Computer Vision systems aim to obtain spatial, geometric and dynamic knowledge of real world 3D environment using 2D images. However, 2D images contain limited information about the 3D world, because some information is lost during the projection. This information loss makes the vision problems ill-posed which do not satisfy one or more of the following well-posed requirements: existence, uniqueness and stability of the solution. Using only the data knowledge is not adequate to solve the ill-posed problems. There should be prior assumptions or constraints to decrease the complexity of the solution space.The aim of this thesis is to decrease the complexity of the solution space of computer vision problems by including a probability based constraint which is named as statistical significance. The statistical significance is a probability value that measures the randomness of a statistic. Statistical significance is used as a common comparison base for the function results.Statistical significance measure is employed with the computer vision problems through the fusion of the vision module outputs and regularization theory. The proposed approach is applied to stereo correspondence and image segmentation. In both applications, the proposed approach reaches a better solution in the solution space of the problems.

Bilgisayarla görme sistemlerinin amacı, iki boyutlu görüntülerden, üç boyutlu dünya hakkında uzaysal, geometrik ve dinamik bilgiler elde etmektir. İki boyutlu görüntülerde üçüncü boyut hakkında eksik bilgiler bulunması, bir diğer ifade ile bir boyutun azalmasından kaynaklanan bilgi eksikliği, bilgisayarla görme problemlerinin kötü konumlanmış olmasına sebep olur. Kötü konumlanmış problemleri çözebilmek, çözüm kümesinin karmaşıklığını azaltarak, olası sonuçlar içerisinden daha iyi sonuca ulaşabilmek için, probleme çeşitli varsayımların ve kısıtlamaların dahil edilmesi gerekir. Bu varsayımlar, fiziksel tabanlı veya olasılık tabanlı yaklaşımlar olabilir.Bu çalışmanın amacı, bilgisayarla görme problemlerinin çözüm kümesi karmaşıklığını, istatistiksel anlam olarak adlandırabileceğimiz, olasılık tabanlı bir yaklaşım ile sınırlayarak, çözüm kümesi içerisinden daha iyi olan sonuca ulaşmaktır. İstatistiksel anlam ölçütü, gözlemlenen istatistiğin, kendi dağılımında değerlendirilerek elde edildiği bir olasılık değeridir. Çalışmada, ölçüm sonuçları için ortak bir taban oluşturmak ve böylece sonuçları birbirleri ile karşılaştırmak; ölçüm sonuçları içerisinden istatistiksel olarak daha anlamlı olanı seçerek daha iyi çözümelere ulaşmak; farklı dağılıma sahip ölçüm sonuçlarını ortak bir tabanda ifade ederek birbirlerine göre görece ağırlıklarını belirlemek için kullanılmaktadır.İstatistiksel anlam ölçütü görme problemlerine, görme modüllerinin füzyonu ve regularizasyon yaklaşımı üzerinden dahil edilmiştir. Önerilen yaklaşım stereo eşleme ve imge bölütleme problemlerine uygulanmıştır. Her iki uygulamada da önerilen yaklaşım sonrası çözüm kümesi içerisinden daha iyi çözüm sonuçlarına ulaşılmıştır.