Сегментация изображения на основе метода оптимизации роя частиц

Аннотация

Сегментация цифровых изображений является одной из основных задач цифровой обработки изображений. Это процесс деления цифрового изображения на составляющие его объекты. В этой статье дается обзор методов сегментации изображений, основанных на методах кластеризации на основе Particle Swarm Optimization (PSO). PSO - это одна из новейших технологий сегментации цифровых изображений, вдохновленная природой. Он был разработан д-ром Кенни и д-ром Эберхартом в 1995 году и широко использовался в качестве инструмента оптимизации в таких областях, как телекоммуникации компьютерная графика, биологические или медицинские науки, обработка сигналов, интеллектуальный анализ данных, робототехника, нейронные сети и т. д. В работе изучаются основанные на PSO методы для поиска центра кластера в произвольном наборе данных автоматически без каких-либо входных данных о количестве естественных областей в данные и их приложения к сегментации изображения.

1 Введение

Цифровая обработка изображений - это обработка изображений, которые по своей природе являются цифровыми, с помощью цифрового компьютера. Обработка изображений мотивируется тремя основными приложениями;

1. Улучшение графической информации для восприятия человеком,
2. Обработка изображений для автономного приложения,
3. Эффективное хранение и передача.

Процесс деления цифрового изображения на несколько сегментов называется сегментацией цифрового изображения. Это одна из сложных и важных задач системы обработки изображений. Этот процесс выполняется для четкого представления изображения. Он часто используется для разделения изображения на отдельные области, которые идеально соответствуют различным объектам реального мира. Это важный шаг к анализу контента и пониманию изображений. Результатом процесса сегментации изображения является набор сегментов, которые объединяются, чтобы сформировать все изображение. Проблемы сегментации изображений реального мира имеют несколько целей, таких как минимизация функций, минимизация общего отклонения, минимизация частоты ошибок классификатора или максимизация связности и т. Д. Оптимизация роя частиц (PSO) - это эволюционный метод вычисления, разработанный Кенни и Эберхартом в 1995 году [1]. PSO - это популяционный стохастический подход для решения задач непрерывной и дискретной оптимизации. При оптимизации роя частиц простые программные агенты, называемые частицами, перемещаются в пространстве поиска задачи оптимизации.

2 Постановка задачи

Цели этого исследования:

• Показать, что PSO может быть успешно использован для решения сложных задач в распознавании образов и обработке изображений. Разработать эффективный алгоритм кластеризации на основе PSO.
• Разработать инструмент, который может помочь исследователям в области классификации изображений без присмотра проверить их алгоритмы, сравнить различные кластеры, алгоритмы и генерировать ориентиры.
• Разработать эффективный алгоритм динамической кластеризации, который может найти «оптимальное» количество кластеров в наборе данных с минимальным вмешательством пользователя.
• Разработать PSO-подход для решения проблемы квантования цветного изображения.
• Разработать эффективный метод отбора конечных элементов на основе PSO для спектрального несмешивания данных многоспектральных изображений.

3 Методика

Процедура основного PSO

Оптимизация роя частиц относится к классу методов разведки роя, которые используются для решения задач оптимизации. PSO имитирует поведение стая птиц. Значит, группа птиц случайным образом ищет еду в этом районе. В районе, где проводится обыск, есть только один кусок пищи. Все птицы не знают, где еда. Но они знают, как далеко еда в каждой итерации. Таким образом, лучший способ найти еду - следовать за птицей, которая находится ближе всего к еде. Стадное поведение - это поведение, которое проявляется, когда группа птиц, называемая стадом, добывает корм.

Каждая частица в PSO обновляется следующими двумя «лучшими» значениями:
pbest - каждая частица отслеживает свои координаты в пространстве решений, которые связаны с наилучшим решением (пригодностью), которое было достигнуто к настоящему моменту этой частицей. Это значение называется личным лучшим pbest.
gbest - отслеживается PSO - это лучшее значение, полученное до сих пор любой частицей в окрестности этой частицы. Это значение называется Global Best, gbest.

Каждая частица пытается изменить свою позицию, используя:

• текущую позицию
• текущую скорость
• расстояние между текущей позицией и pbest,
• расстояние между текущей позицией и gbest,

После нахождения двух лучших значений частица обновляет свою скорость и положения с помощью следующих уравнений

v[] = v[] + c1 * rand() * (pbest[] - ppresent[] ) + c2 * rand() * (gbest[] – ppresent[]) (1)

present[] = persent[] + v[] (2)

Где:
v [] - скорость частицы, persent [] - текущая частица (решение). rand () - случайное число между (0; 1) .c1; c2 являются факторами обучения. обычно с1 = с2 = 2.
Концепция модификации поисковой точки алгоритма PSO изображена на рисунке 1.

Псевдокод процедуры PSO выглядит следующим образом:

For each particle

Инициализировать particle

End

Do

For each particle

Рассчитать фитнес-функцию

Если значение пригодности лучше, чем лучшее соответствие значение (лучшее) в истории установить текущее значение в качестве нового лучшего

End

For each particle

Выберите частицу с лучшим значением пригодности из всех частицы и определить как gBest

Обновить положение частицы в соответствии с уравнением (2)

End

Алгоритм

Пусть S будет числом частиц в рое, каждая из которых имеет положение xi в пространстве поиска и скорость vi. Пусть пи будет Наиболее известное положение частицы I и пусть G будет самым известным положение всего роя. Основной алгоритм PSO тогда:

For each particle i = 1……. S do:

• Инициализируйте положение частицы с равномерно распределенный случайный вектор: xi ~ U (blo, bup), где blo и bup - нижняя и верхняя границы пространство поиска.
• Инициализируйте наиболее известную позицию частицы в ее начальную позицию: pi ← xi
• Если (f(pi) < f(g)) обновить наиболее известный рой положение: g ← pi
• Инициализировать скорость частицы: vi ~ U ( - | bup - blo |, | bup – blo |)

До тех пор, пока критерий завершения не будет удовлетворен (например, количество итераций выполнено, или решение с адекватной целевой функцией значение найдено), повторить:

For each particle i = 1; :::; S do:

For each dimension d = 1; :::; n do:

Выбрать случайные числа: rp; rg ~U(0; 1)

Обновить скорость частицы

vi,d ← ωvi,d + φp rp(pi,d – xi,d) + φg rg (gd - xi,d )

Обновить положение частицы: xi ← xi + vi

If (f (xi) l f (pi)) do:

Обновить наиболее известную позицию частицы: pi ← xi

If (f (pi) l f(g)) обновить самый известный рой позиция: g ← pi

Теперь g содержит лучшее найденное решение.

Параметры ω, φ p и φ g выбираются практикически и контролируют поведения работы метода PSO.

Блок-схема алгоритма

Применение этого алгоритма к изображению Проблема сегментации может быть упорядочена в следующем способе:

Шаг 1: Считать входное изображение для сегментирования.

Шаг 2: Выбрать метод PSO, который будет применен к этому изображение с определенным пороговым уровнем.

Шаг 3: Для каждой частицы в популяции обновить пригодность частицы в пространстве поиска и обновить лучшую частицу в пространстве поиска. Переместить частицу в популяции.

Шаг 4: Для каждой частицы сделать, если рой станет лучше, затем вознаградить рой, породив частицу: продлите жизнь роя / частицы.

Шаг 5: Для каждой частицы, если рой не улучшает свои характеристики, накаазть рой: удалите рой / частицу или уменьшите срок годности роя.

Шаг 6: Расширение роя на нерест (рой считается для следующей итерации).

Шаг 7: Удалить «неуспешные» рои (рой никогда не попадет в область поиска) и сбросьте пороговый счетчик.

4. Результат и вывод

PSO является естественной техникой вычислений и предоставляет ряд способов более эффективного и быстрого и точного решения реальных проблем. Сегментированные изображения на основе PSO, как правило, хорошо сегментированы на области однородного цвета и имеют перцептуальное значение для зрения человека и могут автоматически очень хорошо определять количество областей. Результат алгоритма, обсужденного в этой статье, показан на рисунке 3:

Направления будущих исследований кратко изложены ниже:

• Можно разработать и исследовать более конкретные вероятностные ядра, такие как ядро модели микшера, чтобы разработать механизм, который автоматически изучает на основе данных параметр функции ядра.
• Могут быть улучшены такие приложения, как компьютерное зрение, медицинская визуализация, распознавание лиц, цифровые библиотеки, а также поиск изображений и видео.
• Усовершенствование этих методов сегментации PSO за счет использования алгоритмов параллельного PSO и распространения методов на трехмерные случаи.
• Этот метод может быть использован с робототехникой и нейронными сетями.

Подтверждение

Авторы выражают сердечную благодарность достопочтенному Шри И.П. Мишре, председателю Образовательного общества Гангаджали, Бхилаи; Уважаемый Шри Абхишек Мишра, директор по системам, SSGI, Бхилаи; Уважаемый Шри П.Б. Дешмук, директор администрации, SSGI, Бхилаи; Уважаемый д-р Г.Р. Синха, Ассоциированный директор SSGI, Бхилаи, за предоставление возможностей для исследований и разработок и за их постоянное содействие.

Список использованной литературы

1. J. Kennedy, R. Eberhart, “Particle Swarm Optimization,” Proc. of IEEE international Conference on Neural Nehvorks (ICW), Vol.IV, pp. 1942- 1948, Perth, Australia, 1995
2. Ching-Yi Cheo, Fun Ye,”Particle Swarm Optimization Algorithm and Its Application to Clustering Analysis“, 2004 IEEE.
3. M.G.H. Omran, A. Salman, A.P. Engelbrecht, “Dynamic Clustering using PSO with Application in Image Segmentation”, Pattern Analysis and Applications, Springer, Vol. 8, No. 4, pp. 332-344, 2006
4. W. Chun, K. Fang, “A Hybridized Clustering Approach using PSO for Image Segmentation”, International Conference on Audio, Language and Image Processing (ICALIP), pp. 1365-1368, 2008.
5. Z. Jing, L. Bo, “Image Segmentation using Fast Fuzzy C Means based on PSO”, 3rd International Conference on Intelligent Networks and Intelligent Systems (ICINIS), pp. 370-373, 2010.
6. L. Hongpo, S. Jun, T. Shuhua, T. Zhiguo, “High Resolution Sonar Image Segmentation by PSO based Fuzzy Cluster Method”, Fourth International Conference on Genetic and Evolutionary Computing, pp. 18-21, 2010.
7. Z. Jing, S. Kai, “Trembling Particle Swarm Optimization for Modified Possibilistic C Means in Image Segmentation”, Second WRI Congress on Intelligent Systems (GCIS), Vol. 2, pp. 119-122, 2010.
8. Y. Zhang, D. Huang, M. Ji, F. Xie, “Image Segmentation using PSO and PCM with Mahalanobis Distance”, Expert Systems with Applications, Elsevier, Vol. 38, Issue 7, pp. 9036-9040, 2011.
9. Liu, A. Wang, Y. Zhao, “An Efficient Image Segmentation Method Based on Fuzzy PSO and Markov Random Field Model”, 7th International Conference on Wireless Communications, Networking and Mobile Computing (WiCOM), pp. 1-4, 2011.
10. S. Wang, Y. Xu, Y. Pang, “A Fast Underwater Optical Image Segmentation Algorithm based on a Histogram Weighted Fuzzy C-means Improved by PSO”, Journal of Marine and Application, Springer, Vol. 10, No. 1, pp. 70-75, 2011.
11. “An efficient method for segmentation of images based on fractional calculus and natural selection”, Pedram Ghamisi a,?, Micael S. Couceiro b,c, J?n Atli Benediktsson d, Nuno M.F. Ferreira c,e,2012
12. Salima Ouadfel , Mohamed Batouche and Abdlemalik Ahmed Taleb “Automatic image clustering using a swarm intelligence approach”, IJCSI 2012
13. Alya Slimene, Ezzeddine Zagrouba , “A New PSO Based Kernel Clustering Method for Image segmentation”, IEEE 2011.
14. “Efficient Colour Image Segmentation Using Multi-elitist- Exponential Particle Swarm Optimization”,K.M.MURUGESAN, DR.S.PALANISWAMI
15. T. Jebara and R. Kondor, “Bhattacharyya and Expected Likelihood Kernels,” in COLT/KERNEL, Washington DC, USA, pp. 57–71, 2003
16. A. N. Srivastava and J. Stroeve, “Mixture Density Mercer Kernels : A Method to Learn Kernels Directly from Data,” in proceedings of the SIAM Conference on Data Mining, pp. 369-378, 2004.
17. “An improvement of texture-based classification of micro calcification clusters in mammography using PSO-SVM approach “ (Zyout, I. ; Tafila Tech. Univ., Tafila, Jordan ; Abdel-Qader, I. 2012
18. “An efficient method for segmentation of images based on fractional calculus and natural selection” Pedram Ghamisi , Micael S. Couceiro 2012.