دانلود رایگان ترجمه مقاله روش موثر تقسیم بندی تصویر با ترکیب FELICM و الگوریتم انتخاب منفی (سال 2015)

روش موثر تقسیم بندی تصویر با ترکیب FELICM و الگوریتم انتخاب منفی

An Efficient Image Segmentation Technique by Integrating FELICM with Negative Selection Algorithm

چکیده
1- معرفی
2- روش شناسی پیشنهاد شده
A- اعمال Felicm
B- اعمال NSA
3- نتایج تجربی
4- ارزیابی عملکرد
5- نتیجه گیری

چکیده

تقسیم بندی یک روش کارآمد برای تقسیم تصویر به مناطق یا بخش های مختلف است. اکثر محققان بهترین روش تقسیم بندی تصویر را خوشه بندی معرفی کردند. در خوشه بندی ما سعی می کنیم شباهت را در همان کلاس افزایش دهیم و شباهت بین کلاس ها را کاهش دهیم. بسیاری از الگوریتم های خوشه بندی مانند FCM، FLICM و FELICM توسعه یافته اند که بهترین الگوریتم برای خوشه بندی داده ها هستند. در مقاله ما FELICM (لبه فازی و اطلاعات محلی C-Mean) با الگوریتم انتخاب منفی ترکیب شده است. الگوریتم انتخاب منفی یک روش تکاملی است که بر اساس سیستم ایمنی مصنوعی است. نتیجه روش پیشنهاد شده ما نتایجی با دقت بالا را نشان می دهد و حتی مسئله بیش از تقسیم بندی را حل می کند.

1. معرفی
تقسیم بندی تصویر روش انتقادی تبدیل تصویر و درک پردازش تصویر دیجیتال است. این تکنیک اساسا برای جداسازی تصویر در بخش های مختلف همگن استفاده می شود. انگیزه تقسیم تصویر این است که نمایش تصویر را به چیزی که مهم تر است افزایش دهد. استفاده اساسی از آن این است که مکان اشیاء، مرزها، خطوط و غیره را در تصاویر دیجیتال پیدا کند. خوشه بندی شیوه ای است که یک مجموعه داده در آن پیکسل ها توسط گروه ها تعویض می شوند، ممکن است پیکسل ها به دلیل همان رنگ، ترکیب و غیره قرار گیرد.
5. نتیجه گیری
روش خوشه بندی قبلی نمونه های جدا شده پیکسل ها را فراهم می کرد، بنابراین بیشتر به ناحیه های جدا شده منجر می شود. روش های خوشه بندی سنتی قادر به حذف مناطق جدا شده نیستند. FLICM مناطق مرزی تولید می کند. FELICM به نحوی این مشکلات را برطرف می کند، اما روش پیشنهادی در مقایسه با روش های خوشه بندی قبلی، بسیار کارآمد می باشد. علاوه بر این، تقسیم بندی بیش از حد را نیز حذف می کند که می تواند به وضوح در تصاویر داخلی Matlab دیده شود. در روش پیشنهادی ما هنگامی که FELICM با الگوریتم انتخاب منفی ادغام می شود، سه پارامتر PSNR، دقت و آنتروپی، نتایج بهتر و بهبودیافته را در مقایسه با FELICM موجود نشان می دهند.

Abstract

Segmentation is a efficient technique of dividing the image into different regions or segments. Most of the researchers took clustering as the best method of segmenting an image. In clustering we try to increase the similarity within a same class and decrease the similarity between the classes. Many clustering algorithms were developed like FCM, FLICM and FELICM which are considered as the best algorithms to cluster the data. In our paper, we combine FELICM (Fuzzy Edge and Local Information C-Mean) with the negative selection algorithm. Negative selection algorithm is an evolutionary method which is based on artificial immune systems. The proposed method result shows us high accuracy results and even solves the problem of over segmentation.

1. Introduction

Image Segmentation is a critical methodology of image transforming and comprehension in digital image processing. This technique is basically used for separating the image into different parts of homogeneity. The motive of image division is to enhance the representation of a picture into something that is more important. The basic use of it is to find the location of objects, boundaries, lines etc. in the digital images. Clustering is a way in which a data set or say pixels are interchanged by groups, pixels may place together because of the same color, composition etc.

5. Conclusion

The previous clustering method gives the isolated samples of pixels so mostly it results in isolated regions. Traditional clustering methods are unable to remove isolated regions. FLICM produces boundary zones. FELICM somehow eliminates these problems, but the proposed method gives very efficient result as compared to previous clustering methods. Moreover, it also eliminates the over segmentation which can be clearly seen in the Matlab inbuilt images result. In our proposed methodology when FELICM is integrated with the negative selection algorithm, the three of the parameters i.e. PSNR value, accuracy and entropy are showing the improved and better results when it is compared with the existing FELICM..