[논문 리뷰] Color Image Segmentation using Adaptive Particle Swarm Optimization and Fuzzy C-means

Narayana Reddy A, Ranjita Das|arXiv (Cornell University)|2020. 04. 18.

Remote-Sensing Image Classification참고 문헌 3인용 수 5

한 줄 요약

이 논문은 표준 FCM와 PSO-FCM보다 높은 정확도와 노이즈 내성 향상을 위해 적응형 입자군집최적화(APSO)와 퍼지 C-평균(FCM)을 융합한 새로운 색상 이미지 분할 알고리즘인 APSOF을 제안한다. APSO는 입자군집의 행동에 기반해 관성 가중치와 학습 인자들을 동적으로 조정함으로써 군집 초기화를 최적화하여, 표준 FCM 및 PSO에 비해 분할 정확도와 수렴 속도를 크게 향상시킨다.

ABSTRACT

Segmentation partitions an image into different regions containing pixels with similar attributes. A standard non-contextual variant of Fuzzy C-means clustering algorithm (FCM), considering its simplicity is generally used in image segmentation. Using FCM has its disadvantages like it is dependent on the initial guess of the number of clusters and highly sensitive to noise. Satisfactory visual segments cannot be obtained using FCM. Particle Swarm Optimization (PSO) belongs to the class of evolutionary algorithms and has good convergence speed and fewer parameters compared to Genetic Algorithms (GAs). An optimized version of PSO can be combined with FCM to act as a proper initializer for the algorithm thereby reducing its sensitivity to initial guess. A hybrid PSO algorithm named Adaptive Particle Swarm Optimization (APSO) which improves in the calculation of various hyper parameters like inertia weight, learning factors over standard PSO, using insights from swarm behaviour, leading to improvement in cluster quality can be used. This paper presents a new image segmentation algorithm called Adaptive Particle Swarm Optimization and Fuzzy C-means Clustering Algorithm (APSOF), which is based on Adaptive Particle Swarm Optimization (APSO) and Fuzzy C-means clustering. Experimental results show that APSOF algorithm has edge over FCM in correctly identifying the optimum cluster centers, there by leading to accurate classification of the image pixels. Hence, APSOF algorithm has superior performance in comparison with classic Particle Swarm Optimization (PSO) and Fuzzy C-means clustering algorithm (FCM) for image segmentation.

연구 동기 및 목표

• 표준 퍼지 C-평균(FCM)의 초기 군집 중심과 노이즈에 대한 민감성 등의 한계를 해결하기 위해.
• 기존 PSO의 단점을 보완하기 위해 수렴성과 군집 품질 향상을 위한 적응형 파rameter 조정을 도입하기 위해.
• APSO를 FCM의 우수한 초기화 도구로 활용하여 더 정확하고 강건한 분할을 달성하기 위한 하이브리드 프레임워크를 개발하기 위해.
• 표준 FCM가 만족스러운 결과를 도출하지 못하는 복잡한 색상 이미지에서 분할의 신뢰성과 성능을 향상시키기 위해.

제안 방법

• 최적화 과정 중 입자군집의 행동에 기반해 주요 초모수—특히 관성 가중치와 인지/사회적 학습 인자—를 동적으로 조정하기 위해 적응형 입자군집최적화(APSO)를 적용한다.
• APSO에서 최적화된 입자 위치를 퍼지 C-평균(FCM) 군집 알고리즘의 초기 군집 중심으로 사용한다.
• FCM를 개선된 초기화와 함께 통합하여 퍼지 소속도 기반으로 픽셀 분류를 정밀화하고 군집 내 분산을 측정하는 목적 함수를 최소화한다.
• PSO의 빠른 수렴성과 낮은 초모수 수를 활용하면서도 적응형 제어 메커니즘을 통해 성능을 향상시킨다.
• FCM의 목적 함수를 군집 중심과 픽셀 간 거리의 가중 제곱합 최소화로 설정하며, 이때 퍼지 소속도를 고려한다.
• 개인 및 전역 최적 위치를 기반으로 한 속도 및 위치 갱신 규칙을 사용하여 APSO 내 입자 위치를 반복적으로 갱신하며, 적응형 파rameter 조정을 통합한다.

실험 결과

연구 질문

• RQ1 PSO에서의 적응형 파rameter 조정이 색상 이미지 분할에서 FCM의 초기화 품질을 크게 향상시킬 수 있는가?
• RQ2 제안된 APSOF 프레임워크가 표준 FCM 및 PSO-FCM에 비해 분할 정확도와 노이즈에 대한 내성에서 뛰어난가?
• RQ3 APSO에서 관성 가중치와 학습 인자의 동적 조정이 수렴 속도와 군집 품질에 어떤 영향을 미치는가?
• RQ4 기존 FCM에 비해 APSOF가 초기 군집 수와 초기 중심 선택에 얼마나 덜 의존하는가?
• RQ5 하이브리드 APSOF 접근법이 실제 색상 이미지에서 더 시각적으로 우수하고 정확한 분할 결과를 도출할 수 있는가?

주요 결과

• 적응형 파rameter 제어를 통한 개선된 초기화 덕분에 APSOF 알고리즘은 표준 FCM 및 PSO-FCM에 비해 뛰어난 분할 정확도를 달성한다.
• APSO는 입자군집의 탐색 공간을 효과적으로 탐색하고 최적 구성으로 수렴함으로써 FCM의 초기 군집 중심 선택에 대한 민감도를 감소시킨다.
• 관성 가중치와 학습 인자의 적응형 조정은 수렴 속도를 향상시키고 최적화 과정에서 조기 수렴을 방지한다.
• 실험 결과, APSOF는 더 정확하고 안정된 군집 중심을 생성하여 색상 이미지의 픽셀 분류 품질을 향상시킨다.
• 제안된 방법은 FCM와 PSO-FCM보다 진짜 이미지 영역 수를 더 정확히 식별하고 분할 오차를 최소화하는 데 뛰어나다.
• 시각적 평가 결과, 특히 노이즈가 많거나 복잡한 색상 이미지에서 FCM보다 APSOF가 더 통합되고 의미 있는 분할 영역을 도출함을 확인할 수 있다.