خوشه‌بندی بدون ناظر تصاویر با استفاده از روش بهینه‌سازی نیروی مرکزی (CFO)
محورهای موضوعی : مهندسی برق و کامپیوتر
محمدحامد مظفری معارف
1
*
,
سیدحمید ظهیری
2
1 - دانشگاه بیرجند
2 - دانشگاه بیرجند
کلید واژه: الگوریتم بهینه‌سازی نیروی مرکزی پردازش تصویر خوشه‌بندی,
چکیده مقاله :
روش بهینه‌سازی نیروی مرکزی (CFO) یکی از روش‌های ابتکاری جستجو و بهینه‌سازی جدید است که به تازگی به مجموعه روش‌های هوش جمعی اضافه شده است. در این تحقیق، روشی مؤثر و کارامد برای خوشه‌یابی بدون ناظر تصویر با استفاده از الگوریتم فوق ارائه و CFO - Clustering نامیده شده است. در روش پیشنهادی، هر پروب در بر دارنده اطلاعات مربوط به مراکز خوشه می‌باشد که به صورت تصادفی در ابتدای فرایند جستجو مقداردهی می‌شود. این مقادیر در طی مراحل مختلف الگوریتم CFO تغییر کرده و در نهایت پس از رسیدن به شرط توقف، حاوی مراکز بهینه خوشه‌ها خواهند بود. ملاک بهینه‌سازی یا تابع برازندگی، هم حاوی فواصل درون‌خوشه‌ای و هم شامل فواصل بین خوشه‌ای می‌باشد. آزمایشات مکرر بر روی تصاویر مرجع، کارایی روش CFO-Clustering را نسبت به سایر روش‌های مرسوم خوشه‌بندی نشان می‌دهد.
Central Force Optimization (CFO) is a new member of heuristic algorithms which has been recently proposed and added to swarm intelligence algorithms. In this paper, an effective unsupervised image clustering technique is proposed, using CFO and called CFO-clustering. In the presented method, each probe includes the information of center of the clusters, and fitness function contains both inter-distance and intra-distance of the samples. Extensive experimental results show that the proposed CFO-clustering outperforms other similar clustering algorithms which were designed based on the evolutionary techniques.
[1] R. A. Formato, Central Force Optimization: A New Nature Inspired Computational Framework for Multidimensional Search and Optimization, Studies in Computational Intelligence 129, pp. 221-238, 2008.
[2] R. A. Formato, "Central force optimization: a new metaheuristic with applications in applied electromagnetic," Progress in Electromagnetics Research, vol. 77, no. 1, pp. 425-491, Sep. 2007.
[3] G. M. Qubati, R. A. Formato, and N. I. Dib, "Antenna benchmark performance and array synthesis using central force optimization," Microwaves, Antennas, and Propagation, IET, vol. 4, no. 5, pp. 583-592, Oct. 2010.
[4] I. E. Evangelou, D. G. Hadjimitsis, A. A. Lazakidou, and C. Clayton, "Data mining and knowledge discovery in complex image data using artificial neural networks," in Proc. Workshop on Complex Reasoning and Geographical Data, Aug. 2001.
[5] T. Lillesand and R. Keifer, Remote Sensing and Image Interpretation, John Wiley & Sons, 1994.
[6] J. A. Hartigan, Clustering Algorithms, John Wiley & Sons, 1975.
[7] U. Maulik and S. Bandyopadhyay, "Genetic algorithm-based clustering technique," J. of the Pattern Recognition, vol. 33, no. 9, pp. 1455-1465, Dec. 2000.
[8] L. Y. Tseng and S. B. Yang, "A genetic approach to the automatic clustering problem," J. of the Pattern Recognition, vol. 34, no. 3, pp. 415-424, May. 2001.
[9] D. W. van der Merwe and A. P. Engelbrecht, "Data clustering using particle swarm optimization," in Proc. of the 2003 Congress on Evolutionary Computation, vol. 1, pp. 215-220, Sep. 2003.
[10] D. L. Davies and D. W. Bouldin, "A cluster separation measure," IEEE Trans. Pattern Anal. Machine Intell, vol. 12, no. 3, pp. 234-246, Sep. 1979.
[11] S. Bandyopadhyay and U. Maulik, "Genetic clustering for automatic evolution of clusters and application to image classification," IEEE Pattern Recognition Con., vol. 1, no. 1, pp. 421-427, Oct. 2002.
[12] V. Katari and S. C. Satapathy, "Hybridized improved genetic algorithm with variable length chromosome for image clustering," IJCSNS International J. of Computer Science and Network Security, vol. 26, no. 4, pp. 135-152, Aug. 2007.
[13] D. E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning, Reading, MA: Addison-Wesley, 1989.