بهبود قطعه بندی تصویر با استفاده از گراف کات
چکیده
قطعه بندی تصویر، یک مساله پایه در بینایی ماشین است. در روش مبتنی بر برش نرمالیزه گراف (ncut)، حل این مساله به انتخاب بردار ویژه متناظر با دومین کوچکترین مقدار ویژه یک ماتریس خاص می انجامد. در این پایان نامه، ضمن بیان هم ارزی رابطه ریاضی حاکم بر مساله ی بدون مربیِ ncut با معیار fisher-rao در طبقه بندیِ با مربی، از نگاهی نو به مساله ی انتخاب بردار ویژه پرداخته شده است. در این پژوهش با پیشنهاد معیاری کارا از دیدگاه fisher-rao، به گزینش و مرتب سازی بردارهای ویژه در مساله هم ارز ncut آن پرداختیم. نتایج آزمایش هم ارزی قطعه بندی تصویر برپایه این دو معیار، ارایه قطعه بندی با اندازه ncut کمتر و گوناگونیِ ارزش گذاریِ بردارهای ویژه را نشان می دهد. همچنین در این پایان نامه، یک الگوریتم یادگیری اصلاح شده برای شبکه های توابع اساسی شعاعی پیشنهاد شده است که منجر به تعداد نرون های لایه میانی کمتری می شود در حالی که دقت طبقه بندی شبکه های توابع اساسی شعاعی را حفظ می کند. برای این منظور از روش خوشه بندی مبتنی بر برش نرمالیزه برای ساخت طبقه بندی کننده ی شبکه توابع اساسی شعاعی استفاده شده است. وزن های بین لایه ی نهان و لایه ی خروجی با استفاده از روش شبه معکوس محاسبه شده است.دقت روش پیشنهادی با روش متداول آموزش شبکه های توابع اساسی شعاعی مبتنی بر k-means مقایسه شده است. نتایج آزمایش ها نشان می دهد که روش پیشنهادی در کاهش تعداد نرون های لایه میانی موثر است در حالی که دقت طبقه بندی را ثابت نگه می دارد. همچنین با استفاده از شبکه تابع اساسی شعاعی به قطعه بندی تصویر پرداختیم.
