بررسی الگوریتم‌‌های فراابتکاری در قطعه‌بندی تصویر مبتنی بر خوشه‌بندی

خلاصه مقاله قطعه‌بندی تصویر به فرایند تقسیم تصویر ورودی به چندین مؤلفه غیرهمپوشان گویند که در دهه‌‌‌های اخیر محققان، روش‌‌‌های پیشرفته و متنوعی برای آن ارائه کرده‌اند. با موفقیت روش یادگیری عمیق در زمینه بینایی ماشین، از روش یادگیری عمیق نیز به طور گسترده‌ای در قطعه‌بندی تصویر استفاده شده و نتایج بسیار خوبی بدست آمده است. به‌طورکلی در مقایسه روش‌‌‌های قطعه‌بندی تحت نظارت با بدون نظارت، به علت اینکه روش‌‌‌های بدون نظارت به داده برچسب¬دار نیاز ندارد، بسیاری از محققان به این سمت روی آوردند. الگوریتم‌‌‌های خوشه‌بندی به‌عنوان یک راهکار بدون نظارت دارای چالش‌‌‌هایی از جمله گیرافتادن در بهینه محلی و انتخاب بهینه تعداد خوشه‌‌‌ها و ... هستند که منجر به نامطلوب شدن نتایج خوشه‌بندی می‌شود. یکی از رویکرد‌‌ها جهت غلبه بر مشکلات الگوریتم‌‌‌های متداول خوشه‌بندی، استفاده از الگوریتم‌‌‌های بهینه‌سازی فراابتکاری سراسری است و ازآنجاکه الگوریتم‌‌‌های جستجوی سراسری بیشتر باعث افزایش قدرت کاوش الگوریتم کلی می‌شوند؛ لذا عملگر‌‌های جستجوی محلی نیز ارائه شده است که با ترکیب با الگوریتم‌‌‌های سراسری باعث بهبود و افزایش قدرت الگوریتم در یافتن بهینه‌‌‌های محلی می‌شود و در این صورت قدرت بهره¬وری الگوریتم نیز افزایش می‌یابد. این مقاله به بررسی الگوریتم‌های مختلفی که برای حل مسئله خوشه‌بندی تصویر پرداخته است و تمرکز اصلی بر این است که جنبه‌های مختلفی مانند روش‌های نوظهور، مسائل مرتبط با انواع تصاویر، پایگاه‌های اطلاعاتی، کاربردهای قطعه‌بندی را در بر گیرد. این مطالعه می‌تواند برای محققان در جهت توسعه روش‌های جدید برای خوشه‌بندی تصویر مفید باشد. واژه‌های کلیدی قطعه‌بندی تصویر، خوشه‌بندی، الگوریتم‌‌‌های فرا ابتکاری، جستجوی محلی