استفاده از ماشین یادگیر جهت خوشه بندی تصاویر

امروزه مدیریت، نظارت و دسته بندی انواع تصاویر در تصاویر مختلف ازجمله پزشکی، نظامی، داروسازی، مهندسی و غیره موردتوجه پژوهشگران مختلفی قرارگرفته است. از طرفی حجم عظیم اطلاعات منجر شده است تا بررسی دستی محتویات تصویر و ارایه دسته متناسب بسیار زمان بر، پیچیده و با خطای زیاد مواجه شود. تکنیک های داده کاوی اعم از خوشه بندی و روش های یادگیری نقش بسیار مهمی را در بهبود این فرآیند ایفا کرده اند. در این مقاله به بهینه سازی خوشه بندی تصاویر با استفاده از ماشین یادگیر پرداخته شده است. با شبیه سازی های صورت گرفته شده بر روی مجموعه تصاویر استاندارد STL-10 مشاهده گردید که میزان دقت خوشه بندی 97% و میزان صحت نیز در دسته بندی تصاویر درروش پیشنهادی در حدود91.43% بوده و این میزان نسبت به سایر روش های SVM، KNN و رگرسیون به ترتیب در حدود 14.43%، 4.43% و 6.43 % بهبود داشته است که این میزان قابل ملاحظه می باشد.

کلیدواژه ها:

خوشه بندی تصاویر ، آتاماتای یادگیر ، گرادیان نزولی ، الگوریتم K-Means