Escolar Documentos
Profissional Documentos
Cultura Documentos
padrões 140
4 classes 120
100
80
60
40
20
0
0 20 40 60 80 100 120
MSE
Função de custo J() (K-means ou
FCM)
Índice SC (partição de clusters)
Índice S (separação de clusters)
Índice Xie-Beni
Indice de Dunn
Parâmetros
Tamanho da população (np)
Conjunto de dados
Número de clusters (k)
Número máximo de gerações (gmax) (K-means)
Probabilidade de mutação (mp)
Fuzzyficador (m) (FCM)
Saída
Tempo de execução (em segundos)
O melhor indivíduo, ou cromossomo (s)
Os centróides (c)
Valor de fitness do melhor indivíduo
Histórico do melhor fitness durante as gerações
1: P[0] = Initialize();
2: BEST_TWCV = +Inf;
3: i = 1;
4: while (not Terminate()) {
P[i] = Selection(P[i]);
P[i] = Mutation(P[i]);
P[i] = KMeans(P[i]);
TWCV = Fitness(P[i]);
if (TWCV < BEST_TWCV) BEST_TWCV = TWCV;
i = i + 1;
5: }
Tabela 1: Resumo dos melhores e piores resultados de clustering para o algoritmo GKA
x i (t + 1) = x i (t ) + v i (t + 1) (2.13)
1: Para cada partícula i ∈1,..., s faça
2: Inicialize aleatoriamente posições da partícula x i
3: Inicialize aleatoriamente (ou atribua zero) a velocidade
da partícula v i
4: y i = xi
5: Fim-Para
6: Repita
7: Para cada partícula i ∈1,..., s faça
8: Avalie a aptidão da partícula i , f ( xi )
9: Atualize y i usando (Eq. 2.9)
10: Atualize ŷ usando (Eq. 2.10)
11: Para cada dimensão j ∈ 1,..., N d faça
12: Atualize a velocidade usando (Eq. 2.11)
13: Fim-Para
14: Atualize a posição usando (Eq. 2.13)
15: Fim-Para
16: Até que seja satisfeito um critério de convergência
Listagem 1: Pseudocódigo para o PSO
Tabela 1: Resumo dos melhores e piores resultados de clustering com o algoritmo PSOKA
(f) Fat
(g) Muscle
(h) Peal (f) (g) (h) (i)
(i) Skull
(j) Glial matter
(k) Connective (model) (j) (k)
(a) (b)
(c)
Figura 1: Exemplos de fatias de imagens nos modelos T1 (a), T2 (b) e PD (c)
imagens resultantes de simulação na
modalidade T1, com baixo ruído
imagem_intensidade
Considera os pixels
imagem_textura
Considera características de textura
Janela 5 x 5
Estatísticas
▪ Média
▪ Desvio-padrão
▪ Variância
▪ Co-variância
▪ Coeficiente de correlação
Tabela 1: Resultados de segmentação de imagens para o algoritmo GKA considerando o conjunto
de dados imagem_textura
(d) (f)
(e)
(g) (i)
(h)
Figura 1: Resultados de segmentação de imagem para o algoritmo GKA considerando o conjunto
de dados imagem_textura; (a-c) índice J; (d-f) índice MSE; (g-i) índice XB
Tabela 1: Resultados de segmentação de imagens para o algoritmo GKA considerando o conjunto
de dados imagem_intensidade
(e) (f)
(d)
(h) (i)
(g)
Figura 1: Resultados de segmentação de imagem para o algoritmo GKA considerando o conjunto
de dados imagem_intensidade; (a-c) índice J; (d-f) índice MSE; (g-i) índice XB
Tabela 1: Resultados de segmentação de imagens para o algoritmo GFCMA considerando o
conjunto de dados imagem_textura
(e) (f)
(d)
(h) (i)
(g)
Figura 1: Resultados de segmentação de imagem para o algoritmo GFCMA considerando o
conjunto de dados imagem_textura; (a-c) índice J; (d-f) índice MSE; (g-i) índice XB
Tabela 1: Resultados de segmentação de imagens para o algoritmo GFCMA considerando o
conjunto de dados imagem_intensidade
(e) (f)
(d)
(h) (i)
(g)
Figura 1: Resultados de segmentação de imagem para o algoritmo GFCMA considerando o
conjunto de dados apenas com informações de intensidade dos pixels; (a-c) índice J; (d-f) índice
MSE; (g-i) índice XB
Tabela 1: Resultados de segmentação de imagem para o algoritmo PSOKA, considerando o
conjunto de dados imagem_textura
(e) (f)
(d)
(h) (i)
(g)
Figura 1: Resultados de segmentação de imagem para o algoritmo PSOKA considerando o
conjunto de dados com informações de textura; (a-c) índice MSE; (d-f) índice J; (g-i) índice XB
Tabela 1: Resultados de segmentação de imagem para o algoritmo PSOKA, considerando o
conjunto de dados imagem_intensidade
(e) (f)
(d)
(h) (i)
(g)
Figura 1: Resultados de segmentação de imagem para o algoritmo PSOKA considerando o
conjunto de dados apenas com informações de intensidade dos pixels; (a-c) índice MSE; (d-f) índice
J; (g-i) índice XB
Tabela 1: Resultados de segmentação de imagem para o algoritmo PSOFCM, considerando o
conjunto de dados com informações de textura
(e) (f)
(d)
(h) (i)
(g)
Figura 1: Resultados de segmentação de imagem para o algoritmo PSOFCM considerando o
conjunto de dados imagem_textura; (a-c) índice MSE; (d-f) índice J; (g-i) índice XB
Tabela 1: Resultados de segmentação de imagem para o algoritmo PSOFCM, considerando o
conjunto de dados imagem_intensidade
(e) (f)
(d)
(h) (i)
(g)
Figura 1: Resultados de segmentação de imagem para o algoritmo PSOFCM considerando o
conjunto de dados imagem_intensidade; (a-c) índice MSE; (d-f) índice J; (g-i) índice XB
Uma região da imagem com degradê
causou comportamento inadequado,
contornado com o uso de
informações de textura