دوره 20، شماره 4 - ( 12-1402 )
جلد 20 شماره 4 صفحات 44-35 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Namiranian F, Latif A. A New Approach for Digital Image Segmentation with Genetic Algorithm and Random Forest. JSDP 2024; 20 (4) : 3
URL: http://jsdp.rcisp.ac.ir/article-1-1339-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1339-fa.html
نمیرانیان فریبا، لطیف علی محمد. ارائه رویکردی نوین در بخشبندی تصاویر دیجیتال به‌وسیله الگوریتم ژنتیک و جنگل تصادفی. پردازش علائم و داده‌ها. 1402; 20 (4) :35-44
دانشگاه یزد
چکیده: (510 مشاهده)
در این پژوهش رویکردی نوین برای بخشبندی تصویر بر اساس الگوریتم ژنتیک و جنگل تصادفی معرفی می‌شود. در بخشبندی تصویر سعی می‌شود، اجزای مختلف تصویر از یکدیگر جدا شوند. در این فرایند به‌تمامی پیکسل‌های داخل تصویر برچسبی داده‌می‌شود؛ به‌نحوی که پیکسل‌های با برچسب یکسان ویژگی‌های مشترکی را داشته‌باشند. در روش پیشنهادی این ویژگی‌ها با به‌کارگیری فیلترهای تصویری به‌دست آورده می‌شود. با ترکیب این ویژگی‌ها و با الگوریتم جنگل تصادفی به‌عنوان طبقه‌بند بخشبندی تصاویر انجام‌می‌شود. فیلترهای تصویری استفاده‌شده دارای تعدادی ابر پارامتر هستند که تنظیم درست این ابر پارامترها بر کارایی الگوریتم مؤثر است. در این مقاله انتخاب این ابرپارامترها به‌وسیله الگوریتم ژنتیک انجام‌می‌شود. ابرپارامترهای فیلترهای گابور به‌عنوان ژن‌های کروموزوم الگوریتم ژنتیک در نظر گرفته‌می‌شود. تابع برازندگی f1-score حاصل از اجرای الگوریتم جنگل تصادفی برای بخشبندی تصویر تعریف می‌شود. یافتن مقادیر مناسب ابرپارامترهای فیلترهای گابور و افزایش f1-score در بخشبندی تصویر نسبت به سایر روش‌های مورد بررسی از دستاوردهای این پژوهش است.
شماره‌ی مقاله: 3
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1401/6/13 | پذیرش: 1402/9/20 | انتشار: 1403/2/6 | انتشار الکترونیک: 1403/2/6
دریافت: 1401/6/13 | پذیرش: 1402/9/20 | انتشار: 1403/2/6 | انتشار الکترونیک: 1403/2/6
فهرست منابع
1. [1] C. Tan, S. Ying, L. Gongfa, T. Bo, X. Shuang and Z. Fei, "Image Segmentation Technology based on Genetic Algorithm, " in International Conference on Digital Signal Processing, 2019. [DOI:10.1145/3316551.3318229]
2. [2] T. Wang, Y. Yao, Y. Chen, M. Zhang, F. Tao and Hichem, "Auto-Sorting System Toward Smart Factory based on Deep Learning for Image Segmentation, " IEEE Sensors Journal, vol. 18, no. 20, pp. 8493 - 8501, 2018.
3. [3] A. Chaudhry, M. Hassan and A. Khan, "Robust Segmentation and Intelligent Decision System for Cerebrovascular Disease, " Medical & Biological Engineering & Computing, vol. 54, p. 1903-1920, 2016. [DOI:10.1007/s11517-016-1481-1] [PMID]
4. [4] C. Yuan, Z. Liu and Zhang, "Aerial Images-Based Forest Fire Detection for Firefighting Using Optical Remote Sensing Techniques and Unmanned Aerial Vehicles, " Journal of Intelligent & Robotic Systems, vol. 88, pp. 635-654, 2017. [DOI:10.1007/s10846-016-0464-7]
5. [5] T. Maruyama, H. Norioa, S. Shingoa and Wakaya, "Comparison of Medical Image Classification Accuracy among Three Machine Learning Methods, " Journal of X-Ray Science and Technology, vol. 26, pp. 885-893, 2018. [DOI:10.3233/XST-18386] [PMID]
6. [6] K. ShouvikChakraborty, "SuFMoFPA: A Superpixel and Meta-heuristic based Fuzzy Image Segmentation Approach to Explicate COVID-19 Radiological Images, " Expert Systems with Applications, vol. 167, 2021. [DOI:10.1016/j.eswa.2020.114142] [PMID] []
7. [7] S. Minaee, Y. Boykov, F. Porikli, A. Plaza, N. Kehtarnavaz and D. Terzopoulos, "Image Segmentation using Deep Learning: A Survey, " IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 44, no. 7, pp. 3523 - 3542, 2022.
8. [8] C. Han, T. Ma, J. Huyan, X. Huang and Y. Zhang, "CrackW-Net: A Novel Pavement Crack Image Segmentation Convolutional Neural Network, " IEEE Transactions on Intelligent Transportation Systems, pp. 1-10, 2021.
9. [9] B. S. Sathish, P. Ganesan, L. Joseph, K. Palani and R. Murugesan, "A Two-Level Approach to Color Space-Based Image Segmentation using Genetic Algorithm and Feed-Forward Neural Network, " Advances in Artificial Intelligence and Data Engineering, pp.67-78, 2020. [DOI:10.1007/978-981-15-3514-7_6]
10. [10] L. Xiao, H. Ouyang, Ch. Fan, T. Umer, R.C. Poonia,Sh. Wan," Gesture Image Segmentation with Otsu's Method based on Noise Adaptive Angle Threshold", Multimedia Tools and Applications,pp35619-35640,2020 [DOI:10.1007/s11042-019-08544-7]
11. [11] G. Xu, X. Li, B. Lei, K. Lv, " Unsupervised Color Image Segmentation with Color-alone Feature using Region Growing Pulse Coupled Neural Network", Neurocomputing, vol.306, pp.1-16,2018 [DOI:10.1016/j.neucom.2018.04.010]
12. [12] PB. Chanda and SK. Sarkar, "Study on Efficient DRLSE-Oriented Edge-Based Medical Image Segmentation of Cardiac Images, " Emerging Technologies in Data Mining and Information Security, vol. 164, pp. 823-831, 2021. [DOI:10.1007/978-981-15-9774-9_75]
13. [13] F. Jiang, Q. Gu, H. Hao, N.Li," Feature Extraction and Grain Segmentation of Sandstone Images Based on Convolutional Neural Networks", International Conference on Pattern Recognition (ICPR), pp. 2636-2641, 2018. [DOI:10.1109/ICPR.2018.8545649]
14. [14] Y. Songa, B. Heb, P. Liuc and T. Yand, "Side Scan Sonar Image Segmentation and Synthesis based on Extreme Learning Machine, " Applied Acoustics, vol. 146, pp. 56-65, 2019. [DOI:10.1016/j.apacoust.2018.10.031]
15. [15] K. Roopa, G. Neena and K. Narender, "Image Segmentation using Improved Genetic Algorithm, " International Journal of Engineering and Advanced Technology, vol. 9, no. 1, pp. 1784-1792, 2019. [DOI:10.35940/ijeat.F9063.109119]
16. [16] S. K. Saha, S. Pradhan and S.V. Barai, "Use of Machine Learning based Technique to X-ray Microtomographic Images of Concrete for Phase Segmentation at Meso-scale," Construction and Building Materials, vol. 249, 2020. [DOI:10.1016/j.conbuildmat.2020.118744]
17. [17] V.R. Patil, T.H. Jaware," Random Forest and Gabor Filter Bank Based Segmentation Approach for Infant Brain MRI", Applied Information Processing Systems, vol.1354, pp. 265-272, 2022. [DOI:10.1007/978-981-16-2008-9_25]
18. [18] P. Asadi, L.E. Beckingham," Intelligent framework for mineral segmentation and fluid-accessible surface area analysis in scanning electron microscopy", Applied Geochemistry, vol.143, 2022. [DOI:10.1016/j.apgeochem.2022.105387]
19. [19] A. Fauzi, L.E. Lubis, "Optimization of retinal blood vessel segmentation based on Gabor filters and particle swarm optimization", Indonesian Journal of Electrical Engineering and Computer Science, vol.29, no. 3, pp. 1590-1596, 2023. [DOI:10.11591/ijeecs.v29.i3.pp1590-1596]
20. [20] ژ. شهیدی‌زند و ع. لطیف، "ارائة یک روش نوین در تشخیص دایره در تصاویر دیجیتال توسط الگوریتم ژنتیک، " مجله ماشین بینایی و پردازش تصویر، ص. 35-44, 1400.
21. [20] Z.Shahidizandi, A.Latif, "Developing a modern method in circle detection in digital images by using genetic algorithm", Journal of Machine Vision and Image Processing,vol. 8, no. 1, pp.35-44,2021
22. [21] El-Diraby, S. M. Piryonesi and E. Tamer, "Data Analytics in Asset Management: Cost-Effective Prediction of the Pavement Condition Index, " Journal of Infrastructure Systems, vol. 26, no. 1, 2020. [DOI:10.1061/(ASCE)IS.1943-555X.0000512]
23. [22] V. Rodriguez-Galiano, M. Sanchez-Castillo, M. Chica-Olmo and M. Chica-Riv, "Machine Learning Predictive Models for Mineral Prospectivity: An Evaluation of Neural networks, Random forest, Regression Trees and Support Vector Machines, " Ore Geology Reviews, vol. 71, pp. 804-818, 2015. [DOI:10.1016/j.oregeorev.2015.01.001]
24. [23] T. Vijayan, M.Sangeetha, A. Kumaravel, B. Karthik "Gabor Filter and Machine learning Based Diabetic Retinopathy Analysis and Detection," Microprocessors and Microsystems, 2020. [DOI:10.1016/j.micpro.2020.103353]
25. [24] Y. Xua, W. Yuxin, Y. Jie, C. Qian and W. Xueding, "Medical Breast Ultrasound Image Segmentation by Machine Learning, " Ultrasonics, vol. 91, pp. 1-9, 2019. [DOI:10.1016/j.ultras.2018.07.006] [PMID]
26. [25] "https://drive.google.com/file/d/1HWtBaSa-LTyAMgf2uaz1T9o1sTWDBajU/view", visited on 2 july 2022
27. [26] ع. کریمی و ل. حسینی. "الگوریتم بهینه تقسیم‌بندی تصاویر میکروسکوپی خون برای تشخیص سلول‌های لو سمی حاد لنفوبلاست با به‌کارگیری الگوریتم FCM و بهینه‌سازی ژنتیک". مجله پردازش علائم و داده‌ها. ص 54-45 ، 1397.
28. [26] A.Karimi,L S. Hoseini. "An Optimal Algorithm for Dividing Microscopic Images of Blood for the Diagnosis of Acute Pulmonary Lymphoblastic Cell Using the FCM Algorithm and Genetic Optimization." JSDP,pp.45-54,2018 [DOI:10.29252/jsdp.15.2.45]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
