قطعه بندی تصاویر با استفاده از روش خوشه بندی طیفی مبتنی بر سوپرپیکسل

علم بینایی ماشین یکی از علومی است که در راستای افزایش کارایی حس بینایی در سیستم های هوشمند به کار گرفته می شود. اولین گام در بسیاری از کاربرد های بینایی ماشین، قطعه بندی تصویر می باشد. در این پژوهش، روش خوشه­بندی طیفی با سوپرپیکسل برای قطعه­بندی تصویر ارایه شده است. با اعمال الگوریتم KFCM و با استفاده از توزیع عضویت در ماتریس بخش­بندی، یک میزان تشابه فازی هسته­ای جدید پیشنهاد داده­ایم که سبب کاهش میزان حساسیت پارامتر مقیاس­گذاری می­شود. علاوه بر این، به منظور کاهش هزینه محاسباتی برای قطعه­بندی تصویر، سوپر پیکسل را معرفی کرده­ایم و یک اندازه­گیری جدید برای ساخت ماتریس وابستگی خوشه­بندی طیفی ارایه شده است. الگوریتم های پیشنهادی بر روی 300 تصویر طبیعی متفاوت اعمال می شود و توسط شاخص­های ارزیابی، مورد ارزیابی و مقایسه قرار می گیرند. نتایج حاصل شده از آزمایشات نسبت به دیگر روش­های قطعه­بندی مقایسه شده است و حاکی از برتری 4/3% دقت قطعه­بندی الگوریتم پیشنهادی دارد و تمام شاخص­های ارزیابی موردنظر پژوهش به میزان قابل قبولی افزایش پیداکرده اند.

کلیدواژه ها:

قطعه بندی تصویر ، خوشه بندی فازی هسته ای ، خوشه بندی طیفی ، سوپرپیکسل ، رنگ ، بافت