همانطوری که مشاهده می­ شود میزان دقت روش پیشنهادی برای دو تصویر محک شماره ۱ و ۲، نسبت به روش­های دیگر بالا می­باشد. فقط در بخش­بندی تصویر شماره ۱ میزان دقت روش PFCM نسبت به روش NLICA کمی بیشتر است و این به دلیل نزدیک بودن مقادیر شدت روشنایی دو ناحیه موجود در تصویر شماره ۱ و تأثیر نویز است که موجب کاهش دقت بخش­بندی با روش­های مختلف شده است. در جدول ۶-۵ نتایج بخش­بندی تصویر شماره ۳ با بهره گرفتن از الگوریتم­های FCM، ترکیب فازی و الگوریتم ژنتیک، الگوریتم EnFCM، FGFCM و الگوریتم OSFCM-SNLS[56] با نتیجه به دست­آمده با الگوریتم NLICA مقایسه شده است. با توجه به نتایج جدول ۶-۶ مشخص می­ شود که الگوریتم NLICA نسبت به سایر روش­ها، تصویر نویزدار شماره ۳ را که دارای چهار ناحیه مجزا بوده و با نویز گوسین تخریب گردیده، بهتر و با دقت بالایی بخش­بندی کرده است.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

جدول ۶-۶: مقایسه نتایج بخش­بندی تصویر محک شماره ۳ با بهره گرفتن از روش­های مختلف

NLICA

OSFCM-SNLS

FGFCM

EnFCM

ترکیب ژنتیک و فازی

FCM

نام روش (الگوریتم)

۳۰

۲۴۹

۶۶۲

۷۰۷

۴۴۴۳

۱۴۵۲۲

تعداد پیکسل­های اشتباه
دسته­بندی­شده

۹۵/۹۹

۶۲/۹۹

۹۹/۹۸

۹۲/۹۸

۲۲/۹۳

۸۴/۷۸

دقت

۶-۲-۲ تحلیل نتایج بخش­بندی تصاویر طبیعی
در این قسمت الگوریتم NLICA برای بخش­بندی تصاویر محک طبیعی معرفی ­شده، به کار رفته است. تصاویر محک یکبار بدون اضافه ­کردن نویز و یکبار پس از افزودن نویز، بخش­بندی شده و نتایج هر کدام جداگانه در جداول ۶-۶ و ۶-۷ گزارش شده­ است. انتظار می­رود دقت بخش­بندی تصاویر بدون ­نویز بیشتر از تصاویر نویزدار باشد.

    • تحلیل نتایج بخش­بندی تصاویر طبیعی بدون نویز

با توجه به جدول ۶-۷، دقت بخش­بندی تصاویر محک طبیعی بخش­بندی ­شده به وسیله الگوریتم NLICA بالا و در نتیجه میزان خطا برای تمام تصاویر مقدار کمی می­باشد. شکل­های ۶-۶ تا ۶-۸، تصاویر
بخش­بندی ­شده با الگوریتم NLICA را نشان می­دهد. مقدار پارامتر h2، در بخش­بندی تصاویر بدون نویز ۳/۰ در نظرگرفته شده و اندازه پنجره همسایگی هر پیکسل ۵×۵ و ابعاد پنجره بزرگ (غیرمحلی) پیرامون پیکسل مرکزی برابر با ۹×۹ انتخاب شده است. روش تحلیل مؤلفه­ های اصلی که در فصل پنجم به منظور تعیین اندازه پارامتر میزان نزول جمله نمایی در محاسبه وزن بین پیکسل­ها (h) در بخش­بندی تصاویر
بدون­نویز استفاده نمی­ شود و پارامتر h، برای همه تصاویر، مقدار ثابت و یکسانی دارد. با توجه به تصاویر بخش­بندی­شده در شکل­های ۶-۶ تا ۶-۸ مشاهده می­کنیم که تصاویر به ناحیه­های مجزا و یکنواختی تقسیم شده و اشیاء مختلف موجود در تصویر به خوبی مشخص هستند. دقت بخش­بندی همه تصاویر محک با بهره گرفتن از الگوریتم NLICA بالای ۹۰ درصد بوده و تصاویر بخش­بندی ­شده تشابه بسیاری با تصاویر
بخش­بندی ­شده مرجع دارند.
جدول ۶-۷ نتایج بخش­بندی تصاویر محک طبیعی با بهره گرفتن از الگوریتم NLICA

دقت (درصد)

تعداد پیکسل­های اشتباه دسته­بندی­شده

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...