قطعه بندي تصاوير با استفاده از روش خوشه بندي طيفي مبتني بر سوپرپيكسل

Image Segmentation using spectral clustering based SuperPixel

علم بينايي ماشين يكي از علومي است كه در راستاي افزايش كارايي حس بينايي در سيستم‌هاي هوشمند به كار گرفته مي‌شود. اولين گام در بسياري از كاربرد‌هاي بينايي ماشين، قطعه‌بندي تصوير مي‌باشد. در اين پژوهش، روش خوشه­بندي طيفي با سوپرپيكسل براي قطعه ­بندي تصوير ارائه شده است. با اعمال الگوريتم KFCM و با استفاده از توزيع عضويت در ماتريس بخش ­بندي، يك ميزان تشابه فازي هسته­اي جديد پيشنهاد داده ­ايم كه سبب كاهش ميزان حساسيت پارامتر مقياس­گذاري مي­شود. علاوه بر اين، به‌منظور كاهش هزينه محاسباتي براي قطعه ­بندي تصوير، سوپر پيكسل را معرفي كرده­ايم و يك اندازه­گيري جديد براي ساخت ماتريس وابستگي خوشه ­بندي طيفي ارائه شده است. الگوريتم‌هاي پيشنهادي بر روي 300 تصوير طبيعي متفاوت اعمال مي‌شود و توسط شاخص­ هاي ارزيابي، مورد ارزيابي و مقايسه قرار مي‌گيرند. نتايج حاصل شده از آزمايشات نسبت به ديگر روش­هاي قطعه ­بندي مقايسه شده است و حاكي از برتري 4/3% دقت قطعه­ بندي الگوريتم پيشنهادي دارد و تمام شاخص­ هاي ارزيابي موردنظر پژوهش به ميزان قابل قبولي افزايش پيداكرده‌اند.

One of the sciences in order to increase the efficiency of intelligent systems to be used in the visual sense, is Machine vision science. The first step in many applications in machine vision is image segmentation. Image segmentation, refers to the grouping of pixels in an image So that these pixels, the same qualities have with each other and the pixels adjacent parts, have different characteristics. The most important feature used in image segmentation, colors and features. In monochrome images, the gray level is considered as properties But color images, different color spaces used as a color feature. In this study, the color and texture features for image segmentation is considered. Clustering-based methods of are used in image segmentation methods and Gaussian function is similar measure in clustering images. Spectral clustering requires has high computational cost. To save time and accelerate the segmentation of images Using clustering with Super pixels will achieve optimal results and to achieve reliable results approximate and fuzzy algorithm is used. The proposed algorithm is applied on several standard image and the evaluation criteria,Evaluated and evaluated by the indicators are evaluated and compared. The results of the experiments were compared to other fragmentation methods, suggesting a 3.4% superiority in the segmentation accuracy of the proposed algorithm, and all the evaluation indicators of the study have increased to a satisfactory level.