşımlardan biri eşikleme: görüntünün parlaklık ölçeğinde bir veya daha fazla kesme değeri seçmek ve her pikseli değerinin düştüğü aralığa göre bir bölgeye atamak. Tek bir eşik olduğunda bu kolaydır. Ancak modern görevler, bir taramadaki birden çok dokuyu veya uydu görüntüsündeki çeşitli arazi türlerini ayırmak için aynı anda birçok eşiğe ihtiyaç duyabilir. En iyi eşik kombinasyonunu arama matematiği, eşik sayısı arttıkça patlayıcı şekilde büyür ve kısa sürede doğrudan hesaplamayla çözülemeyecek kadar büyük bir probleme dönüşür.

Sanal Hayvanların Daha İyi Yanıtlar İçin Avlanmasına İzin Vermek

Bu zorlu aramalarla başa çıkmak için bilim insanları giderek meta-sezgisel algoritmalara yöneliyor: çözüm uzayında dolaşan ve aday çözümleri ümit vaat eden yönlere iten dijital sürüler. Burada üzerinde çalışılan yöntem, sosyal avcı memeliler olan coatilardan ilham alan yakın tarihli bir yönteme dayanıyor. Orijinal coati optimizasyon algoritmasında bazı sanal coati'ler avın peşine tırmanırken diğerleri bekleyip saldırır; bu küresel keşif ve yerel ince ayarı taklit eder. Bu strateji birçok durumda iyi çalışsa da, özellikle eşik sayısı yüksek olduğunda veya görüntüler ve kalite ölçütleri çeşitli olduğunda ortalama çözümlere takılma eğilimi gösterebilir.

Sürüye Keşfetmeyi ve Odaklanmayı Öğretmek

Yazarlar, coati sürüsünü birkaç düzeyde geliştiren ENCOA adlı geliştirilmiş bir versiyon tasarlıyorlar. Öncelikle aday çözümlerin başlatılmasını iyileştiriyorlar; dikkatle ayarlanmış kaotik bir desen ve arama uzayını daha dengeli olarak doldurmak için mercek benzeri bir aynalama hilesi kullanıyorlar. Ardından, deniz kaynaklı başka bir algoritmadan fikirler ödünç alarak uyarlanabilir bir arama mekanizması (ASSM) oluşturuyorlar. Bu mekanizma, sürünün davranışını başlangıçta geniş dolaşmadan daha sonraki aşamalarda daha temkinli inceliğe kademeli olarak kaydırarak yerel tuzaklara düşmesini engellemeye yardımcı oluyor. Son olarak, hiyerarşik bir “dikey-yatay” arama tanıtıyorlar: elit çözümler birer boyut halinde kesin düzeltme için ayarlanırken, sürünün geri kalanı çeşitliliği yüksek tutmak için çözümlerin parçalarını çapraz karıştırıyor.

Yöntemi Testlerde, Mühendislikte ve Gerçek Görüntülerde Kanıtlamak

Bu değişikliklerin gerçekten fark yaratıp yaratmadığını kontrol etmek için ekip önce ENCOA'yı zor matematiksel test fonksiyonlarının standart bir kümesine uyguluyor. Bu zorlukların çoğunda yeni yöntem, orijinal coati algoritmasına ve 11 diğer iyi bilinen sürü tabanlı yönteme kıyasla daha hızlı yakınsıyor ve daha doğru sonuçlara ulaşıyor. Ardından ENCOA'yı bir dişli kutusunun ağırlığını optimize etmek gibi dört klasik mühendislik tasarım problemine uyguluyorlar; burada da aynı kısıtlar altında rekabetçi tekniklerden daha hafif veya daha ucuz tasarımlar buluyor. Son olarak ana hedefe yöneliyorlar: doğal sahneler ve tıbbi tarz görüntüler dahil olmak üzere altı gri tonlu ve dört renkli kıyaslama görüntüsünü segmentlere ayırmak. Bölümler arasındaki açıklığı temel alan bir kriter ve bilgi korunumunu ölçen başka bir kriter olmak üzere iki farklı kalite ölçütü kullanarak, ENCOA özellikle çok sayıda eşik (32'ye kadar) gerektiğinde standart görüntü benzerliği ölçütlerinde tutarlı şekilde daha yüksek puanlar veren segmentasyonlar üretiyor.

Gerçek Dünyadaki Görüntüler İçin Daha Belirgin Sınırlar

Günlük ifadeyle, bu araştırma daha iyi tasarlanmış bir dijital sürünün, problemler zorlaştıkça yavaşlamadan daha temiz ve daha anlamlı parçalara bölebileceğini gösteriyor. Vahşi keşif ile hedefe yönelik inceliği dikkatle dengeleyerek ENCOA, ayrıntıları koruyan ve çeşitli görüntüler ve hedefler genelinde gürültüyü azaltan eşik ayarları buluyor. Yazarlar, bu kazanımların tıbbi görüntüleme gibi zorlu alanlara taşınabileceğini; burada daha keskin otomatik segmentasyonların klinisyenlerin ince yapıları daha net görmesine yardımcı olabileceğini ve daha güvenilir tanılara destek sağlayabileceğini öne sürüyorlar.

Atıf: Liu, J., Yang, S., Liu, W. et al. Multilevel threshold image segmentation based on a novel mechanism enhanced coati optimization algorithm. Sci Rep 16, 10338 (2026). https://doi.org/10.1038/s41598-026-40921-9

Anahtar kelimeler: görüntü segmentasyonu, optimizasyon algoritmaları, sürü zekası, tıbbi görüntüleme, dijital görüntü analizi