SAYISAL GÖRÜNTÜ SAYISAL GÖRÜNTÜ İŞLEMEDE ÖZEL İŞLEMEDE ÖZEL

KONULARKONULAR

GÖRÜNTÜ BÖLÜMLEMEGÖRÜNTÜ BÖLÜMLEME

(IMAGE SEGMENTATION)(IMAGE SEGMENTATION)

HazırlayanHazırlayan

45500134550013

Petek TATLIPetek TATLI

İçerikİçerik

1. Görüntü Bölümleme1. Görüntü Bölümleme

1.1. Otomatik Görüntü Bölümlemedeki Sorunlar1.1. Otomatik Görüntü Bölümlemedeki Sorunlar

1.2. Görüntü Bölümlemenin Temel Adımları1.2. Görüntü Bölümlemenin Temel Adımları

1.2.1.Görüntü basitleştirme1.2.1.Görüntü basitleştirme

1.2.2.Özellik çıkarma (Feature Extraction)1.2.2.Özellik çıkarma (Feature Extraction)

1.2.3.Karar (Decision)1.2.3.Karar (Decision)

1.2.4.Kalite kestirimi (Quality Estimation)1.2.4.Kalite kestirimi (Quality Estimation)

2. Örnek Uygulamalar2. Örnek Uygulamalar

3. Görüntü Bölümlemede 3 Boyutlu 3. Görüntü Bölümlemede 3 Boyutlu GörüntülerGörüntüler

4. Tıp Alanında Görüntü Bölümleme4. Tıp Alanında Görüntü Bölümleme 4.1. 4.1. Bölümlemenin TıpBölümlemenin Tıp Alanında Alanında Uygulama Uygulamalarıları

İçerikİçerik

5. Görüntü Bölümlemede Çeşitli Yöntemler5. Görüntü Bölümlemede Çeşitli Yöntemler5.1. Watershed Segmentation5.2. Active Contour Model5.3. Raster Tabanlı Sınır Belirleme5.4. Vektör Tabanlı Sınır Belirleme5.5. Eşik Değer Atama Yöntemi ile Bölümleme5.6. Doku Tabanlı Bölümleme

6. Uygulamalar 6.1. 2-B Sonuçları

6.2. 3-B Sonuçları

7. Kaynaklar

1. Görüntü Bölümleme1. Görüntü BölümlemeTanım:Tanım:

Görüntüyü çeşitli öğelere ayırma işlemine Görüntüyü çeşitli öğelere ayırma işlemine bölümleme adı verilirbölümleme adı verilir.T.Tüm otomatik görüntü üm otomatik görüntü tanıma sistemlerinin çok önemli bir parçasıdırtanıma sistemlerinin çok önemli bir parçasıdır çünkü bugünkü yöntemlerle, tanımlama, tanıma çünkü bugünkü yöntemlerle, tanımlama, tanıma gibi daha fazla değerlendirmelerin yapılması için gibi daha fazla değerlendirmelerin yapılması için görüntüden önemli kümeler çıkartılabilmektedirgörüntüden önemli kümeler çıkartılabilmektedir..

1.1 Otomatik Görüntü 1.1 Otomatik Görüntü Bölümlemedeki SorunlarBölümlemedeki Sorunlar

Nesnelerin farklı yapı ve büyüklükte olması,Nesnelerin farklı yapı ve büyüklükte olması,

Görüntüde oldukça fazla sayıda konu dışı Görüntüde oldukça fazla sayıda konu dışı detayların olması,detayların olması,

Nesnelerin pürüzlü, düz olmayan yapılara Nesnelerin pürüzlü, düz olmayan yapılara sahip olması.sahip olması.

1.2. Görüntü bölümlemenin temel 1.2. Görüntü bölümlemenin temel adımlarıadımları

Görüntü basitleştirme (Image Görüntü basitleştirme (Image Simplification)Simplification)

Özellik çıkarma (Feature Extraction)Özellik çıkarma (Feature Extraction) Karar (Decision)Karar (Decision) Kalite kestirimi (Quality Estimation)Kalite kestirimi (Quality Estimation)

1.2.1. Görüntü basitleştirme1.2.1. Görüntü basitleştirme

Görüntüdeki bazı verileri yok ederek, Görüntüdeki bazı verileri yok ederek, görüntünün daha basit hale gelmesini görüntünün daha basit hale gelmesini sağlamaktır. Bu teknik morfolojik filtrelere sağlamaktır. Bu teknik morfolojik filtrelere dayanan yeniden yapılandırma amacıyla dayanan yeniden yapılandırma amacıyla kullanılan bir tekniktir. kullanılan bir tekniktir.

1.2.2. Özellik Çıkarma1.2.2. Özellik Çıkarma

Görüntünün homojen bölgelerinde Görüntünün homojen bölgelerinde bulunan nesneleri tanımlamak anlamına bulunan nesneleri tanımlamak anlamına gelmektedir.gelmektedir.

1.2.3. Karar1.2.3. Karar

Özellik çıkarma aşamasında belirlenen bölge Özellik çıkarma aşamasında belirlenen bölge dış hatlarının doğru yerleştirilmesini sağlama dış hatlarının doğru yerleştirilmesini sağlama işlemini gerçekleştirmektedir. Karar aşaması işlemini gerçekleştirmektedir. Karar aşaması “morphologic watershed” algoritmaları ile “morphologic watershed” algoritmaları ile yerine getirilir.yerine getirilir.

1.2.4. Kalite Kestirimi1.2.4. Kalite Kestirimi

Son aşama olan kalite kestirimi, geçerli bölümleme Son aşama olan kalite kestirimi, geçerli bölümleme tarafından uygun şekilde gösterilmeyen bölgelere ait tarafından uygun şekilde gösterilmeyen bölgelere ait artık (residue code) bilgi olarak bilinen bilgileri artık (residue code) bilgi olarak bilinen bilgileri içeren görüntünün saptanmasını sağlamaktadır. içeren görüntünün saptanmasını sağlamaktadır.

Artık bilgi:Artık bilgi: Bölümlemeler arası ilerlenmesini Bölümlemeler arası ilerlenmesini sağlamak amacıyla, bir sonraki safhaya geçiş için sağlamak amacıyla, bir sonraki safhaya geçiş için kullanılmaktadır.kullanılmaktadır.

2. Örnek uygulamalar2. Örnek uygulamalar Orjinal görüntü bölümlenmiş Orjinal görüntü bölümlenmiş sınırları sınırları

çıkarılmış çıkarılmış görüntü görüntü görüntü görüntü

oo

Orjinal görüntü bölümlenmiş sınırları Orjinal görüntü bölümlenmiş sınırları çıkarılmış çıkarılmış görüntü görüntü görüntü görüntü

3. Görüntü Bölümlemede 3 Boyutlu 3. Görüntü Bölümlemede 3 Boyutlu GörüntülerGörüntüler

3 boyutlu görüntü işlemenin en temel 3 boyutlu görüntü işlemenin en temel işlevlerinden biri, piksellerin grup veya nesne işlevlerinden biri, piksellerin grup veya nesne olarak sınıflandırıldığı görüntü bölümlemesidir.olarak sınıflandırıldığı görüntü bölümlemesidir.

3 boyutlu görüntü bölümleme; 3 boyutlu görüntü bölümleme; ççoklu nesneler oklu nesneler

için 3B için 3B modellememodelleme oluşturmayı ve görüntü oluşturmayı ve görüntü üzerinde belirlenmiş nesnelerin boyut, yoğunluk üzerinde belirlenmiş nesnelerin boyut, yoğunluk ve diğer parametreleri ile ilgili nicel analizler ve diğer parametreleri ile ilgili nicel analizler gerçekleştirmeyi mümkün kılar.gerçekleştirmeyi mümkün kılar.

3. Görüntü Bölümlemede 3 Boyutlu 3. Görüntü Bölümlemede 3 Boyutlu GörüntülerGörüntüler

3 boyutlu analiz ve gösterimlerin 3 boyutlu analiz ve gösterimlerin yapılabilmesi için, özellikle 3 boyutlu yapılabilmesi için, özellikle 3 boyutlu modelleme aşamasında,nesne sınırlarının modelleme aşamasında,nesne sınırlarının belirlenmesi gerekmektedir. belirlenmesi gerekmektedir.

4. Tıp Alanında Görüntü Bölümleme4. Tıp Alanında Görüntü Bölümleme

Tıbbi görüntülerde görüntü bölümleme parça Tıbbi görüntülerde görüntü bölümleme parça parça 2B olarak veya direkt 3B voksel veri parça 2B olarak veya direkt 3B voksel veri grupları üzerinden yapılmaktadır. grupları üzerinden yapılmaktadır.

16 bitlik piksel 16 bitlik piksel 0 ile 65535 arasında ve 0 ile 65535 arasında ve 8 bitlik8 bitlik pikselpiksel 0 ile 255 arasında değişen gri değer 0 ile 255 arasında değişen gri değer aralığına sahiptir. aralığına sahiptir.

Birçok tıbbi görünteleme sistemi 16 bitlik gri Birçok tıbbi görünteleme sistemi 16 bitlik gri değer aralığını kullanarak görüntü üretdeğer aralığını kullanarak görüntü üretmektedir.mektedir.

4. Tıp Alanında Görüntü Bölümleme4. Tıp Alanında Görüntü Bölümleme

Tıbbi görüntülerde birçok yararlı çalışmalar Tıbbi görüntülerde birçok yararlı çalışmalar yapılabilmektedir ; ilgili nesnenin görsel ve yapılabilmektedir ; ilgili nesnenin görsel ve hacimsel tahminhacimsel tahminii, olağan dışı yapıların , olağan dışı yapıların belirlenmesi (tümör vb.), doku nicel analiz ve belirlenmesi (tümör vb.), doku nicel analiz ve sınıflandırması vb. sınıflandırması vb.

4.1 4.1 Bölümlemenin TıpBölümlemenin Tıp Alanında Alanında UygulamaUygulamalarıları

Görüntü yönetiminde Ameliyatlar Görüntü yönetiminde Ameliyatlar (Image Guided Surgery)(Image Guided Surgery)

Cerrahi Simulasyon??? (Surgical Cerrahi Simulasyon??? (Surgical Simulation)Simulation)

Sinirbilim Çalışmaları (Neuroscience Sinirbilim Çalışmaları (Neuroscience Studies)Studies)

Tedavi ÇTedavi Çaalışmaları ( Theraphy lışmaları ( Theraphy Evaluation)Evaluation)

5. Görüntü Bölümlemede Çeşitli 5. Görüntü Bölümlemede Çeşitli YöntemlerYöntemler

Watershed SegmentationWatershed Segmentation Active Contour ModelActive Contour Model Raster Tabanlı Sınır BelirlemeRaster Tabanlı Sınır Belirleme Vektör Tabanlı Sınır BelirlemeVektör Tabanlı Sınır Belirleme Eşik Değer Atama Yöntemi ile BölümlemeEşik Değer Atama Yöntemi ile Bölümleme Doku Tabanlı BölümlemeDoku Tabanlı Bölümleme

5.1. Watershed segmentation5.1. Watershed segmentation

  Bu yöntem, görüntü üzerindeki nesnenin Bu yöntem, görüntü üzerindeki nesnenin topolojik yapısından yararlanarak, gri değerler topolojik yapısından yararlanarak, gri değerler üzerinden işlem yapar ve nesnenin sınırlarının üzerinden işlem yapar ve nesnenin sınırlarının belirlenmesini sağlar.belirlenmesini sağlar.

Watershed oluşumunda ‘Dalma’ Watershed oluşumunda ‘Dalma’ (Immersion) benzetmesi(Immersion) benzetmesi

Nesnenin ilk görüntüsüNesnenin ilk görüntüsü iç ve dış bölge işaretlenmiş iç ve dış bölge işaretlenmiş hali hali

nesnenin topolojisi ‘immersion’(dalma) nesnenin topolojisi ‘immersion’(dalma) Örnek1Örnek1 uygulaması uygulaması

Nesnenin watershed algoritması ile sınırları çıkartılmış Nesnenin watershed algoritması ile sınırları çıkartılmış son hali..son hali..

Örnek 2Örnek 2

Yukardan aşağıya ve sağdan sola;

Orjinal görüntü‘Gradient’ görüntü‘watershed’

algoritması uygulanmış ‘gradient’ görüntü

Sınırların belirlendiği son görüntü

İlk görüntüİlk görüntü iç ve dış iç ve dış bölgelerin işaretlenmiş bölgelerin işaretlenmiş hali hali

görüntünün son haligörüntünün son hali

Örnek 3Örnek 3

5.2. Active Contour Model5.2. Active Contour Model

Enerjilerini küçülterek işlem uygulamalarından Enerjilerini küçülterek işlem uygulamalarından dolayı ‘Snake’ olarak da bilinen bu model, kenar dolayı ‘Snake’ olarak da bilinen bu model, kenar yakalama işleminden daha farklıdır. Yöntem yakalama işleminden daha farklıdır. Yöntem sürekli sürekli ve/veya kavisli bir hat oluşturur. İç( ve/veya kavisli bir hat oluşturur. İç( modelin fiziksel modelin fiziksel özelliklerinden oluşur,’smoothness’ vbözelliklerinden oluşur,’smoothness’ vb) ve dış güçler ) ve dış güçler ((görüntünün verilerinden oluşurgörüntünün verilerinden oluşur) nesnenin üzerine ) nesnenin üzerine uygulanarak, görüntüdeki nesne sınırı ile dengeli uygulanarak, görüntüdeki nesne sınırı ile dengeli pozisyona gelir.pozisyona gelir.

Watershed yöntemi ile beraber uygulanması tercih Watershed yöntemi ile beraber uygulanması tercih edilir.edilir.

(a)(a) (b)(b) (c)(c) original imageoriginal image morphological gradient imagemorphological gradient image over over

segmented imagesegmented image

(d)(d) (e) (e) (f)(f) Watershed boundry for avoiding Watershed boundry for avoiding watershed contour watershed contour spleen spleen problem (c) converted to an active contourproblem (c) converted to an active contour segmentation segmentation showing the internal showing the internal and externel catchment basins and externel catchment basins

(d) “Active contour” ile (d) “Active contour” ile yumuşatılmışyumuşatılmış

görüntüye entegre edilmiş (c) görüntüye entegre edilmiş (c) görüntüsügörüntüsü

(a)(a) (b) (b) (c) (c)CT data grubu CT data grubu yarı şeffaf modellenmiş yarı şeffaf modellenmiş 3B watershed bölümleme ile 3B watershed bölümleme ile data grubudata grubu bölümlenmiş uyluk kemiğibölümlenmiş uyluk kemiği

5.3. 5.3. RasterRaster Tabanlı Nesne Sınır Tabanlı Nesne Sınır BelirlenmesiBelirlenmesi

Genellikle 3 boyutlu görüntüleme sistemlerinde her pikselinGenellikle 3 boyutlu görüntüleme sistemlerinde her pikselin hangihangi objeye ait olduğunu gösteren değer ve konumsalobjeye ait olduğunu gösteren değer ve konumsal bilgileri içeren, raster tabanlbilgileri içeren, raster tabanlıı veri yapıs veri yapısı ı kullanılır. Bu yapının kullanılır. Bu yapının avantajı basit ve hemen hemen orjinal görüntü ile özdeş avantajı basit ve hemen hemen orjinal görüntü ile özdeş olmasıdır. olmasıdır.

Ancak bu yapıdaki verilerinAncak bu yapıdaki verilerin

saklanmasısaklanması

üzerinde işlemlerin gerçekleştirilebilmesiüzerinde işlemlerin gerçekleştirilebilmesi

düzeltmelerin yapılabilmesidüzeltmelerin yapılabilmesi

çok güçtür.çok güçtür.

YYüzey tanımlama algoritmaları her ne kadar sağlam olsa da, üzey tanımlama algoritmaları her ne kadar sağlam olsa da, yüzey modeli oluşturma aşamasında milyonlarca üçgen ve yüzey modeli oluşturma aşamasında milyonlarca üçgen ve poligon oluşacağından, hızlı sonuç vermesi beklenen poligon oluşacağından, hızlı sonuç vermesi beklenen uygulamalar için uygun değildiruygulamalar için uygun değildir..

5.4. Vektör Tabanlı Nesne Sınır 5.4. Vektör Tabanlı Nesne Sınır Belirlenmesi (Vector Based Object Belirlenmesi (Vector Based Object Boundaries)Boundaries)

VVektör tabanlı veri tabanı nesne ve bölge ektör tabanlı veri tabanı nesne ve bölge gösterimi için çok daha etkili bir yoldur. gösterimi için çok daha etkili bir yoldur. Vektör tabanlı veri yapısında birbirine bağlı Vektör tabanlı veri yapısında birbirine bağlı çizgilerden poligon veya bölgeler oluşturulur çizgilerden poligon veya bölgeler oluşturulur ki, çizgilerin sadece 2 noktadan meydana ki, çizgilerin sadece 2 noktadan meydana geldiği düşünülürse, raster tabanlı veri geldiği düşünülürse, raster tabanlı veri yapısına göre bilgisayar hafızasında ne kadar yapısına göre bilgisayar hafızasında ne kadar az yer kaplayabileceği anlaşılabilir. az yer kaplayabileceği anlaşılabilir.

Raster tabanlı veri yapısı ve vektör tabanlı Raster tabanlı veri yapısı ve vektör tabanlı veri yapısı şekilde karşılaştırılmıştır.veri yapısı şekilde karşılaştırılmıştır.

5.5. 5.5. Eşik Değer Atama Eşik Değer Atama Yöntemi Yöntemi ile ile

Görüntü BölümlemeGörüntü Bölümleme

Eşik değerEşik değer atama atama yöntemi yöntemi ile ile ggörüntü örüntü bölümlemesi yapılmadan bölümlemesi yapılmadan öönce ilgili bölgenin nce ilgili bölgenin belirlenmesi, görüntü işlemeyi sınırlandırmış belirlenmesi, görüntü işlemeyi sınırlandırmış olur ve böylece konu dışı alanlarda işlem olur ve böylece konu dışı alanlarda işlem yapılması engelleniryapılması engellenir . .

DiğerDiğer nesnelerden ve arka görüntüden nesnelerden ve arka görüntüden ayayıırdedilebilir olan nesneleri içeren görüntüler rdedilebilir olan nesneleri içeren görüntüler için çok güçlü bir yöntemdir. için çok güçlü bir yöntemdir.

EEşşik Değerik Değer Atama Yöntemi Görüntü Atama Yöntemi Görüntü Bölümlemede ikiye ayrılmaktadır;Bölümlemede ikiye ayrılmaktadır;

Global Eşik DeğerGlobal Eşik Değer Atama Atama ile Tam Otomatik ile Tam Otomatik Görüntü BölümlemesiGörüntü Bölümlemesi ( (Fully automatic Fully automatic image segmentation by global thresholding image segmentation by global thresholding ))

İnteraktif Eşik Değer Atama (Interactive İnteraktif Eşik Değer Atama (Interactive Thresholding)Thresholding)

Global Eşik DeğerGlobal Eşik Değer Atama Atama ile Tam ile Tam Otomatik Görüntü BölümlemesiOtomatik Görüntü Bölümlemesi

Öncelikle 3 boyutlu görüntünün histogramı Öncelikle 3 boyutlu görüntünün histogramı hesaplanmhesaplanmakta,akta, sonrasında görüntüyü nesne ve arka sonrasında görüntüyü nesne ve arka görüntü olmak üzere 2’ye bölecek en uygun egörüntü olmak üzere 2’ye bölecek en uygun eşşik ik dedeğğer er otomatik olarak otomatik olarak belirlenmbelirlenmektedir.ektedir.

İnteraktif Eşik Değer Atamaİnteraktif Eşik Değer Atama

Bu yöntem eBu yöntem eşşik deik değğer belirlemesi için 2 deer belirlemesi için 2 değğer er kullanmaktadır. Ekullanmaktadır. Eşşik deik değğerler,erler,

aralık dahilindeki pikseller bir renk aralık dahilindeki pikseller bir renk didiğğer tüm pikseller ise baer tüm pikseller ise başşka bir ka bir

renkrenk ile gösterilecek ile gösterilecek şşekilde oluekilde oluşşturulur. Eturulur. Eşşik deik değğerler erler

ekranda eekranda eşş zamanl zamanlıı olarak görüntülenebildi olarak görüntülenebildiğğinden, inden, dedeğğerler görüntü üzerinde lokal olarak erler görüntü üzerinde lokal olarak belirlenebilmekte ve bölüm bölüm de belirlenebilmekte ve bölüm bölüm de dedeğğiişştirilebilmektedir.tirilebilmektedir.

İnteraktif Eşik Değer Atamaİnteraktif Eşik Değer Atama

Şekil, bu yöntemin uygulaması sonucunda oluşmuştur.Şekil, bu yöntemin uygulaması sonucunda oluşmuştur.

5.6. 5.6. Doku Tabanlı Bölümleme Doku Tabanlı Bölümleme ((TextureTexture--Based Segmentation )Based Segmentation )

TTııbbi görüntülerde, nesnelerin belirli bir doku bbi görüntülerde, nesnelerin belirli bir doku tipi oldutipi olduğğundan; kan damarları, beyin dokusu, undan; kan damarları, beyin dokusu, kemikler gibi, görüntü bölümlemesi için çok kemikler gibi, görüntü bölümlemesi için çok zengin bir doku bilgisi mevcuttur. Çok ciddi zengin bir doku bilgisi mevcuttur. Çok ciddi düzeyde yapdüzeyde yapıı bilgisine sahip bazı nesneler için bilgisine sahip bazı nesneler için yapyapıı tabanl tabanlıı bölümleme bölümleme,, e eşşik deik değğer atama ile er atama ile elde edilen bölümlemeye oranla çok daha doelde edilen bölümlemeye oranla çok daha doğğru ru sonuç vermektedir. sonuç vermektedir.

5.6. 5.6. Doku Tabanlı Bölümleme Doku Tabanlı Bölümleme ((TextureTexture--Based Segmentation )Based Segmentation )DokuDoku tabanlı bölümleme tabanlı bölümleme,, kullanıcı tarafından kullanıcı tarafından belirlenen yapı özelliklerinin hesaplandığı belirlenen yapı özelliklerinin hesaplandığı denetimli alanı ile başlar ve sonrasında denetimli alanı ile başlar ve sonrasında hesaplanan özelliklere göre görüntünün hesaplanan özelliklere göre görüntünün sınıflandırılması ile devam eder. Nesne sınırları sınıflandırılması ile devam eder. Nesne sınırları ve sınırların birbiri ile topolojik ilişkileri ve sınırların birbiri ile topolojik ilişkileri oluşturulur. oluşturulur.

Doku Tabanlı BölümlemeDoku Tabanlı Bölümleme

Bu uygulamada ultrasondan elde edilen görüntülerdeki yabancı Bu uygulamada ultrasondan elde edilen görüntülerdeki yabancı yapıların dış hatlarının modellenmesi ve yapı sınırlarının yapıların dış hatlarının modellenmesi ve yapı sınırlarının

belirlenmesi işlemi “görüntü bölümleme” yöntemi ile belirlenmesi işlemi “görüntü bölümleme” yöntemi ile gerçekleştirilmiştirgerçekleştirilmiştir..

ııııııııss

6.1. 2B Sonuçları..6.1. 2B Sonuçları..

ŞekilŞekil 1 1 (a) MR (a) MR beyin beyin (b) (b) deri lezyon deri lezyon görüntüsügörüntüsü görüntüsü görüntüsü

Şekil2

(a,c) Otomatik

(b,d) manuel

bölümleme

Şekil 3 (a-c) Yaklaşık eğim hata=2,3,4 sigma=0.02 (d-f) Yaklaşık eğim hata=2,3,4 sigma=0.03

Şekil4 (a-c) Gözden geçirilip düzeltilmiş bölümleme sonucu..

Şekil 5

İteratif eşik değer atama yöntemi ile oluşturulmuş bölümlenmiş görüntüler..

Şekil 6

Aynı görüntünün interaktif düzeltmeden (interactive revision) sonraki en son bölümlemesi

6.2. 3B Sonuçları..6.2. 3B Sonuçları..

Şekil 7 (a) 3-B beyin görüntüsü (b) iteratif eşik değer sonucu..

Şekil 8 (a-c) Yaklaşık yüzey hata =2,3,4 sigma=0.02 (d-f) Yaklaşık yüzey hata =2,3,4 sigma=0.03

Şekil 9 (a) İlk bölümleme sonucu (b) İnteraktif düzeltme

(c) Elde edilen son görüntü

Şekil 10 (a) İlk düzeltme sonucu (b) İnteraktif düzeltme (c) Elde edilen son görüntü

7. Kaynaklar7. Kaynaklar

http://www.ablesw.com/3d-doctor/http://www.ablesw.com/3d-doctor/3dseg.html3dseg.html

http://www.spd.eee.strath.ac.uk/users/http://www.spd.eee.strath.ac.uk/users/harve/bbc_epsrc_segmentation.htmlharve/bbc_epsrc_segmentation.html

http://rkb.home.cern.ch/rkb/AN16pp/http://rkb.home.cern.ch/rkb/AN16pp/node131.htmlnode131.html

http://www.cs.wright.edu/people/faculty/http://www.cs.wright.edu/people/faculty/agoshtas/segtools.htmlagoshtas/segtools.html

http://homepages.inf.ed.ac.uk/rbf/CVonline/http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/KIM1/Seminars/Watershed/LOCAL_COPIES/KIM1/Seminars/Watershed/

Dinlediğiniz için Teşekkürler..Dinlediğiniz için Teşekkürler..