بررسی کارآیی الگوریتم های بهینه سازی تکاملی در بخش بندی تصاویر سنجش از دور با استفاده از ویژگی بافت

امروزه بافت نقش بسیار مهمی در بسیاری از وظایف اعم از سنجش از دور، تصویر برداری پزشکی و جستجوی محتوا در تصاویر پایگاه داده ای ایفا می کند. ارائه طبقه بندی کننده مطمئن و کارا یکی از چالش های اساسی طبقه بندی سنجش از دور با استفاده از بافت می باشد. استفاده از شبکه های عصبی و الگوریتم های بهینه سازی تکاملی حوزه پژوهشی نسبتاً جدیدی هستند که در سالهای گذشته در مطالعات کاربرد فراوان داشته اند. در این مقاله ویژگی های بافت تصویر با استفاده از فیلترهای گابور و ماتریس هم وقوعی سطح خاکستری استخراج می شوند همچنین جهت بخش بندی تصویر با استفاده از شبکه عصبی پرسپترون چند لایه (Multi Layer Peceptron) فرآیند یادگیری شبکه عصبی یعنی تنظیم وزنها و بایاس های شبکه عصبی با استفاده از الگوریتم های مختلف بهینه سازی نظیر الگوریتم رقابت استعماری (ImperialistCompetitive Algorithm)، الگوریتم ازدحام ذرات (Particle Swarm Optimization)، الگوریتم ژنتیک (Genetic Algorithm) و ترکیب آنها (GA_PSO) انجام می شود. با بررسی و مقایسه صحت طبقه بندی مشخص شد، شبکه آموزش داده شده با الگوریتم GA نقش موثرتر و مفیدتری در بخش بندی تصویر ارائه می دهد.

کلیدواژه ها:

شبکه های عصبی ، الگوریتم های بهینه سازی تکاملی ، الگوریتم رقابت استعماری ، الگوریتم اردحام ذرات ، الگوریتم ژنتیک