بهینه سازی تقطیع تصاویر با الگوریتم های هوش ازدحامی ترکیبی چندهدفه

تقطیع تصویر یکی از بخش های مهم در سطح تصویر به شمار می رود که نتیجه فرایندهای بعدی، به شدت وابسته به همین امر قطعه بندی تصاویر است. کاربرد قطعه بندی تصاویر از جایی نشات می گیرد که می توان اجزای مختلفی از یک تصویر را به صورت مشخص در تصویر برای پردازش ها آتی مشاهده کرد. وجود اشکالات مختلف در عملیات تقطیع از جمله نیاز به یکسان بودن اندازه تصاویر، بررسی حالت رنگی RGB یا سطح خاکستری تصاویر، به دام افتادن در بهینه محلی و وجود مشکلات همگرایی محلی و سراسری، عدم کاربرد یک روش قطعه بندی مناسب برای آستانه چند سطحی تصویر رنگی در تصاویر معمولی و تصاویر خاص (مانند تصاویر پزشکی)، پایین بودن معیارهای ارزیابی و مسائلی از این دست، یک شکاف تحقیقاتی ایجاد کرده است که این تحقیق را ترغیب به ارائه یک روش بهینه نموده ه است. رویکرد پیشنهادی این تحقیق، ترکیب الگوریتم های تکاملی و هوش ازدحامی شامل الگوریتم ژنتیک و الگوریتم کریل هرد تحت عنوان GA-KH است که برای غلبه به مشکلات نام برده، کاربرد بالایی دارد و نتایج نشان می دهد که در مقایسه با تصاویر کلاسیک و تصاویر پزشکی (تصاویر MRI مغزی)، دارای نتایج بهتری نسبت به روش های مشابه پیشین خود شامل الگوریتم های MFA، MGOA، WCA، BA و KH از لحاظ معیارهای ارزیابی مانند انحراف معیار، نرخ PSNR و SSID می باشد.