مبتدی (مناسب برای درک مفهوم کلی مطلب) 

در این مقاله، رویکرد اوتسو برای تقسیم بندی تصویر رنگی با کمک هیستوگرامRGBبا کمک فضایRGBدر نظر گرفته شده است ، هر پیکسل رنگ تصویر مخلوطی از قرمز، سبز، و آبی (RGB) است و برای آن تصویر مشابه،اندازه فضای داده[۰,L-1]3 می باشد (R=[0,L-1], G=[0,L-1], B=[0,L-1]). با وجود این، می توان روش اکتشافی تقسیم بندی رابه صورت زیر فرموله کرد.

حل این مسئله بهینه سازی برای یک تصویرRGB ممکن است تلاش محاسباتی بسیار بزرگتری برای هر دو آستانه ی دو سطحی و چند سطحی نیاز داشته باشد. بسیاری از روش ها در ادبیات برای حل مسئله ی آستانه تصویر ارائه شده است. در مقایسه با روش های تحلیلی سنتی، تکنیک های تقسیم بندی بر اساس اکتشاف به عنوان جایگزین با توجه به بازده محاسباتی آن استفاده می شود. بخش بعدی به طور خلاصه برخی از این ها راشرح می دهد.

۳٫ مروری مختصر بر الگوریتم ها در مطالعه
در این مقاله، الگوریتم کرم شب تاب (FA) و فرم های بهبود یافته ی اخیر آن مورد توجه قرار گرفته است. FAکلاسیک ابتدا توسط Yang ارائه شده است. این یک الگوریتم متا اکتشافی الهام گرفته ازطبیعت می باشد، که در آن الگوهای روشنایی چشمک زن توسط بی مهرگان مانند کرم شب تاب تولید می شود.
FA سنتی با در نظر گرفتن شرایط زیر توسعه یافته است:
(i) کرم شب تاب هاتک جنس می باشند و یک کرم شب تاب به نزدیکترین کرم شب تاب بدون در نظر گرفتن جنس آن جذب خواهد شد.
(ii) جذابیت بین دو کرم شب تاب متناسب با درخشندگی است.
(iii) روشنایی کرم شب تاب به نحوی با فرم تحلیلی تناسب و یاتابع هزینه که برای هدایت فرایند جستجو اختصاص یافته است مربوط می باشد. به عنوان مثال، در یک مسئله ماکزیمم سازی، درخشندگی یک کرم شب تاب به طور مستقیم بامقدار تابع هزینه نسبی متناسب در نظر گرفته شده است (یعنی، درخشندگی تابع تناسب می باشد).

۴٫ پیاده سازی
مسئله سطح آستانه خاکستری به پیدا کردن مطلوب ترین آستانه در محدوده [۰، L-1] می پردازد که یک معیار تناسب را به حداکثر می رساند. به طور مشابه، با توجه به روش مبتنی بر هیستوگرامRGB، الگوریتم اکتشافی می آستانه بهینه در فضای داده ها از با به حداکثر رساندن تابع واریانس بین طبقه اوتسو در می یابد. بعد مسئله تقسیم بندی به طور عمده به آستانه (m) سطحی مورد نیاز بستگی دارد. در اینکار، برای مسئله تقسیم بندی تصویر رنگی، الگوریتم های اکتشافی مجاز به کشف فضای داده به منظور به دست آوردن سطح مطلوب آستانه می باشند. از این رو، تقسیم بندی تصویر رنگی بر اساس هیستوگرام RGB یک کار چالش برانگیز می باشد زمانی که با سطح جایگزین خاکستری آن مقایسه شود.کیفیت تصویر تقسیم بندی شده با استفاده از معیارهای تصویر به خوبی شناخته شده، مانند نسبت قله سیگنال به نویز (PSNR) و ماتریس شاخص شباهت ساختاری (SSIM) ارزیابی می شود. علاوه بر این، هر دو مقدار تابع تناسب Jmax و زمانCPUدر نظر گرفته شده است.

۵٫ نتایج تجربی و بحث
آزمایش تصویر تقسیم بندی شده بر اساس هیستوگرامRGB در نرم افزار Matlab R2010a در Intel Dual CoreCPU 1.6 گیگاهرتز،RAM 1.5GBدارای سیستم عامل ویندوزXP اجرا شده است. روش تقسیم بندی روش ویرایش شده ی ارائه شده در صفحه ی وب Matlab می باشد. روش ارائه شده بر روی تصاویراستاندارد RGB(481 X 321sized)مورد آزمایش قرار گرفته است، مانند پروانه، ماهی ستاره، کرگدن، اسب، گل.تعداد آستانه ها (m): در این روش ۲، ۳، ۴ و ۵در نظر گرفته شده است. برای هر تصویر، و برای هر m، روش تقسیم بندی۱۵ بار تکرار شده است و مقدار متوسط ازآزمایش به عنوان مجموعه ای از آستانه مطلوب انتخاب شده اند و به عنوان اندازه گیری عملکرد به کار رفته اند.
در ابتدا روش بهینه سازی بر اساس BFA، LFA، و FAمتعارف در تصویر پروانه برایm = 2-5تست می شود. شکل. ۱ (a-f) تصویر اصلی، هیستوگرامRGB، تصویرتقسیم بندی شده و مربوط به مقادیر آستانهRGBبهینه رانشان می دهد. از Fig.1 (c-f)، می توان دید که، تقسیم بندی تصویرRGBبا توجه به سه الگوی رنگ مختلف، یعنی اجزای قرمز (R)، سبز (G) و آبی (B) مسئله بسیار پیچیده تری می باشد. همان طور که قبلا گفته شد، هیستوگرام یک تصویرRGBدر مقایسه با هیستوگرام تصویرخاکستری پیچیده تر است. پیدا کردن یک آستانه بهینه در چنین هیستوگرام پیچیده ممکن است یک کار چالش برانگیزباشد. به عبارت دیگر، هر یک ازتوزیع رنگ باید به طور جداگانه با توجه به هیستوگرامRGB،مورد تجزیه و تحلیل قرار گیرند که ممکن است زمان محاسبات افزایش یابد. شکل ۲ همگرایی الگوریتم کرم شب تاب بر اساس m = 5را نشان می دهد. از این لازم به ذکر است که تمام الگوریتم ها عملکرد تقریبا مشابهی را ارائه می کنند. از جدول ۲ و شکل ۲ می توان مشاهده کرد که همگراییLFA بهتر است.
روش گفته شده در بالا برای تصاویر دیگر آزمون در جدول ۳تکرار شده است. این جدول تصاویر اصلی با اندازه و رنگ ۴۸۱ × ۳۲۱، هیستوگرامRGB، و در تصاویرتقسیم بندی شده دو سطحی و چند سطحی با جستجو براونیFA(BFA) نشان می دهد. مقادیر اندازه گیری عملکرد برای این تصاویر، مانند تابع هدف، PSNR، SSIM و CPUزمان در جدول ۲ نشان داده شده است. آستانه بهینه مربوطه (R، G، B) در جدول ۴ ارائه شده است.
از این نتایج،می شود متوجه شد که با وجود تفاوت های کوچک، به نظر می رسد تمام الگوریتم به نزدیکی راه حل مطلوب می رسند. برای تمام تصاویر مورد آزمایش با سطوح آستانه های مختلف، زمان همگرایی هر دو LFA و FAبه نظر می رسد که بهتر از BFA می باشد. از سوی دیگر، به طور کلی مقادیرJmax (تابع هدف) به دست آمده است با BFAبه طور کلی نسبت به زمانی که با جایگزین مقایسه می شود بهتر می باشد.