بخش بندی تصاویر رنگی چهره مبتنی بر خوشه بند فازی بهینه سازی شده با الگوریتم‌های گرگ خاکستری و نهنگ

بخش‌بندی تصاویر رنگی چهره یک مرحله‌ی ضروری در کاربردهای پردازش تصویر و بینائی کامپیوتر نظیر شناسائی چهره، شناسائی هویت و آنالیز جراحی‌های پلاستیک چهره است. یکی از مهم‌ترین روش‌های بخش‌بندی تصاویر چهره، روش‌های مبتنی بر خوشه‌بندی است. خوشه‌بند فازی (fcm) یک الگوریتم موثر در بخش‌بندی تصویر بوده، ولی حساسیت به مقدار اولیه ممکن است باعث شود که این الگوریتم در کمینه مکانی بیافتد. به‌منظور غلبه بر این مسئله، الگوریتم‌های فراابتکاری شامل بهینه‌سازی گرگ خاکستری (gwo) و الگوریتم بهینه‌سازی نهنگ (woa) به‌کار گرفته شده‌اند. بنابراین، تمرکز اصلی این مقاله بر روی عمل‌کرد الگوریتم‌های فراابتکاری در بهینه‌سازی خوشه‌بند فازی و کاربرد آن در بخش‌بندی تصاویر رنگی چهره است. تابع هدف خوشه‌بند fcm به‌عنوان یک تابع برآزندگی برای الگوریتم‌های فراابتکاری درنظر گرفته می‌شود. این الگوریتم n بردار را به c گروه فازی تقسیم کرده و مرکز خوشه‌بندی را برای هر گروه محاسبه می‌کند. همچنین، در این مطالعه سه فضای رنگی چهره شامل ycbcr، ypbpr و yiq به‌عنوان داده‌های ورودی در بهینه‌سازی تابع برازندگی به‌کار گرفته شده‌اند. پس از بیشینه کردن تابع عضویت، بخش‌بندی تصاویر رنگی چهره بر روی سه پایگاه داده شامل (1) پایگاه داده دانشگاه صنعتی سهند (sut)، (2) پایگاه داده mr2 و (3)پایگاه داده scutfbp انجام شده است. نتایج بخش‌بندی نشان می‌دهند که عمل‌کرد الگوریتم‌های gwo و woa در بخش‌بندی تصاویر رنگی چهره نسبت به سایر الگوریتم‌های فراابتکاری نظیر الگوریتم ژنتیک (ga)، بهینه‌سازی ازدحام ذرات (pso)، الگوریتم بهینه‌سازی ملخ (goa) و الگوریتم جستجوی کلاغ (csa) بهتر بوده و همچنین دارای عمل‌کرد مناسبی نیز در سرعت همگرائی هستند.

Segmentation of Facial Color Images based on Fuzzy Clustering Optimized by Grey Wolf and Whale Algorithms

Segmentation of facial color images is an essential step in the image processing and computer vision applications, such as face recognition, identity recognition, and analysis of facial plastic surgeries. One of the most important methods of facial image segmentation is clusteringbased methods. The fuzzy cmeans (FCM) clustering is an effective method in the image segmentation, but its sensitivity to initial values may cause that this algorithm fall and stuck into the local minima. To overcome this problem, the metaheuristic algorithms, including Grey Wolf Optimization (GWO) and Whale Optimization Algorithm (WOA) have been used. Therefore, the main focus of this study is on the performance of the metaheuristic algorithms in optimizing the FCM algorithm and their applications in the segmentation of facial color images. The objective function of the FCM algorithm is considered as a fitness function for metaheuristic algorithms. This algorithm divides n vectors into C fuzzy groups and calculates the cluster center for each group. Also in this study, three color spaces (1) YCbCr, (2) YPbPr, and (3) YIQ have used as input data in optimization of the fitness function. After maximization of the membership function, segmentation of facial color images has been done on three database including, (1) Sahand University of Technology (SUT), (2) MR2, and (3) SCUTFBP. The result of segmentation show that convergence speed of the GWO and WOA methods is faster than other metaheuristic algorithm, such as Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Crow Search Algorithm (CSA), and Grasshopper Optimization Algorithm (GOA) and have a suitable performance in facial image segmentation.