استفاده از الگوریتم بهینه‌سازی لاشخور برای آستانه‌گیری چندسطحی تصاویر سی‌تی‌اسکن مغز

بخش‌بندی تصاویر به فرآیند تقسیم کردن یک تصویر دیجیتال به چند بخش گفته می‌شود. هدف بخش‌بندی، ساده‌سازی و یا تغییر در نمایش یک تصویر به چیزی است که معنادارتر و هم برای تحلیل آسان‌تر است. روش‌های آستانه‌گذاری با داشتن پیچیدگی بسیار کمتر در مقایسه با روش‌های نوین مبتنی بر یادگیری عمیق همچنان کاربرد گسترده‌ای دارند. در این مقاله یک الگوریتم جدید آستانه‌گیری چندسطحی، برای قطعه‌بندی تصاویر سی‌تی‌اسکن مبتنی بر هیستوگرام ارائه شده است. در الگوریتم پیشنهادی، آستانه‌گیری تصویر با استفاده از روش نوین الگوریتم بهینه‌سازی لاشخور انجام شده است. در الگوریتم بهینه‌سازی لاشخور فرآیند اکتشاف و بهره‌برداری با تعریف چند نوع لاشخور با توانایی‌های متفاوت حاصل می‌شود. آنتروپی به عنوان تابع برازندگی جهت قطعه‌بندی چندسطحی تصاویر با استفاده از الگوریتم لاشخور استفاده گردید. الگوریتم پیشنهادی با دو الگوریتم بهینه‌سازی تکاملی یعنی الگوریتم ذرات و نوع بهبود یافته‌ای از الگوریتم ذرات که بر مبنای سیستم چندعاملی فازی می‌باشد، مقایسه شده است. این مقایسه بر روی یک مجموعه تصاویر سی‌تی‌اسکن بیانگر برتری روش پیشنهادی در توابع برازندگی به میزان متوسط 8 درصد می‌باشد. علاوه بر این، مقدار کیفیت تصاویر بخش‌بندی‌ شده بهبودی به طور متوسط در تصاویر دوبخشی حدود 3 درصد و در تصاویر پنج‌بخشی به طور متوسط 12 درصد بوده است.

Using the buzzard optimization algorithm for multilevel thresholding of brain CT images

The process of image segmentation involves dividing a digital image into multiple parts to simplify or change its representation into something more meaningful and easier to analyze. Although modern deep learning-based methods have emerged, thresholding methods remain widely used due to their significantly lower complexity. In this paper, a new multilevel thresholding algorithm for histogram-based segmentation of CT images is presented. In the proposed algorithm, image thresholding is performed using the recently introduced buzzard optimization (BUZO) algorithm. In BUZO, the process of exploration and exploitation is achieved by defining several types of buzzards with different capabilities. Entropy, as the fitness function of the BUZO algorithm, is used to perform multilevel image segmentation. The proposed algorithm is compared with two evolutionary optimization algorithms: particle swarm optimization (PSO) and an improved version of PSO based on the fuzzy multi-agent system. The comparison on a set of CT images shows an average 8% superiority of the proposed method in fitness functions. Moreover, the quality of segmented images shows approximately 3% and 5% improvement in two- and five-level segmented images, respectively.