الگوریتم بهینه سازی نهنگ و بهینه سازی تابش سطح برای تقسیم بندی تصویر آستانه چند سطحی

Elsevier
سال انتشار :
2017
تعداد صفحات مقاله انگلیسی :
15
نشریه :
الزویر
تعداد رفرنس ها :
49
نوع مقاله :
مقاله ISI
کراس مارک :
Crossmark
keywords :
Whale Optimization Algorithm (WOA) Moth-Flame Optimization (MFO) Image segmentation Multilevel thresholding
کلمات کلیدی :
الگوریتم بهینه سازی نهنگ (WOA)، بهینه سازی تابش سطح (MFO)، تقسیم تصویر، آستانه سازی چند سطحی
عنوان فارسی :

الگوریتم بهینه سازی نهنگ و بهینه سازی تابش سطح برای تقسیم بندی تصویر آستانه چند سطحی

عنوان انگلیسی :

Whale Optimization Algorithm and Moth-Flame Optimization for multilevel thresholding image segmentation

ژورنال :
Expert Systems with Applications
لینک مقاله :
http://www.sciencedirect.com/science/article/pii/S0957417417302671
آدرس DOI :
https://doi.org/10.1016/j.eswa.2017.04.023
وضعیت ترجمه :
انجام نشده.

سال انتشار : 2017

تعداد صفحات مقاله انگلیسی : 14

نشریه : الزویر

تعداد رفرنس ها : 49

نوع مقاله : مقاله ISI

کلمات کلیدی انگلیسی : Whale Optimization Algorithm (WOA) Moth-Flame Optimization (MFO) Image segmentation Multilevel thresholding

کلمات کلیدی : الگوریتم بهینه سازی نهنگ (WOA)، بهینه سازی تابش سطح (MFO)، تقسیم تصویر، آستانه سازی چند سطحی

عنوان فارسی : الگوریتم بهینه سازی نهنگ و بهینه سازی تابش سطح برای تقسیم بندی تصویر آستانه چند سطحی

عنوان انگلیسی : Whale Optimization Algorithm and Moth-Flame Optimization for multilevel thresholding image segmentation

لینک مقاله : http://www.sciencedirect.com/science/article/pii/S0957417417302671



چکیده انگلیسی
Determining the optimal thresholding for image segmentation has got more attention in recent years since it has many applications. There are several methods used to find the optimal thresholding values such as Otsu and Kapur based methods. These methods are suitable for bi-level thresholding case and they can be easily extended to the multilevel case, however, the process of determining the optimal thresholds in the case of multilevel thresholding is time-consuming. To avoid this problem, this paper examines the ability of two nature inspired algorithms namely: Whale Optimization Algorithm (WOA) and Moth-Flame Optimization (MFO) to determine the optimal multilevel thresholding for image segmentation. The MFO algorithm is inspired from the natural behavior of moths which have a special navigation style at night since they fly using the moonlight, whereas, the WOA algorithm emulates the natural cooperative behaviors of whales. The candidate solutions in the adapted algorithms were created using the image histogram, and then they were updated based on the characteristics of each algorithm. The solutions are assessed using the Otsu’s fitness function during the optimization operation. The performance of the proposed algorithms has been evaluated using several of benchmark images and has been compared with five different swarm algorithms. The results have been analyzed based on the best fitness values, PSNR, and SSIM measures, as well as time complexity and the ANOVA test. The experimental results showed that the proposed methods outperformed the other swarm algorithms; in addition, the MFO showed better results than WOA, as well as provided a good balance between exploration and exploitation in all images at small and high threshold numbers.

چکیده فارسی
تعیین میزان آستانه مطلوب برای تقسیم بندی تصویر در سال های اخیر توجه بیشتری را به خود جلب کرده است. روش های مختلفی برای پیدا کردن مقادیر آستانه ای بهینه مانند روش Otsu و Kapur وجود دارد. این روش ها برای موارد آستانه دو سطحی مناسب هستند و می توان آنها را به راحتی به حالت چند سطحی گسترش داد، با این حال، روند تعیین آستانه های مطلوب در مورد آستانه چند سطحی، وقت گیر است. برای جلوگیری از این مشکل، این مقاله توانایی دو الگوریتم الهام گرفته از طبیعت را بررسی می کند: الگوریتم بهینه سازی نهنگ (WOA) و بهینه سازی تابش سطح (MFO) برای تعیین آستانه چند سطحی بهینه برای تقسیم بندی تصویر است . الگوریتم MFO از رفتار طبيعی مدهاي الهام گرفته شده است که از زمان پرواز با استفاده از نور ماه، یک سبک ناوبری ویژه دارند؛ در حالی که الگوریتم WOA شبیه سازی رفت و آمد طبیعی طبقات نهنگ است. راه حل های نامزد در الگوریتم های سازگار با استفاده از هیستوگرام تصویر ایجاد شد و سپس بر اساس ویژگی های هر الگوریتم به روز شد. این راه حل ها با استفاده از عملکرد تناسب Otsu در طول عملیات بهینه سازی ارزیابی می شود. عملکرد الگوریتم های پیشنهادی با استفاده از چندین تصویر معیار ارزیابی شده و با پنج الگوریتم مختلف مختلف مقایسه شده است. نتایج بر اساس بهترین مقیاس تناسب ، PSNR، و اندازه گیری SSIM، و همچنین پیچیدگی زمان و آزمون ANOVA مورد تجزیه و تحلیل قرار گرفته است. نتایج تجربی نشان داد که روش های پیشنهادی از الگوریتم های دیگر سرسختی فراتر رفته است؛ علاوه بر این، MFO نتایج بهتر نسبت به WOA را نشان داد و همچنین تعادل خوبی را بین اکتشاف و بهره برداری در تمام تصاویر با اعداد کوچک و آستانه ایجاد کرد.

موضوعات مقاله