Image classification or segmentation is the separation of image into its subsets or components. It is one of the most essential steps in image analysis and pattern recognition.The main purpose of image segmentation is to group pixels of the image in different possitions to obtain meaningful and useful information. Although there are many studies in this field, a standard algorithm or solution does not exist. Methods that have been developed for classifying images are mainly based on clustering and thresholding. However, both of these methods may be insufficient depending on the image that is being processed. Clustering methods which are mainly used in the real-time image processing applications are inadequate due to the computational cost that increases with the size of the image and also because of the iterative structures. Thresholding methods are another preferred approachs in image segmentation. Otsu and Kapur methods are the two solutions frequently used. On the other hand, the thresholding methods are applicable in gray-scale images but are inadequate in processing colored images. With these type of approaches as the number of thresholds increases, the cost of calculation also increases. Several studies have been carried out to find an alternative solution with a lower compuation cost. In this study, a new method based on multilevel thresholds of color images has been proposed. Initially, the histogram of each channel in color images has been been calculated, then the threshold values are determined by using artificial bee colony algorithm. Accordingly, the color space is partitioned by the threshold values obtained. The pixels remaining in each sub cubes have been assigned to the same class. Consequently, classification image has been realized as a result.

Görüntü sınıflandırma veya ayrıştırma bir görüntünün kendisini oluşturan alt küme veya nesne bileşenlerine ayrılması olup, görüntü analizi ve örüntü tanıma işlemlerindeki en önemli adımlardan birisini teşkil eder. Ayrıştırma işleminin temel amacı görüntü üzerinde farklı konumlardaki pikselleri gruplandırarak anlamlı ve yararlı bilgi elde etmektir. Günümüzde görüntü ayrıştırma alanında birçok çalışma bulunmakla birlikte, bu alanda yer etmiş standart bir algoritma veya çözüm bulunmamaktadır. Görüntü sınıflandırmaya yönelik çalışmalarda hedefe ulaşmak adına günümüze kadar geliştirilen yöntemler kümeleme ve eşikleme esaslı olmuştur. Kümeleme yöntemleri güçlü yaklaşımlar olmasına rağmen hesapsal maliyeti görüntü boyutuna bağlıdır. Dolayısıyla gerçek zamanlı görüntü işleme uygulamalarında yetersiz kalmaktadır. Ayrıca iteratif yapıları ciddi bir dezavantaj oluşturmaktadır. Eşikleme metotları ise görüntü ayrıştırma konusunda tercih edilen yaklaşımlardan bir diğeridir. Otsu ve Kapur yöntemleri bu alanda sıklıkla faydalanılan iki çözümdür. Söz konusu yöntemler gri ölçekli görüntülerde sonuç verirken, renkli görüntülerde yetersiz kalmaktadır. İlave olarak eşik sayısı arttıkça hesaplama maliyeti de artmakta dolayısıyla ciddi bir hesap maliyeti ortaya çıkmaktadır. Bu çalışmada renkli görüntülerin çok seviyeli eşiklemesine dayalı yeni bir yöntem önerilmiştir. İlk olarak renkli görüntülerin her bir kanalının histogramının hesaplanmasının ardından yapay arı koloni algoritması ile eşik değerleri bulunmuştur. Akabinde elde edilen eşik değerleri ile renk uzayı bölümlenmiştir. Bu sayede elde edilen küpler içerisinde kalan pikseller aynı sınıfa atanmış ve sınıflandırma yapılmıştır.