بهبود عملکرد الگوریتم خوشه‌یابی خودکار تصاویر رنگی به کمک پیش‌پردازش با شبکه عصبی خودسامانده (som)

با توجه به کاربرد فراوان مسئله خوشه‌یابی داده‌ها به‌عنوان یکی از مسائل مهم در مبحث بازشناسی الگو، زمینه‌های تحقیقاتی متنوعی از جمله خوشه‌یابی تصاویر به این موضوع اختصاص یافته است. اکثر روش‌های مطرح‌شده برای حل مسئله خوشه‌یابی تصاویر، مبتنی بر الگوریتم‌های هوش‌جمعی می‌باشد. با توجه به حجم بالای داده ورودی در این الگوریتم‌ها (برابر تعداد پیکسل‌های تصویر)، زمان محاسباتی زیادی صرف حل مسئله می‌شود به‌طوری‌که برای هر عضو جمعیت و به تعداد تکرار الگوریتم، برای تمام داده‌های ورودی باید هزینه خوشه‌یابی پیشنهادشده توسط هر عضو محاسبه شود. نویسنده در سال 1391 یک الگوریتم خوشه‌یابی نظارت‌نشده را به‌منظور خوشه‌یابی تصاویر رنگی، با استفاده از الگوریتم جستجوی گرانشی بهبودیافته معرفی کرده است. در این مقاله با توجه به عملکرد مناسب شبکه عصبی نگاشت‌های خودسامانده (som)، سعی شده است ابتدا روی تمام داده‌های ورودی، توسط این شبکه، یک خوشه‌یابی اولیه انجام شود و پس از کاهش حجم داده‌های ورودی، به تعداد نرون‌های خروجی شبکه عصبی som، این تعداد داده محدود، به‌عنوان داده‌های ورودی الگوریتم، جهت خوشه‌یابی نهایی و تعیین خودکار تعداد خوشه‌های تصویر، مورد استفاده قرار گیرد. از طرفی با توجه به کاهش فوق‌العاده تعداد داده ورودی، دیگر در الگوریتم هوش‌جمعی، جمعیتی با تعداد اعضای زیاد و همچنین تعداد تکرار بالا مورد نیاز نیست که این خود سرعت مضاعف الگوریتم را به دنبال دارد. نتایج انجام‌شده برای تعدادی تصویر نشان می‌دهد که در روش جدید، ضمن حفظ نسبی نتایج به‌دست‌آمده قبلی، برای بعضی تصاویر، بهبود مقدار برازندگی را نیز شاهد هستیم.

Performance Improvement of Automatic Clustering Algorithm of Colored Images through Preprocessing using SelfOrganizing Maps (SOM) Neural Network

According to the abundant application of data clustering as an important approach in pattern recognition, many researches such as image clustering have been done in this field. Most of the suggested solutions for image clustering are based on swarm intelligence algorithm. Big amount of input data in these algorithms leads to an excessive amount of computational time in a way that for each member of the population and also for each iteration of the algorithm the cost of clustering should be considered per all the imported data. In 2012, the author proposed an unsupervised algorithm using improved gravitational search algorithm to cluster colored images. According to the suitable performance of SOM neural networks, this paper firstly, tries to perform a primary clustering on all inputs to decrease the amount of input data to the number of output neurons of SOM neural network as input of the proposed algorithm to make final clustering and automatic determining of the number of the image clusters. The lesser amount of input data causes the higher performance of the algorithm. The results show that not only the previous results are relevantly kept in the new approach, but also the fitness value for some images is improved.