۲۱۰۴/۲۵

شماره ۳

پذیرش

۱۷۳/۰

۳۶۲/۱-

۵۸۸۲/۱۲۵

#۱۶۷۰۶۲

پذیرش

۱۰۹/۰

۶۰۴/۱-

۴۲۲۶/۹۲

#۲۳۸۰۱۱

۶-۶ تحلیل کلی نتایج
در بخش­بندی تصاویر با بهره گرفتن از الگوریتم خوشه­بندی FCM به دلیل اینکه از اطلاعات مکانی پیکسل­ها در خوشه­بندی آنها استفاده نمی­ شود و پیکسل­ها فقط بر اساس ویژگی شدت روشنایی به ناحیه­های مجزایی تقسیم می­شوند، نتایج مطلوبی در بخش­بندی تصاویر نویزدار ایجاد نمی­ شود و این روش نسبت به روش­های دیگر، به خصوص روش پیشنهادی بسیار ضعیف عمل می­ کند. الگوریتم ترکیبی فازی و ژنتیک به دلیل استفاده از اطلاعات مکانی پیکسل­ها و بهره­ گیری از قدرت جستجوی الگوریتم ژنتیک، تصاویر نویزدار را نسبت به الگوریتم FCM بهتر بخشبندی می­نماید. همانطور که در جداول ۶-۴ تا ۶-۶ و۶-۹ مشاهده کردیم، این الگوریتم تصاویر مختلف را با دقت بیشتری نسبت به الگوریتم FCM بخش­بندی می­ کند و فقط در بخش­بندی تصویر #۱۶۷۰۶۲، الگوریتم FCM نسبت به این الگوریتم بهتر عمل کرده است. الگوریتم EnFCM نسبت به دو الگوریتم اخیر در بخش­بندی همه تصاویر محک به جز تصویر #۲۳۸۰۱۱، بهتر عمل کرده و الگوریتم ترکیبی ژنتیک و فازی این تصویر را با دقت بیشتری نسبت به EnFCM بخش­بندی نموده است. الگوریتم FGFCM که از تشابه اطلاعات شدت روشنایی و مکانی بهره می­برد، تصویر محک شماره ۳ را با دقت بیشتری نسبت به روش­های ذکرشده بخش­بندی می­ کند ولی روش EnFCM تصاویر محک طبیعی را با دقت بیشتری در مقایسه با الگوریتم FGFCM بخش­بندی کرده است. ایده استفاده از اطلاعات غیرمحلی پیکسل­ها به منظور بازیابی مقدار واقعی یک پیکسل که به وسیله نویز تخریب گردیده، در روش OSFCM-SNLS برای بخش­بندی تصاویر به کار رفته است و موجب دقت بالای نتایج بخش­بندی به وسیله این الگوریتم شده به طوری­که دقت روش مذکور در بخش­بندی تصاویر مختلف نسبت به روش­های FCM، EnFCM، FGFCM و الگوریتم ژنتیک، بالاتر می­باشد. به خصوص دقت این روش در بخش­بندی تصویر #۲۳۸۰۱۱، بسیار بالاتر از روش­های FCM، FGFCM و EnFCM بوده و حدوداً بین ۲۰ تا ۳۰ درصد نسبت به روش­های مذکور دقت بیشتری دارد. الگوریتم پیشنهادشده در این پژوهش که از اطلاعات غیرمحلی پیکسل­ها که با بهره گرفتن از تصویر نویززدایی­شده و تصویر جزئیات به دست می ­آید، به عنوان ویژگی جهت خوشه­بندی پیکسل­های تصویر استفاده می­نماید، نسبت به روش­های FCM، EnFCM، FGFCM و الگوریتم ترکیب ژنتیک و فازی، در بخش­بندی تصاویر مختلف بهتر عمل کرده و به خصوص دقت آن در بخش­بندی تصویر #۲۳۸۰۱۱ حدود ۳۰ درصد بیشتر از روش­های اخیراً ذکرشده می­باشد. میزان دقت الگوریتم NLICA در بخش­بندی تصاویر #۲۳۸۰۱۱ و #۴۲۰۴۹ بین ۵/۱ تا ۵/۲ درصد بیشتر از الگوریتم OSFCM-SNLS می­باشد ولی الگوریتم OSFCM-SNLS توانسته تصویر #۱۶۷۰۶۲ را بهتر و با دقت بالاتری نسبت به الگوریتم NLICA و سایر الگوریتم­ها بخش­بندی نماید. همچنین الگوریتم NLICA تصاویر محک شماره ۱، ۲ و ۳ را نسبت به

روش­های دیگر به خصوص روش SKFC با دقت بالاتری بخش­بندی کرده و تنها در بخش­بندی تصویر شماره ۱، روش PFCM با اختلاف بسیار کمی نسبت به الگوریتم NLICA، بهتر عمل کرده و تعداد ۲ پیکسل، بیشتر از روش NLICA، درست برچسب­گذاری کرده است.
۶-۷ خلاصه فصل
در این فصل تصاویر محک استفاده ­شده جهت ارزیابی و مقایسه الگوریتم NLICA معرفی و این تصاویر به دو دسته تصاویر مصنوعی (ساختگی) و تصاویر طبیعی تقسیم شدند. تصاویر محک معرفی ­شده، یکبار بدون اضافه­کردن نویز و بار دیگر پس از اضافه ­شدن نویز به آنها، به­وسیله الگوریتم NLICA بخش­بندی شده و نتایج به دست­آمده با نتایج حاصل از الگوریتم­های دیگر مقایسه گردیدند. به منظور مقایسه نتایج بخش­بندی تصاویر، معیار دقت که برابر با نسبت تعداد پیکسل­هایی که براساس تصویر بخش­بندی ­شده مرجع، درست خوشه­بندی شده ­اند، به تعداد کل پیکسل­های تصویر است، به کار رفته و میزان دقت هر یک از روش­های مختلف در بخش­بندی تصاویر محک، با دقت بخش­بندی الگوریتم NLICA مقایسه و مشاهده شد که این الگوریتم اکثر تصاویر را با کیفیت و میزان دقت بالایی نسبت به سایر روش­ها، بخش­بندی می­نماید و الگوریتم پیشنهادی ما قابل ­رقابت با سایر الگوریتم­های مطرح در این زمینه می­باشد. الگوریتم­ NLICA در بخش­بندی یکی از تصاویر محک، میزان دقت کمتری نسبت به الگوریتم OSFCM-SNLS دارا می­باشد و در نتیجه روش پیشنهادی در بخش­بندی همه تصاویر، نسبت به سایر روش­ها برتری مطلق ندارد و در برخی موارد الگوریتم جدید OSFCM-SNLS میزان کمی برتری، در معیار دقت بخش­بندی دارا می­باشد. در ادامه فصل آزمون­های مختلفی مانند آزمون هم­گرایی و پایداری بر روی الگوریتم NLICA انجام و نتایج آن در نمودارهایی
جمع­آوری گردید. طبق نمودار هم­گرایی مشاهده شد که این الگوریتم در تعداد تکرارهای کمی به جواب بهینه هم­گرا و با توجه به نمودار پایداری به این نتیجه رسیدیم که میزان انحراف معیار جواب­های تولید شده به وسیله الگوریتم NLICA در اجراهای مختلف، بسیار پایین و در برخی موارد نزدیک به صفر هستند. نتایج به دست­آمده از بخش­بندی تصاویر مختلف با بهره گرفتن از الگوریتم NLICA، تحلیل و درباره میزان بهبود کیفیت و افزایش دقت بخش­بندی با این روش نسبت به الگوریتم­های دیگر، بحث گردید.
جدول ۶-۱۲: مقایسه روش­های مختلف بخش­بندی تصاویر

پیش­پردازش

معایب

مزایا

روش

ندارد

عدم استفاده از اطلاعات مکانی و روابط همسایگی پیکسل­ها در خوشه­بندی پیکسل­های تصویر

پیاده­سازی آسان

FCM

ندارد

تصاویری که شدت نویز در آنها زیاد است را به خوبی بخش­بندی
نمی­کند.

۱- استفاده از اطلاعات مکانی برای خوشه­بندی پیکسل­های تصویر
۲- بخش­بندی خودکار تصاویر

]۵[