یک رهیافت آستانه‌گیری چندسطحی تصویر مبتنی بر الگوریتم جستجوی کلاغ و روش آتسو

ناحیه‌بندی تصویر یکی از مسائل اساسی در پردازش تصویر است که اشیاء و دیگر ساختارهای موجود در تصویر را شناسایی می‌کند. یکی از روش‌هایی که به‌طور گسترده‌ در ناحیه‌بندی تصویر به‌کار گرفته شده است، آستانه‌گیری می‌باشد که قادر است پیکسل‌های مبتنی‌بر آستانه‌های معین را جداسازی نماید. در روش آتسو برای تعیین حد آستانه سعی می‌شود که تا حد امکان واریانس درون کلاس‌ها را افزایش و واریانس بین کلاس‌ها را کاهش داد. از جمله مشکلات این روش، افزایش زمان محاسبات با افزایش تعداد حدود آستانه است. یکی از راهکارهای تاثیرگذار و پرکاربرد برای رفع مشکلات روش آتسو، ترکیب آن با الگوریتم‌های تکاملی است که می‌تواند کارایی ناحیه‌بندی تصویر را افزایش و زمان لازم را کاهش دهد. الگوریتم جستجوی کلاغ یکی از الگوریتم‌های نوین فرا اکتشافی مبتنی بر جمعیت است که از روش‌هایی که کلاغ‌ها برای ذخیره‌سازی و بازیابی غذای خود استفاده می‌کنند، الهام گرفته است. در این مقاله یک روش ترکیبی بر‌اساس الگوریتم جستجوی کلاغ و روش آتسو برای آستانه‌گیری چند‌سطحی پیشنهاد می‌شود. نتایج به‌دست‌آمده با سایر الگوریتم‌هایی که با روش آتسو ترکیب شده‌اند، از جمله الگوریتم پرندگان، الگوریتم کرم شب‌تاب و الگوریتم کرم شب‌تاب فازی مقایسه شده است. ارزیابی روی پنج تصاویر محک نشان می‌دهد که روش پیشنهادی توانسته است مدت زمان اجرا و میزان یکنواختی را بهبود بخشد.

A multilevel image thresholding approach based on crow search algorithm and Otsu method

Image segmentation is one of the fundamental problems in image processing, which identifies the objects and other structures in the image. One of the widely used methods for image segmentation is image thresholding that can separate pixels based on the specified thresholds. Otsu method calculates the thresholds to divide two or multiple classes based on betweenclass variance maximization and withinclass variance minimization. However, increasing the number of thresholds, surging the computational time of the segmentation. To combat this drawback, the combination of Otsu and the evolutionary algorithm is usually beneficial. In this paper, we proposed a hybrid method based on employing CSA and Otsu for multilevel thresholding. The obtained results compared with the combination of the Otsu method with three other evolutionary algorithms consisting of improved Particle Swarm Optimization (PSO), Firefly Algorithm (FA), and also the fuzzy version of FA. Our evaluation of the five benchmark images shows competitive/ improved results both in time and uniformity.