Antara kaedah-kaedah fuzzy clustering, Fuzzy C-means (FCM) merupakan satu kaedah yang semakin popular untuk digunakan dalam sektor segmentasi imej disebabkan oleh sifat keberkesanan dan keseimbangannya. Secara umumnya, FCM adalah sangat sensitif terhadap kehingaran imej dan kaedah ini sangat bergantung kepada permulaan kawalan pusat kelompok imej. Kelemahan FCM sebegini menyebabkan kaedah tersebut mudah meluruh ke titik maksima tempatan. Oleh yang demikian, satu kaedah hibrid menggunakan pengoptimuman zarah berkumpulan (PSO) dan perbezaan evolusi (DE) telah dicadangkan ke dalam kaedah FCM yang tradisional untuk memperbaiki kelemahan yang telah disebut. Idea utama daripada cadangan ini adalah untuk menambahbaikkan kualiti segmentasi imej dengan memberikan kemampuan anti-hingar dan juga untuk memulakan pusak kelompok secara optimum dengan tidak memanjangkan masa segmentasi imej. Dengan bantuan PSO dan DE, kaedah hibrid yang dicadangkan telah berjaya memperbaiki kelemahan kaedah tradisional FCM dengan memberikan prestasi yang lebih baik berbanding dengan kaedah-kaedah lain. Kaedah hibrid ini menggunakan Berkeley segmentasi pangkalan data untuk melakukan eksperimen dan analisis dalam komputer. Dalam 500 imej yang telah diproses, kaedah yang dicadangkan telah memperolehi indeks purata PRI sebanyak 0.7480. Tambahan pula, masa segmentasi 100 imej yang digunakan oleh kaedah yang dicadangkan telah ditambahbaikkan 43.8 peratus. Kajian menunjukkan kaedah hibrid yang dicadangkan sememangnya dapat menghasilkan segmentasi imej yang lebih berkualiti dan memberikan masa segmentasi yang lebih rendah.
_______________________________________________________________________________________________________
Among fuzzy clustering methods, fuzzy C-means (FCM) has become more popular in the field of image segmentation because of its simplicity and effectiveness. In general, FCM is very sensitive to noise and it is highly dependent to the initialization of cluster centers, making it tends to fall into local maxima. In this paper, a hybrid FCM algorithm (HDEPSO-FCM) that integrates particle swarm optimization (PSO) and differential evolution (DE) is proposed to address the weaknesses of FCM. The idea of hybridizing PSO and DE into FCM has refined the segmentation quality by providing the anti-noise ability. In addition, HDEPSO-FCM initializes the cluster centers optimally, thus faster segmentation. Hence, HDEPSO-FCM performs relatively better than other state of the art segmentation methods when tested with the Berkeley Segmentation Data Set (BSDS500) images. Remarkably, out of 500 images, HDEPSO-FCM has obtained a better average PRI of 0.7480 when compared to other recent techniques. Moreover, the computational cost of HDEPSO-FCM to segment 100 test images is also faster by 43.8 %. Thus, the proposed HDEPSO-FCM algorithm is an effective alternative method in image segmentation.
A hybrid fuzzy C-Means method using particle swarm optimization and differential evolution for enhanced image segmentation / Tan Chee Hou