همانطوری که در جدول بالا مشاهده می­ شود، روش NLICA نسبت به الگوریتم­های دیگر تصاویر نویزدار را با دقت بالایی بخش­بندی کرده است. برتری روش پیشنهادی با مقایسه نتایج بخش­بندی آن با نتایج الگوریتم FCM بیشتر به چشم می ­آید. الگوریتم OSFCM-SNLS جزء روش­هایی است که تصاویر نویزدار را با بهره­ گیری از اطلاعات غیرمحلی پیکسل­ها به خوبی بخش­بندی می­ کند و نتایج آن قابل رقابت و نزدیک به نتایج الگوریتم NLICA می­باشد. الگوریتم NLICA نیز از اطلاعات غیرمحلی به منظور خوشه­بندی
پیکسل­ها استفاده می­ کند، با این تفاوت که هنگام محاسبه اطلاعات غیرمحلی هر پیکسل، به جای محاسبه فاصله اقلیدسی شدت روشنایی همسایگی­ها، از فاصله بین همسایگی نویززدایی شده و جزئیات همسایگی دو پیکسل استفاده می­نماید. روش ترکیبی الگوریتم ژنتیک و فازی نیز به دلیل بهره­ گیری از اطلاعات همسایگی پیکسل­ها مانند روش­های EnFCM و FGFCM نتایج بهتری را نسبت به روش خوشه­بندی FCM تولید
می­ کنند ولی نتایج روش NLICA به خصوص در بخش­بندی تصویر درختان (#۲۳۸۰۱۱)، نسبت به همه این روش­ها برتری چشمگیری دارد. تصاویر بخش­بندی ­شده با روش­های ذکرشده در شکل­های ۶-۹ تا ۶-۱۱

(الف) تصویر نویزدار (ب) تصویر بخش­بندی­شده با روش FCM

(پ) تصویر بخش­بندی­ شده با روش EnFCM(ت) نصویر بخش­بندی ­شده با روش ژنتیک و فازی
(ث) تصویر بخش­بندی ­شده با روش OSFCM-SNLS (ج) نصویر بخش­بندی ­شده با روش FGFCM
(چ) تصویر بخش­بندی­ شده با روش NLICA
شکل ۶-۹: نتایج بخش­بندی تصویر#۲۳۸۰۱۱ با روش­های مختلف
نشان داده شده ­اند. با توجه به جدول ۶-۷ می­بینیم که الگوریتم­های FCM، EnFCM و FGFCM تصویر محک اول را به خوبی بخش­بندی نمی­کنند و نویز زیادی به­خصوص در نتیجه حاصل از روش FCM باقیمانده است. برای تصویر دوم همه روش­ها به جز روش ترکیب ژنتیک و فازی نتایج بهتری نسبت به تصویر اول ایجاد می­ کنند و میزان دقت الگوریتم OSFCM-SNLS بیشتر از سایر روش­هاست و تنها در بخش­بندی این تصویر، روش OSFCM-SNLS نسبت به روش NLICA برتری نسبی دارد و دلیل اینکه روش پیشنهادی در
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

بخش­بندی تصویر دوم نسبتاً ضعیف عمل می­ کند، وجود درهم ­ریختگی و نویز در این تصویر است. در مورد تصویر سوم، دقت روش FCM کمتر از روش­های دیگر بوده و میزان دقت روش­های EnFCM و FGFCM و
OSFCM-SNLS تقریباً برابر و بیشتر از میزان دقت الگوریتم ترکیبی ژنتیک و فازی و روش FCM است. میزان دقت بخش­بندی تصویر سوم نیز، با روش NLICA بیشتر از سایر روش­ها است و به ­خصوص تعداد پیکسل­های موجود در چهار گوشه تصویر که به اشتباه خوشه­بندی شده ­اند، در تصویر بخش­بندی ­شده با NLICA بسیار کمتر از سایر روش­هاست.
۶-۳ پایداری الگوریتم NLICA
منظور از پایداری الگوریتم­های بهینه­سازی، یکنواختی جواب­های پیدا شده به وسیله الگوریتم در اجراهای مختلف بوده و یکی از ویژگی­های الگوریتم­های تکاملی قوی، پایداری آنها می­باشد. پایداری الگوریتم­های تکاملی به وسیله مقایسه جواب­های به ­دست ­آمده در اجراهای مختلف مشخص می­گردد. به همین جهت برای نشان دادن پایداری الگوریتم، نمودار پایداری را در ۱۰ بار اجرای الگوریتم NLICA برای بخش­بندی هرکدام از تصاویر رسم نمودیم. شکل ۶-۱۲ نمودار پایداری الگوریتم را برای تصاویر مختلف، نشان می­دهد.
همانطوری که در نمودارهای شکل ۶-۱۲ مشاهده می­ شود، الگوریتم NLICA برای سه تا از تصاویر محک در همه ده بار اجرا، جواب­های کاملاً برابری تولید می­ کند و جواب­های تولید شده در ۱۰ بار اجرای الگوریتم انحراف ­معیاری ندارند. در سه تصویر دیگر نیز جواب­های تولید شده در ۱۰ بار اجرای الگوریتم نزدیک به هم بوده و تنها یک یا دو مورد از جواب­ها کمی متفاوت از بقیه هستند.

(الف) تصویر نویزدار (ب) تصویر بخش­بندی ­شده با روش FCM
(پ) تصویر بخش­بندی ­شده با روش EnFCM(ت) نصویر بخش­بندی­ شده با روش ژنتیک و فازی

(ث) تصویر بخش­بندی ­شده با روش OSFCM-SNLS (ج) تصویر بخش­بندی ­شده با روش FGFCM
(چ) تصویر بخش­بندی ­شده با روش NLICA
شکل ۶-۱۰: نتایج بخش­بندی تصویر#۱۶۷۰۶۲، با روش­های مختلف

(الف) تصویر نویزدار (ب) تصویر بخش­بندی ­شده با روش FCM

(پ) تصویر بخش­بندی ­شده با روش EnFCM(ت) نصویر بخش­بندی ­شده با روش ژنتیک و فازی

(ث) تصویر بخش­بندی ­شده با روش OSFCM-SNLS (ج) تصویر بخش­بندی ­شده با روش FGFCM
(چ) تصویر بخش­بندی­ شده با روش NLICA
شکل ۶-۱۱: نتایج بخش­بندی تصویر#۴۲۰۴۹ با روش­های مختلف

(الف) تصویر محک شماره ۱ ب)تصویر محک شماره ۲

(پ) تصویر محک شماره ۳ (ت) تصویر محک #۴۲۰۴۹

(ث) تصویر محک #۲۳۸۰۱۱ (ج) تصویر محک #۱۶۷۰۶۲
شکل ۶-۱۲: نمودار پایداری الگوریتم NLICA
۶-۴ هم­گرایی الگوریتم NLICA
جهت نشان دادن سرعت و دقت هم­گرایی الگوریتم NLICA، نمودار هم­گرایی الگوریتم در بخش­بندی تصاویر مختلف به ازای تابع هزینه رسم شده است. شکل ۶-۱۳ همگرایی سریع الگوریتم را در به دست آوردن جواب بهینه سراسری با کمترین تابع هزینه، برای بخش­بندی تصاویر مختلف را نشان می­دهد.
(الف) تصویر محک شماره ۱ (ب) تصویر محک شماره ۲

(پ) تصویر محک شماره ۳ (ت) تصویر محک #۲۳۸۰۱۱

(ث) تصویر محک #۱۶۷۰۶۲ (ج) تصویر محک #۴۲۰۴۹
شکل ۶-۱۳: نمودار هم­گرایی الگوریتم NLICA برای تصاویر مختلف
۶-۵ آزمون­های آماری
در این پایان نامه الگوریتم NLICA را برای بخش­بندی شش تصویر محک مورد ارزیابی قرار دادیم که برای دو مورد از تصاویر محک، الگوریتم در ۳۰ بار اجرا جواب بهینه یکسانی را تولید کرده و برای چهار تصویر دیگر، جواب­های بسیار نزدیک به هم و با انحراف معیار کوچکی حاصل شده است. لذا برای ۴ تصویر دارای انحراف، روش­های آماری را به کار برده­ایم. در ابتدا با انجام آزمون فرکانس، اطلاعات مربوط به نمونه­ها در جدول
۶-۱۰ جمع­آوری شده است. ستون اول نام تصاویری که جواب­های حاصل از بخش­بندی آن دارای انحراف بودند، ستون دوم تعداد داده ­های موجود در هر نمونه (تعداد اجراهای الگوریتم برای هر تصویر)، ستون سوم جواب­های مختلف اجراهای الگوریتم و ستون چهارم تعداد تکرار هر جواب را نشان می­دهد. ستون پنجم و ستون آخر به ترتیب نشانگر میانگین و انحراف معیار جواب­ها در اجراهای مختلف است.