Multi Resolution Analysis (MRA) enables concentration on the fundamental structure of an image. Its final progress in the last decade is the Curvelet Transformation. Curvelet Transformation gives more detailed information about an image by analyzing it not only in terms of scale and translation but also rotational angle.Traditional Snake algorithm, one of the available image segmentation techniques, is used in edge detection, stereo image processing procedures. It is an algorithm that can be used in applications such as lip-reading, speed control at traffic, edge detection of an object with in an image and etc. It is capable of tracing of a point that is captured. But it is necessary to start the algorithm with the initial points that are all located at the outside of the object of interest for the algorithm to perform correctly. Furthermore, its algorithm is insufficient at the concave geometries.In this study, Curvelet coefficients of images are first calculated by using Curvelet Transformation. Then, ones at the highest scale corresponding to the edges in the images are located. Finally, they are used to define the initial starting points in an automatic manner to run various Snake algorithms and increase the performance of the Traditional Snake algorithm. This new method has been tested on four different test images. Also, its performance has been compared with the Traditional Snake algorithm and Gradient Vector Flow (GVF) algorithm, a very effective procedure in edge detection.

Çoklu çözünürlük analizi, görüntü temel doku yapısı üzerinde yoğunlaşma sağlamaktadır. Çoklu çözünürlük analizinin son on yılda ulaştığı nokta ise Curvelet dönüşümüdür. Curvelet dönüşümü diğer çoklu çözünürlük dönüşümlerinden farklı olarak görüntüyü ölçek, konum ve açı parametreleri ile inceleyerek görüntü hakkında daha fazla bilgi edinilmesini sağlamaktadır.Görüntü bölütleme tekniklerinden geleneksel Snake algoritması; kenar bulma, stereo görüntü işleme işlemlerinde kullanılmaktadır. Dudak okuma, trafikte hız kontrolü, bir görüntünün içindeki nesnenin sınırlarının bulunması gibi uygulamalarda kullanabilen bir algoritmadır. Yakaladığı noktanın izini sürebilme özelliği vardır. Ancak bu algoritmanın doğru çalışabilmesi için algoritmaya referans olarak verilen başlangıç noktalarının görüntüdeki ilgilenilen nesnenin sınırları dışından başlatılması gerekmektedir. Ayrıca algoritma içbükey noktalarda yetersiz çalışmaktadır.Bu çalışmada, önce Curvelet dönüşümü kullanılarak görüntülerin Curvelet katsayıları hesaplandı. Sonra en yüksek ölçekte bu katsayılardan görüntünün kenarlarına ait olan katsayılar belirlendi. Son olarak bu katsayılar farklı snake algoritmalarını işletmede başlangıç noktalarını otomatik olarak belirlemek ve geleneksel Snake algoritmasının performansını geliştirmek için kullanıldı. Uygulanılan yöntem dört ayrı imge üzerinde test edildi. Ayrıca geliştirilen yöntemin performansı geleneksel Snake algoritması ve kenar izleme konusunda oldukça başarılı Gradyan Vektör Akış algoritmasıyla karşılaştırıldı.