اطلاعات مکانی هر پیکسل به صورت اضافه کردن درصدی از میانگین شدت روشنایی
پیکسل­های همسایه هر پیکسل به شدت روشنایی آن محاسبه
می­ شود.

۱- عدم توانایی بخش­بندی تصاویر که شدت نویز در آنها زیاد است.
۲- تعداد خوشه­های تصویر باید به عنوان ورودی به الگوریتم داده شود.

۱- استفاده از اطلاعات مکانی و روابط همسایگی پیکسل­ها
۲- خوشه­بندی سریع بر اساس هیستوگرام تصویر جدید ایجادشده به وسیله اضافه­کردن میانگین شدت روشنایی پیکسل­های همسایه به پیکسل مرکزی

]۷[

ندارد

تعداد خوشه­های (ناحیه­های) تصویر باید به عنوان ورودی به الگوریتم داده شود.

استفاده از یک معیار شباهت (فاصله) که در آن علاوه بر فاصله شدت روشنایی، فاصله مکانی پیکسل­ها نیز به کار رفته است، موجب بهبود در کیفیت بخش­بندی تصویر، به خصوص تصاویر نویزدار شده است.

]۴[

ندارد

تعداد خوشه­های تصویر باید به عنوان ورودی به الگوریتم داده شود.

تأثیر پیکسل­های همسایه بر پیکسل مرکزی با افزودن جمله پنالتی به تابع هدف الگوریتم، موجب افزایش دقت بخش­بندی تصاویر نویزدار شده است.

]۸[

محاسبه میانگین وزن­دار
پیکسل­های درون پنجره همسایگی بزرگ پیرامون هر پیکسل

تعداد خوشه­های تصویر باید به عنوان ورودی به الگوریتم داده شود.

استفاده از اطلاعات غیرمحلی پیکسل­ با بهره گرفتن از پیکسل­های درون پنجره نسبتاً بزرگ پیرامون پیکسل مرکزی، برای خوشه­بندی آن، باعث کاهش چشمگیر نویز در تصویر بخش­بندی­شده و افزایش دقت بخش­بندی شده است.

]۶[

محاسبه میانگین وزن­دار
پیکسل­های درون پنجره همسایگی بزرگ پیرامون هر پیکسل با بهره گرفتن از جزئیات و تصویری که اثر نویز در آن کاهش یافته است.

تعداد خوشه­های تصویر باید به عنوان ورودی داده شود.

۱- استفاده از تصویر نویززدایی­شده با نقاب گوسین و همچنین جزئیات تصویر ورودی در جمع­آوری اطلاعات غیرمحلی برای
پیکسل­های تصویر و بخش­بندی دقیق تصاویر

روش پیشنهادی

فصل ۷
نتیجه ­گیری و راه­کارهای آتی
در این فصل نتیجه ­گیری حاصل از انجام بخش­بندی تصاویر گوناگون با بهره گرفتن از الگوریتم پیشنهادی، ارائه شده و در مورد اهمیت بخش­بندی در پردازش تصویر و بینایی ماشین بحث می­گردد. همچنین الگوریتم NLICA به طور خلاصه توصیف و نتایج حاصل از اعمال این الگوریتم بر روی تصاویر مختلف بررسی می­گردد و در ادامه در بخش راه­کارهای آتی، چند پیشنهاد برای ادامه راه این پایان نامه ارائه می­گردد.
۷-۱ نتیجه ­گیری
بخش­بندی تصویر عبارتست از تفکیک پیکسل­های تصویر به نواحی مجزایی که هر یک از این نواحی برحسب ویژگی یا ویژگی­هایی مانند شدت روشنایی، رنگ و بافت یکسان هستند و یا تا حدممکن تشابه و همبستگی دارند. یکی از روش­های بخش­بندی تصویر، خوشه­بندی پیکسل­های تصویر با بهره گرفتن از ویژگی­های آنها
می­باشد. پس از انجام خوشه­بندی بر روی پیکسل­های تصویر، فاصله بین پیکسل­های متعلق به یک ناحیه در فضای ویژگی­ها باید کمینه و فاصله بین پیکسل­های متعلق به خوشه­های مختلف، بیشترین مقدار را داشته باشد. در الگوریتم پیشنهادی، ترکیب الگوریتم خوشه­بندی K-means و الگوریتم رقابت استعماری