ترجمه قطعه‎بندی عکس با الگوریتم خوشه‎بندی k-means و الگوریتم کاهشی

توضیحات

 عنوان فارسی: قطعه‎بندی عکس با استفاده از الگوریتم خوشه‎بندی k-means و الگوریتم کاهشی

عنوان انگلیسی مقاله ترجمه شده:

Image Segmentation using K-means Clustering Algorithm and Subtractive Clustering Algorithm

چکیده

قطعه‎بندی عکس عبارت از تقسیم یک عکس به گروه‎های مختلف است. خیلی از محققینی که در زمینه قطعه‎بندی عکس بوده اند، از خوشه‎بندی استفاده می‎کنند. متد و روش‎های مختلفی برای قطعه‎بندی عکس وجود دارد که الگوریتم خوشه‎بندی K-means یکی از مجبوب‌ترین این روش‎ها است. الگوریتم خوشه‎بندی K-means یک الگوریتم بدون نظارت بوده و بخش مورد نظر را از پس‎زمینه جدا می‎کند. اما قبل از اعمال الگوریتم K-means، ابتداً برای بهبود کیفیت عکس، توسعه کششی بخشی به عکس اعمال می‌شود. متد خوشه‎بندی کاهشی، یک متد خوشه‎بندی داده است که به صورت مرکزی براساس پتانسیل نقاط داده‌ای اجرا می‎شود. به این صورت که خوشه‎بندی کاهشی برای اجرا و اعمال روی مقادیر مرکزی استفاده می‌شود که این نقاط مرکزی در الگوریتم K-means برای قطعه‎بندی عکس مورد استفاده قرار می‌گیرند. سپس نهایتاً برای ازبین بردن مناطق ناخواسته در عکس، فیلتر میانی بر روی عکس قطعه‎بندی شده اعمال می‎شود.

کلمات کلیدی:  قطعه‎بندی عکس؛ خوشه‎بندیK-means؛ فیلتر میانی؛ کشش تضاد بخشی؛ خوشه‌بندی کاهشی

معرفی

قطعه‌بندی عکس یکی از پر استفاده‎ترین متدهای تقسیم‎بندی پیکسل‎های یک عکس به صورت درست در راستای تصمیم برنامه کاربردی است. این روش عکس را به تعدادی از مناطق گسسته تقسیم‌ می‎کند به طور مثال پیکسل‎های دارای تشابه بالا در یک منطقه و آنهایی که دارای تضاد بالا هستند در بین مناطق قرار می‌گیرند. این روش، ابزاری ارزشمند در بسیاری از زمینه‎ها مانند سلامتی، پردازش تصویر، تصویر ترافیک، تشخیص الگو و غیره است. تکنیک‌های زیادی در قطعه‎بندی عکس وجود دارد که می‎توان به برپایه آستانه بودن، لبه‎ بودن، خوشه‎بندی بودن، شبکه‎عصبی بودن اشاره کرد. از بین تکنیک‌های مختلف، متد خوشه‎بندی یکی از پربازده‎ترین متدها محسوب می‎شود. همچنین انواع مختلفی از روش‎های خوشه‎بندی وجود دارد که عبارتند از: خوشه‎بندی K-means، خوشه‎بندی فازی C-means، متد خوشه‎بندی کوهستان و متد خوشه‎بندی کاهشی.

یکی از پراستفاده ترین الگوریتم‎های خوشه‎بندی K-means است. این الگوریتم ساده بوده و از لحاظ عملیاتی سریعتر از خوشه‎بندی سلسله‎مراتبی است. همچنین از آن می‌توان در صورت وجود تعداد زیادی متغییر نیز استفاده کرد. اما این الگوریتم نتایج خوشه‎بندی متفاوتی را برای تعداد متفاوتی از خوشه‎ها تولید می‎کند. بنابراین لازم است که تعداد مناسبی از خوشه‎ها را در ابتدا سازماندهی نماییم، k²، همچنین باید در ابتدا تعداد k از نقاط مرکزی را سازماندهی کرده و فعال نماییم. تعداد متفاوت نقاط مرکزی فعال شده در ابتدا باعث ایجاد خوشه‎های متفاوتی خواهد شد. که این امر اهمیت انتخاب تعداد درست را خاطر نشان می‎کند.

امروزه قطعه‎بندی عکس به یکی از مهمترین ابزار در زمینه سلامت و پزشکی تبدیل شده است. که از آن برای استخراج بخش مورد نظر از پس زمینه استفاده می‎شود. بنابراین عکس‎های پزشکی توسط تکنیک‎های مختلفی قطعه‎بندی شده و نتایج حاصل برای آنالیزهای آتی استفاده می‎شود. هرچندکه عکس‎های پزشکی در شکل خامشان به وسیله آرایه‎هایی از اعداد در کامپیوتر نمایش داده ‎می‎شوند، که این اعداد ارزش‎های کمیت‎های فیزیکی مربوطه را نشان داده و تفاوت و تناقض بین اجزای مختلف بدن را نشان‎ می‎دهند. پردازش و آنالیز عکس‎های پزشکی در تبدیل عکس‎های خام به نمادهای معنادار، در استخراج اطلاعات معنادار در راستای تشخیص و همسان‌سازی اطلاعات کامل از مدل‎های عکسی مختلف، مفید و مناسب است. و یکی از مشکلات اساسی در آنالیز پزشکی قطعه‎بندی عکس است که مرزبندی اشیاء و اجسامی مانند اعضاء بدن یا مناطق غیرطبیعی در عکس‎ها را مشخص می‎کند. نتایج حاصل از قطعه‎بندی شرایط را برای آنالیز شکل، تشخیص تغییر ولوم و انجام درمان درست رادیواکتیو گیاهی را فراهم می‎نماید.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.