قطعه بندی تصاویر با استفاده از روش خوشه بندی طیفی مبتنی بر سوپرپیکسل

علم بینایی ماشین یکی از علومی است که در راستای افزایش کارایی حس بینایی در سیستم‌های هوشمند به کار گرفته می‌شود. اولین گام در بسیاری از کاربرد‌های بینایی ماشین، قطعه‌بندی تصویر می‌باشد. در این پژوهش، روش خوشه­بندی طیفی با سوپرپیکسل برای قطعه­بندی تصویر ارائه شده است. با اعمال الگوریتم KFCM و با استفاده از توزیع عضویت در ماتریس بخش­بندی، یک میزان تشابه فازی هسته­ای جدید پیشنهاد داده­ایم که سبب کاهش میزان حساسیت پارامتر مقیاس­گذاری می­شود. علاوه بر این، به‌منظور کاهش هزینه محاسباتی برای قطعه­بندی تصویر، سوپر پیکسل را معرفی کرده­ایم و یک اندازه­گیری جدید برای ساخت ماتریس وابستگی خوشه­بندی طیفی ارائه شده است. الگوریتم‌های پیشنهادی بر روی 300 تصویر طبیعی متفاوت اعمال می‌شود و توسط شاخص­های ارزیابی، مورد ارزیابی و مقایسه قرار می‌گیرند. نتایج حاصل شده از آزمایشات نسبت به دیگر روش­های قطعه­بندی مقایسه شده است و حاکی از برتری 4/3% دقت قطعه­بندی الگوریتم پیشنهادی دارد و تمام شاخص­های ارزیابی موردنظر پژوهش به میزان قابل قبولی افزایش پیداکرده‌اند.