Genetic Learning for Adaptive Image Segmentation

تقسیم بندی تصویر معمولاً اولین کار در هر برنامه خودکار درک تصویر است، مانند ناوبری خودکار خودرو، تشخیص اشیا، تفسیر عکس، و غیره. کیفیت تقسیم بندی یکی از ضعف‌های اساسی الگوریتم‌های تقسیم‌بندی تصویر کنونی، ناتوانی آن‌ها در انطباق فرآیند تقسیم‌بندی است، زیرا تغییرات دنیای واقعی در تصویر منعکس می‌شود. تنها پس از تغییرات متعدد در پارامترهای کنترل الگوریتم، می‌توان از هر تکنیک تقسیم‌بندی تصویر فعلی برای مدیریت تنوع تصاویری که در برنامه‌های کاربردی دنیای واقعی با آن مواجه می‌شوند، استفاده کرد.
یادگیری ژنتیک برای تقسیم‌بندی تصویر تطبیقی اولین سیستم تقسیم‌بندی تصویر حلقه بسته را ارائه می‌کند که الگوریتم‌های ژنتیکی و سایر الگوریتم‌ها را برای تطبیق فرآیند تقسیم‌بندی با تغییرات ویژگی‌های تصویر ناشی از شرایط محیطی متغیر، مانند زمان روز، زمان سال، آب و هوا و غیره. عملکرد تقسیم‌بندی تصویر با استفاده از معیارهای متعدد کیفیت تقسیم‌بندی ارزیابی می‌شود. این معیارهای کیفیت شامل ویژگی‌های کلی کل تصویر و همچنین ویژگی‌های محلی مناطق تک تک شی در تصویر است.
این سیستم تقسیم‌بندی تصویر تطبیقی ​​سازگاری مداوم با تغییرات محیطی معمولی را فراهم می‌کند، قابلیت‌های یادگیری را نشان می‌دهد و عملکرد قوی را هنگام تعامل با یک محیط پویا ارائه می‌دهد. این تحقیق به سمت انطباق عملکرد یک الگوریتم تقسیم‌بندی شناخته شده موجود (ققنوس) در طیف گسترده‌ای از شرایط محیطی که باعث تغییر در ویژگی‌های تصویر می‌شود، انجام می‌شود. این کتاب تعداد زیادی از نتایج تجربی را ارائه می‌کند و عملکرد را با تکنیک‌های استاندارد مورد استفاده در بینایی کامپیوتر برای ثبات و کیفیت نتایج تقسیم‌بندی مقایسه می‌کند. این نتایج نشان می‌دهد، (الف) توانایی انطباق عملکرد بخش‌بندی در تصاویر رنگی داخلی و خارجی، و (ب) یادگیری از تجربه می‌تواند برای بهبود عملکرد بخش‌بندی در طول زمان مورد استفاده قرار گیرد.

Image segmentation is generally the first task in any automated image understanding application, such as autonomous vehicle navigation, object recognition, photointerpretation, etc. All subsequent tasks, such as feature extraction, object detection, and object recognition, rely heavily on the quality of segmentation. One of the fundamental weaknesses of current image segmentation algorithms is their inability to adapt the segmentation process as real-world changes are reflected in the image. Only after numerous modifications to an algorithm's control parameters can any current image segmentation technique be used to handle the diversity of images encountered in real-world applications.
Genetic Learning for Adaptive Image Segmentation presents the first closed-loop image segmentation system that incorporates genetic and other algorithms to adapt the segmentation process to changes in image characteristics caused by variable environmental conditions, such as time of day, time of year, weather, etc. Image segmentation performance is evaluated using multiple measures of segmentation quality. These quality measures include global characteristics of the entire image as well as local features of individual object regions in the image.
This adaptive image segmentation system provides continuous adaptation to normal environmental variations, exhibits learning capabilities, and provides robust performance when interacting with a dynamic environment. This research is directed towards adapting the performance of a well known existing segmentation algorithm (Phoenix) across a wide variety of environmental conditions which cause changes in the image characteristics. The book presents a large number of experimental results and compares performance with standard techniques used in computer vision for both consistency and quality of segmentation results. These results demonstrate, (a) the ability to adapt the segmentation performance in both indoor and outdoor color imagery, and (b) that learning from experience can be used to improve the segmentation performance over time.