Soft Computing for Image Processing

هر کاری که مستلزم تصمیم گیری باشد، می تواند از تکنیک های محاسباتی نرم بهره مند شود که امکان به تعویق انداختن تصمیمات زودهنگام را فراهم می کند. پردازش و تحلیل تصاویر نیز از این قاعده مستثنی نیست. در پارادایم تحلیل تصویر کلاسیک، گام اول تقریباً همیشه نوعی فرآیند بخش‌بندی است که در آن تصویر به بخش‌های (امیدوارم، معنادار) تقسیم می‌شود. تقریباً 30 سال پیش توسط پریویت (1) اشاره شد که تصمیمات مربوط به تقسیم بندی تصویر را می توان با در نظر گرفتن قسمت های تصویر به عنوان زیرمجموعه های مبهم و نه واضح تصویر به تعویق انداخت. همچنین خیلی زود متوجه شد که بسیاری از ویژگی های اساسی و عملیات روی زیرمجموعه های تصویر را می توان به زیر مجموعه های فازی تعمیم داد؛ به عنوان مثال، مقاله کلاسیک مجموعه های فازی توسط زاده [2] در مورد \"جبر مجموعه\" مجموعه های فازی (با استفاده از sup برای اتحاد و inf برای تقاطع) بحث کرد. تعریف تحدب را به مجموعه‌های فازی تعمیم داد. این ایده‌ها و ایده‌های مشابه به بسیاری از روش‌های تحلیل تصویر اجازه تعمیم به بخش‌های تصویر فازی دادند. همچنین در پردازش تصویر و کدگذاری ارزشمند است، جایی که فرآیندهای یادگیری می‌توانند در انتخاب پارامترهای فیلترها، کوانتیزرها و غیره مهم باشند.

Any task that involves decision-making can benefit from soft computing techniques which allow premature decisions to be deferred. The processing and analysis of images is no exception to this rule. In the classical image analysis paradigm, the first step is nearly always some sort of segmentation process in which the image is divided into (hopefully, meaningful) parts. It was pointed out nearly 30 years ago by Prewitt (1] that the decisions involved in image segmentation could be postponed by regarding the image parts as fuzzy, rather than crisp, subsets of the image. It was also realized very early that many basic properties of and operations on image subsets could be extended to fuzzy subsets; for example, the classic paper on fuzzy sets by Zadeh [2] discussed the "set algebra" of fuzzy sets (using sup for union and inf for intersection), and extended the defmition of convexity to fuzzy sets. These and similar ideas allowed many of the methods of image analysis to be generalized to fuzzy image parts. For are cent review on geometric description of fuzzy sets see, e. g. , [3]. Fuzzy methods are also valuable in image processing and coding, where learning processes can be important in choosing the parameters of filters, quantizers, etc.