ایزوترم جذب، پسماند کشاورزی، جاذب ارزان، جذب سطحی، حذف رنگ، نانوژل.

بخش بندی تصویر یک فرآیند اساسی در بسیاری از کاربردهای پردازش تصویر و بینایی ماشین است که می تواند به عنوان اولین مرحله پردازش سطح پایین در پردازش تصاویر دیجیتالی در نظر گرفته شود. با توجه به اهمیت بخش بندی تصاویر دیجیتالی روش های متعددی برای این منظور پیشنهاد شده است که به دو دسته کلی روش های مبتنی بر ناحیه مانند خوشه بندی پیکسل های تصویر و روش های مبتنی بر تشخیص لبه تقسیم می گردد. بیشتر روش های خوشه بندی تصاویر، پیکسل ها را تنها بر اساس اطلاعات شدت روشنایی یا رنگ آنها دسته بندی می کنند و هیچ گونه اطلاعات همسایگی یا مکانی پیکسل ها را در روند خوشه بندی تصویر به کار نمی برند که این عامل سبب کاهش دقت و کیفیت بخش بندی می گردد. با در نظر گرفتن اهمیت به کارگیری اطلاعات مکانی پیکسل ها در جهت بهبود کیفیت بخش بندی تصویر، استفاده از اطلاعات پیکسل های همسایه در پنجره همسایگی بزرگ سبب بهبود کیفیت بخش بندی می گردد. با توجه به اینکه خوشه بندی جزء مسائل چندجمله ای غیرقطعی-سخت محسوب می شود، در این پژوهش ایده ترکیب الگوریتم خوشه بندی k-means و الگوریتم رقابت استعماری بهبود یافته جهت حل این مسئله پیشنهاد گردیده است. همچنین پیش از اعمال الگوریتم ترکیبی، تصویر جدیدی با استفاده از اطلاعات غیرمحلی پیکسل ها ایجاد شده و سپس الگوریتم ترکیبی برای خوشه بندی پیکسل های تصویر جدید به کار گرفته شده است. با مقایسه نتایج حاصل از اعمال روش مذکور بر روی تصاویر مختلف با سایر روش ها، به این نتیجه رسیدیم که دقت بخش بندی اکثر تصاویر با روش پیشنهادی، بیشتر از سایر الگوریتم های مطرح در این زمینه است.