Сегментація зображень із використанням генетичних алгоритмів
Loading...
Date
2021-12-10
Authors
Гороховський, Семен
Мороз, Андрій
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
У статті ми використовуємо генетичні алгоритми для розв’язання проблеми сегментації зображень, яка є вирішальним етапом у процесі оброблення та аналізу зображень. Сегментація зображення – це процес розбиття одного зображення на множину сегментів, де сегменти вже більш репрезентативні та зручніші для дослідження. Як деталі можна використовувати окремі поверхні або предмети. Процес сегментації зображень застосовують для визначення об’єктів та їхніх меж. Сенс використання генетичних алгоритмів полягає у тому, що кожен піксель групується в інші пікселі за допомогою функції відстані на основі як локальних, так і глобальних уже обчислених сегментів. Майже кожен алгоритм сегментації зображень містить параметри, які використовують для управління результатами сегментації; генетична система може динамічно змінювати параметри для досягнення найкращих показників. Як і в послідовності зображень, для оптимізації декількох параметрів у процесі застосовували багатоцільові генетичні алгоритми, за допомогою яких можна знайти різноманітну колекцію рішень із більшою кількістю змінних. Описано додаток, який дає змогу сегментувати зображення з використанням генетичних алгоритмів без потреби попереднього тренування моделі на великому масиві даних.
Image segmentation is a crucial step in the image processing and analysis process. Image segmentation is the process of splitting one image into many segments. Image segmentation divides images into segments that are more representative and easier to examine. Individual surfaces or items can be used as such pieces. The process of image segmentation is used to locate objects and their boundaries. Genetic algorithms are stochastic search methods, the work of which is taken from the genetic laws, natural selection, and evolution of organisms. Their main attractive feature is the ability to solve complex problems of combinatorial search effectively, because the parallel study of solutions, largely eliminates the possibility of staying on the local optimal solution rather than finding a global one. The point of using genetic algorithms is that each pixel is grouped with other pixels using a distance function based on both local and global already calculated segments. Almost every image segmentation algorithm contains parameters that are used to control the segmentation results; the genetic system can dynamically change parameters to achieve the best performance. Similarly to image sequencing, to optimize several parameters in the process, multi-targeted genetic algorithms were used, which enabled finding a diverse collection of solutions with more variables. Multi- targeted Genetic Algorithm (MTGA) is a guided random search method that consists of optimization techniques. It can solve multi-targeted optimization problems and explore different parts of the solution space. As a result, a diversified collection of solutions can be found, with more variables that can be optimized at the same time. In this article several MTGA were used and compared. Genetic algorithms are a good tool for image processing in the absence of a high-quality labeled data set, which is either a result of the long work of many researchers or the contribution of large sums of money to obtain an array of data from external sources. In this article, we will use genetic algorithms to solve the problem of image segmentation.
Image segmentation is a crucial step in the image processing and analysis process. Image segmentation is the process of splitting one image into many segments. Image segmentation divides images into segments that are more representative and easier to examine. Individual surfaces or items can be used as such pieces. The process of image segmentation is used to locate objects and their boundaries. Genetic algorithms are stochastic search methods, the work of which is taken from the genetic laws, natural selection, and evolution of organisms. Their main attractive feature is the ability to solve complex problems of combinatorial search effectively, because the parallel study of solutions, largely eliminates the possibility of staying on the local optimal solution rather than finding a global one. The point of using genetic algorithms is that each pixel is grouped with other pixels using a distance function based on both local and global already calculated segments. Almost every image segmentation algorithm contains parameters that are used to control the segmentation results; the genetic system can dynamically change parameters to achieve the best performance. Similarly to image sequencing, to optimize several parameters in the process, multi-targeted genetic algorithms were used, which enabled finding a diverse collection of solutions with more variables. Multi- targeted Genetic Algorithm (MTGA) is a guided random search method that consists of optimization techniques. It can solve multi-targeted optimization problems and explore different parts of the solution space. As a result, a diversified collection of solutions can be found, with more variables that can be optimized at the same time. In this article several MTGA were used and compared. Genetic algorithms are a good tool for image processing in the absence of a high-quality labeled data set, which is either a result of the long work of many researchers or the contribution of large sums of money to obtain an array of data from external sources. In this article, we will use genetic algorithms to solve the problem of image segmentation.
Description
Keywords
оброблення зображень, сегментація зображень, генетичні алгоритми, стаття, image processing, image segmentation, genetic algorithms, article
Citation
Гороховський С.С. Сегментація зображень із використанням генетичних алгоритмів / Гороховський С. С., Мороз А. В. // Наукові записки НаУКМА. Комп'ютерні науки. - 2021. - Т. 4. - С. 52-55. - https://doi.org/10.18523/2617-3808.2021.4.52-55