OPTİMİZASYON YÖNTEMLERİNİN, GÖRÜNTÜ İŞLEME VE MAKİNE ÖĞRENMESİ UYGULAMALARINA ENREGRASYONU

Abstract

Optimizasyon algoritmaları, günümüzde en önemli ve en çok çalışılan araştırma konularından birisidir. Mühendislik, bilim, enerji, bilgisayar vs. gibi neredeyse tüm alanlarda yer alır ve temel süreçlerin içinde pek çok amaç ile bulanabilir. Uygulamalarda kullanılan yöntemlerin daha etkin ve adaptif hale getirilmesine katkı sağlar. Ancak gerçek dünyadaki bilimsel ve mühendislik problemlerinin karmaşıklığından dolayı mevcut basit optimizasyon algoritmaları yetersiz kalabilmektedir. Bu nedenle, daha dayanıklı ve pek çok disiplindeki küresel optimizasyon problemlerinin çözümünde başarılı olabilecek yöntemlerin geliştirilmelerine ihtiyaç duyulmaktadır. Bu tez çalışmasında metasezgisel algoritmaların görüntü bölütleme ve makine öğrenmesi yöntemlerine entegre edilerek bu yöntemlerin ve uygulamadaki başarımlarının geliştirilmesi amaçlanmıştır. Bu kapsamda, geliştirilen yöntemler ile yapılan çalışmalar şu şekildedir: -Altın Sinüs Algoritması II'ye Dayalı Çok Seviyeli Görüntü Eşikleme -Küresel Optimizasyon Problemleri ve Göğüs Kanseri Görüntülerinin Bölütlenmesi için Geliştirilen ----Kaotik Karşıt Öğrenme Tabanlı Altın Sinüs Algoritması -Kaotik Olarak Zenginleştirilmiş Rao Algoritması ile Adaptif Çok Seviyeli Görüntü Eşikleme -Parçacık Sürü Optimizasyonuna Dayalı Çok Seviyeli Eşikleme -Ziyaret Tablosu ve Çoklu Arama Stratejilerine Dayalı PSO Yöntemi ile Çok seviyeli Eşikleme Yöntemi -Ziyaret Tablosu ve Çoklu Arama Stratejilerine Dayalı Ayrık PSO Yöntemi ile EEG Sinyallerinden Duygu Sınıflandırması. Geliştirilen bu yöntemlerde çeşitli disiplinlerdeki küresel problemlerin çözümüne odaklanılmıştır. Bu kapsamda; test fonksiyonları, klasik mühendislik problemleri, yapay görüntüler, deri ve göğüs kanseri görüntüleri, çeşitli amaçlarla çekilmiş farklı özellikteki görüntüler ile EEG sinyalleri üzerinde deneysel çalışmalar gerçekleştirilmiş olup önerilen yöntemlerin üstünlükleri literatürde önerilen yöntemler ve sonuçları karşılaştırılarak çeşitli ölçüm indeksleri açısından gösterilmiştir.

Optimization is one of the most important and most studied research topics today. It takes place in almost all fields such as engineering, science, energy, computers, etc. and can be found in basic processes for many purposes. It contributes to making the methods used in applications more effective and adaptive. However, due to the complexity of real-world scientific and engineering problems, existing simple optimization algorithms may be insufficient. Therefore, there is a need to develop methods that are more robust and can be successful in solving global optimization problems in many disciplines. In this thesis study, it is aimed to integrate metaheuristic algorithms into image segmentation and machine learning methods and improve the performance of these methods and their applications. In this context, the studies carried out with the developed methods are as follows: Multi-Level Image Thresholding Based on Golden Sine Algorithm II Global Optimization Problems and Chaotic Adversarial Learning Based Golden Sine Algorithm Developed for Breast Cancer Image Segmentation Adaptive Multi-Level Image Thresholding with Chaotically Augmented Rao Algorithm Multi-Level Thresholding Based on Particle Swarm Optimization Multi-level Thresholding Method with PSO Method Based on Visit Table and Multiple Search Strategies Emotion Classification from EEG Signals with Discrete PSO Method Based on Visit Table and Multiple Search Strategies. These developed methods focus on solving global problems in various disciplines. In this context; Experimental studies have been carried out on test functions, classical engineering problems, artificial images, skin and breast cancer images, images with different characteristics taken for various purposes and EEG signals, and the advantages of the proposed methods have been shown in terms of various measurement indices by comparing the methods and their results proposed in the literature.