بهبود عملكرد الگوريتم خوشه يابي خودكار تصاوير رنگي به كمك پيش پردازش با شبكه عصبي خود سامانده SOM

Performance Improvement of Automatic Clustering Algorithm of Colored Images through Preprocessing using Self-Organizing Maps (SOM) Neural Network

با توجه به كاربرد فراوان مسئله خوشه‌يابي داده‌ها به‌عنوان يكي از مسائل مهم در مبحث بازشناسي الگو، زمينه‌هاي تحقيقاتي متنوعي از جمله خوشه‌يابي تصاوير به اين موضوع اختصاص يافته است. اكثر روش‌هاي مطرح‌شده براي حل مسئله خوشه‌يابي تصاوير، مبتني بر الگوريتم‌هاي هوش‌جمعي مي‌باشد. با توجه به حجم بالاي داده ورودي در اين الگوريتم‌ها (برابر تعداد پيكسل‌هاي تصوير)، زمان محاسباتي زيادي صرف حل مسئله مي‌شود به‌طوري‌كه براي هر عضو جمعيت و به تعداد تكرار الگوريتم، براي تمام داده‌هاي ورودي بايد هزينه خوشه‌يابي پيشنهادشده توسط هر عضو محاسبه شود. نويسنده در سال 1391 يك الگوريتم خوشه‌يابي نظارت‌نشده را به‌منظور خوشه‌يابي تصاوير رنگي، با استفاده از الگوريتم جستجوي گرانشي بهبوديافته معرفي كرده است. در اين مقاله با توجه به عملكرد مناسب شبكه عصبي نگاشت‌هاي خودسامانده (SOM)، سعي شده است ابتدا روي تمام داده‌هاي ورودي، توسط اين شبكه، يك خوشه‌يابي اوليه انجام شود و پس از كاهش حجم داده‌هاي ورودي، به تعداد نرون‌هاي خروجي شبكه عصبي SOM، اين تعداد داده محدود، به‌عنوان داده‌هاي ورودي الگوريتم، جهت خوشه‌يابي نهايي و تعيين خودكار تعداد خوشه‌هاي تصوير، مورد استفاده قرار گيرد. از طرفي با توجه به كاهش فوق‌العاده تعداد داده ورودي، ديگر در الگوريتم هوش‌جمعي، جمعيتي با تعداد اعضاي زياد و همچنين تعداد تكرار بالا مورد نياز نيست كه اين خود سرعت مضاعف الگوريتم را به دنبال دارد. نتايج انجام‌ شده براي تعدادي تصوير نشان مي‌دهد كه در روش جديد، ضمن حفظ نسبي نتايج به‌دست‌آمده قبلي، براي بعضي تصاوير، بهبود مقدار برازندگي را نيز شاهد هستيم.

According to the abundant application of data clustering as an important approach in pattern recognition, many researches such as image clustering have been done in this field. Most of the suggested solutions for image clustering are based on swarm intelligence algorithm. Big amount of input data in these algorithms leads to an excessive amount of computational time in a way that for each member of the population and also for each iteration of the algorithm the cost of clustering should be considered per all the imported data. In 2012, the author proposed an unsupervised algorithm using improved gravitational search algorithm to cluster colored images. According to the suitable performance of SOM neural networks, this paper firstly, tries to perform a primary clustering on all inputs to decrease the amount of input data to the number of output neurons of SOM neural network as input of the proposed algorithm to make final clustering and automatic determining of the number of the image clusters. The lesser amount of input data causes the higher performance of the algorithm. The results show that not only the previous results are relevantly kept in the new approach, but also the fitness value for some images is improved.