قطعه­ بندی تصاویر بافت­دار به کمک برش گراف کرنل مبتنی بر آنتروپی و شبکه عصبی عمیق VGG۱۶

اخیرا قطعه ­بندی تصویر بر پایه روش­های برش گراف کارایی چشمگیری را روی مجموعه­ ای از داده­ های تصویری به نمایش گذاشته­ اند. اگرچه که روش برش گراف کرنل کارایی مناسبی را تامین می کند ولی کارایی آن به شدت به نگاشت داده ها به فضای تبدیل و ویژگی­های تصویر وابسته است. روش برش گراف کرنل مبتنی بر آنتروپی برای قطعه­ بندی تصاویر بافت­دار مناسب می باشد. با این حال کیفیت قطعه­ بندی آن متاثر از کیفیت استخراج مراکز کرنل است. این مقاله به بررسی قطعه­ بندی تصاویر بافت­دار با استفاده روش برش گراف کرنل مبتنی بر آنتروپی و VGG۱۶ بر اساس k-means وزن­دار می پردازد. با بهره گیری از مزایای فضای کرنل، تابع هدف از دو مولفه داده جهت انتقال انحراف معیار داده هر ناحیه در تصویر قطعه­ بندی شده و مولفه تنظیم تشکیل می گردد. روش پیشنهادی در حالی که از مزیت­های بار محاسباتی مناسب روش­های مبتنی بر برش گراف بهره می­ برد، جایگزین مناسبی برای قطعه­ بندی تصاویر بافت­دار خواهد بود. نتایج آزمایشگاهی بر روی مجموعه­ ای از دیتاست­ های معروف که شامل اشکال بافت­ دار هستند گرفته شده است تا کارایی الگوریتم در مقایسه با سایر روش­های معروف در حوزه برش گراف کرنل مورد ارزیابی قرار گیرد.

کلیدواژه ها:

قطعه­ ، بندی تصاویر ، برش گراف کرنل ، کرنل تابع پایه شعاعی ، تصاویر بافت­ ، خوشه­ ، بندی وزن­ ، دار