بهبود عملکرد الگوریتم خوشه‌یابی خودکار تصاویر رنگی به کمک پیش‌پردازش با شبکه عصبی خودسامانده (SOM)

با توجه به کاربرد فراوان مسئله خوشه‌یابی داده‌ها به‌عنوان یکی از مسائل مهم در مبحث بازشناسی الگو، زمینه‌های تحقیقاتی متنوعی از جمله خوشه‌یابی تصاویر به این موضوع اختصاص یافته است. اکثر روش‌های مطرح‌شده برای حل مسئله خوشه‌یابی تصاویر، مبتنی بر الگوریتم‌های هوش‌جمعی می‌باشد. با توجه به حجم بالای داده ورودی در این الگوریتم‌ها (برابر تعداد پیکسل‌های تصویر)، زمان محاسباتی زیادی صرف حل مسئله می‌شود به‌طوری‌که برای هر عضو جمعیت و به تعداد تکرار الگوریتم، برای تمام داده‌های ورودی باید هزینه خوشه‌یابی پیشنهادشده توسط هر عضو محاسبه شود. نویسنده در سال 1391 یک الگوریتم خوشه‌یابی نظارت‌نشده را به‌منظور خوشه‌یابی تصاویر رنگی، با استفاده از الگوریتم جستجوی گرانشی بهبودیافته معرفی کرده است. در این مقاله با توجه به عملکرد مناسب شبکه عصبی نگاشت‌های خودسامانده (SOM)، سعی شده است ابتدا روی تمام داده‌های ورودی، توسط این شبکه، یک خوشه‌یابی اولیه انجام شود و پس از کاهش حجم داده‌های ورودی، به تعداد نرون‌های خروجی شبکه عصبی SOM، این تعداد داده محدود، به‌عنوان داده‌های ورودی الگوریتم، جهت خوشه‌یابی نهایی و تعیین خودکار تعداد خوشه‌های تصویر، مورد استفاده قرار گیرد. از طرفی با توجه به کاهش فوق‌العاده تعداد داده ورودی، دیگر در الگوریتم هوش‌جمعی، جمعیتی با تعداد اعضای زیاد و همچنین تعداد تکرار بالا مورد نیاز نیست که این خود سرعت مضاعف الگوریتم را به دنبال دارد. نتایج انجام‌شده برای تعدادی تصویر نشان می‌دهد که در روش جدید، ضمن حفظ نسبی نتایج به‌دست‌آمده قبلی، برای بعضی تصاویر، بهبود مقدار برازندگی را نیز شاهد هستیم.