شهابی, فروغ, پورآهنگریان, فرشته, بهشتی, همایون. (1398). یک رهیافت آستانه‌گیری چندسطحی تصویر مبتنی بر الگوریتم جستجوی کلاغ و روش آتسو. تصمیم گیری و تحقیق در عملیات, 4(1), 33-41.
فروغ شهابی; فرشته پورآهنگریان; همایون بهشتی. "یک رهیافت آستانه‌گیری چندسطحی تصویر مبتنی بر الگوریتم جستجوی کلاغ و روش آتسو". تصمیم گیری و تحقیق در عملیات, 4, 1, 1398, 33-41.
شهابی, فروغ, پورآهنگریان, فرشته, بهشتی, همایون. (1398). 'یک رهیافت آستانه‌گیری چندسطحی تصویر مبتنی بر الگوریتم جستجوی کلاغ و روش آتسو', تصمیم گیری و تحقیق در عملیات, 4(1), pp. 33-41.
شهابی, فروغ, پورآهنگریان, فرشته, بهشتی, همایون. یک رهیافت آستانه‌گیری چندسطحی تصویر مبتنی بر الگوریتم جستجوی کلاغ و روش آتسو. تصمیم گیری و تحقیق در عملیات, 1398; 4(1): 33-41.
یک رهیافت آستانه‌گیری چندسطحی تصویر مبتنی بر الگوریتم جستجوی کلاغ و روش آتسو
2گروه مهندسی برق-الکترونیک، موسسه آموزش عالی آیندگان، تنکابن، ایران.
3گروه کامپیوتر، دانشکده فنی و مهندسی، موسسه آموزش عالی آیندگان، تنکابن، ایران.
تاریخ دریافت: 16 دی 1397،
تاریخ بازنگری: 18 اردیبهشت 1398،
تاریخ پذیرش: 20 خرداد 1398
چکیده
ناحیه‌بندی تصویر یکی از مسائل اساسی در پردازش تصویر است که اشیاء و دیگر ساختارهای موجود در تصویر را شناسایی می‌کند. یکی از روش‌هایی که به‌طور گسترده در ناحیه‌بندی تصویر به‌کار گرفته شده است، آستانه‌گیری می‌باشد که قادر است پیکسل‌های مبتنی‌بر آستانه‌های معین را جداسازی نماید. در روش آتسو برای تعیین حد آستانه سعی می‌شود که تا حد امکان واریانس درون کلاس‌ها را افزایش و واریانس بین کلاس‌ها را کاهش داد. از جمله مشکلات این روش، افزایش زمان محاسبات با افزایش تعداد حدود آستانه است. یکی از راهکارهای تاثیرگذار و پرکاربرد برای رفع مشکلات روش آتسو، ترکیب آن با الگوریتم‌های تکاملی است که می‌تواند کارایی ناحیه‌بندی تصویر را افزایش و زمان لازم را کاهش دهد. الگوریتم جستجوی کلاغ یکی از الگوریتم‌های نوین فرا اکتشافی مبتنی بر جمعیت است که از روش‌هایی که کلاغ‌ها برای ذخیره‌سازی و بازیابی غذای خود استفاده می‌کنند، الهام گرفته است. در این مقاله یک روش ترکیبی بر‌اساس الگوریتم جستجوی کلاغ و روش آتسو برای آستانه‌گیری چندسطحی پیشنهاد می‌شود. نتایج به‌دست‌آمده با سایر الگوریتم‌هایی که با روش آتسو ترکیب شده‌اند، از جمله الگوریتم پرندگان، الگوریتم کرم شب‌تاب و الگوریتم کرم شب‌تاب فازی مقایسه شده است. ارزیابی روی پنج تصاویر محک نشان می‌دهد که روش پیشنهادی توانسته است مدت زمان اجرا و میزان یکنواختی را بهبود بخشد.
1Ayandegan Institute of Higher Education, Tonekabon, Iran.
2Department of Electronic Engineering, Ayandegan Institute of Higher Education, TonekabonT Iran.
3Department of Computer, Faculty of Engineering, Ayandegan Institute of Higher Education, Tonekabon, Iran.
چکیده [English]
Image segmentation is one of the fundamental problems in the image processing, which identifies the objects and other structures in the image. One of the widely used methods for image segmentation is image thresholding that can separate pixels based on the specified thresholds. Otsu method calculates the thresholds to divide two or multiple classes based on between-class variance maximization and within-class variance minimization. However, increasing the number of thresholds, surging the computational time of the segmentation. To combat this drawback, the combination of Otsu and the evolutionary algorithm is usually beneficial. In this paper, we proposed a hybrid method based on employing CSA and Otsu for multilevel thresholding. The obtained results compared with the combination of the Otsu method with three other evolutionary algorithms consisting of improved Particle Swarm Optimization (PSO), Firefly Algorithm (FA), and also the fuzzy version of FA. Our evaluation on the five benchmark images shows competitive/ improved results both in time and uniformity.
Gonzalez, R. C., & Woods, R. E. (2002). Digital image processing. Prentice Hall.
Haralick, R. M., & Shapiro, L. G. (1985). Image segmentation techniques. Computer vision, graphics, and image processing, 29(1), 100-132.
Davis, L. S., Rosenfeld, A., & Weszka, J. S. (1975). Region extraction by averaging and thresholding. IEEE transactions on systems, man, and cybernetics, (3), 383-388.
Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE transactions on systems, man, and cybernetics, 9(1), 62-66.
Holland, J. H. (1992). Genetic algorithms. Scientific American, 267(1), 66-73.
Bäck, T., Fogel, D. B., & Michalewicz, Z. (2000). Introduction to evolutionary algorithms. Evolutionary computation, 1, 59-63.
Shi, Y., & Eberhart, R. C. (1999). Empirical study of particle swarm optimization. Proceedings of the 1999 congress on evolutionary computation-CEC99 (Cat. No. 99TH8406) (pp. 1945-1950). IEEE.
Yang, X. S. (2010). Firefly algorithm, stochastic test functions and design optimisation. International journal of bio-inspired computation, 2(2), 78-84.
Li, XL (2002).An optimizing method based on autonomous animats: fish-swarm algorithm. Systems engineering-theory & practice, 22 (11), 32-38.
Zahara, E., Fan, S. K. S., & Tsai, D. M. (2005). Optimal multi-thresholding using a hybrid optimization approach. Pattern recognition letters, 26(8), 1082-1095.
Noor, M. M., Hussain, Z., Ahmad, K. A., & Ainihayati, A. R. (2011). Gel electrophoresis image segmentation with otsu method based on particle swarm optimization. 2011 IEEE 7th international colloquium on signal processing and its applications (pp. 426-429). IEEE.
Zhang, Z., & Zhou, N. (2012). A novel image segmentation method combined Otsu and improved PSO. 2012 IEEE fifth international conference on advanced computational intelligence (ICACI) (pp. 583-586). IEEE.
Raja, N. S. M., Sukanya, S. A., & Nikita, Y. (2015). Improved PSO based multi-level thresholding for cancer infected breast thermal images using Otsu. Procedia computer science, 48, 524-529.
Hassanzadeh, T., Vojodi, H., & Moghadam, A. M. E. (2011). An image segmentation approach based on maximum variance intra-cluster method and firefly algorithm. 2011 seventh international conference on natural computation(pp. 1817-1821). IEEE.
Hassanzadeh, T., Meybodi, M. R., & Shahramirad, M. (2017). A new fuzzy firefly algorithm with adaptive parameters. International journal of computational intelligence and applications, 16(03), 1750017.
Liang, Y. C., Chen, A. H. L., & Chyu, C. C. (2006). Application of a hybrid ant colony optimization for the multilevel thresholding in image processing. International conference on neural information processing (pp. 1183-1192). Springer, Berlin, Heidelberg.
Gao, K., Dong, M., Zhu, L., & Gao, M. (2010). Image segmentation method based upon otsu aco algorithm. International symposium on information and automation (pp. 574-580). Springer, Berlin, Heidelberg.
Askarzadeh, A. (2016). A novel metaheuristic method for solving constrained engineering optimization problems: Crow search algorithm. Computers & structures, 169, 1-12.
Clayton, N., & Emery, N. (2005). Corvid cognition. Current biology, 15(3), R80-R81.
Taha, A. A., Hanbury, A., & del Toro, O. A. J. (2014). A formal method for selecting evaluation metrics for image segmentation. 2014 IEEE international conference on image processing (ICIP) (pp. 932-936). IEEE.
ابتدای صفحه