Pham Toan Dinh * Võ Văn Tài

* Tác giả liên hệPham Toan Dinh

Abstract

Based on the extraction of interval data from gray level co-occurrence matrix, this study proposes the Genetic Algorithm in Cluster analysis for Images (GACI). This algorithm can determine the suitable number of clusters, and find the objects in each cluster. The GACI is quickly performed by the established Matlab procedure. The numerical examples illustrate step by step for the GACI, and compare it with the existing algorithms. The results have shown the advantage of the proposed algorithm and the potential in real application of this research.
Keywords: Cluster analysis, image, genetic algorithm, overlap divergence

Tóm tắt

Dựa trên việc trích xuất khoảng dữ liệu từ ma trận đồng hiện mức xám, nghiên cứu này đề xuất thuật toán di truyền trong phân tích chùm cho các hình ảnh (GACI). Thuật toán có thể xác định số chùm thích hợp và tìm các phần tử trong mỗi chùm. GACI được thực hiện một cách nhanh chóng bởi một chương trình Matlab. Các ví dụ số minh họa từng bước cho GACI và so sánh nó với một số thuật toán đã công bố trước. Kết quả cho thấy ưu điểm của thuật toán đề nghị và tiềm năng trong áp dụng thực tế của nghiên cứu này.
Từ khóa: Phân tích chùm, ảnh, thuật toán di truyền, độ đo chồng lấp

Article Details

Tài liệu tham khảo

Arivazhagan, S., Shebiah, R. N., Nidhyanandhan, S. S., and Ganesan, L. 2010. Fruit recognition using color and texture features. Journal of Emerging Trends in Computing and Information Sciences, 1(2): 90-94.

Cabanes, G., Bennani, Y., Destenay, R., and Hardy, A. 2013. A new topological clustering algorithm for interval data. Pattern Recognition, 46(11): 3030-3039.

Chen, J.H. and Hung, W.L., 2016. An automatic clustering algorithm for probability density functions. Journal of Statistical Computation and Simulation, 85(15): 3047-3063.

Davies, D.L. and Bouldin, D.W., 1979. A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-1(2): 224-227.

De Carvalho, F.D.A., Pimentel, J.T., Bezerra, L.X. and de Souza, R.M., 2007. Clustering symbolic interval data based on a single adaptive Hausdorffdistance. In 2007 IEEE International Conference on Systems, Man and Cybernetics: 451-455.

De Souza, R.M., de Carvalho, F.D.A. and Silva, F.C., 2004. Clustering of interval-valued data using adaptive squared Euclidean distances. In International Conference on Neural Information Processing: 775-780.

Hubert, L., 1977. Nominal scale response agreement as a generalized correlation. British Journal of Mathematical and Statistical Psychology, 30(1): 98-103.

Hubert, L. and Arabie, P., 1985. Comparing partitions. Journal of Classification, 2(1): 193-218.

Kabi, S., Wagner, C., Havens, T.C., Anderson, D.T. and Aickelin, U. 2017. Novel similarity measure for interval-valued data based on overlapping ratio. In: 2017 IEEE InternationalConference on Fuzzy Systems (FUZZ-IEEE), 1-6.

Mirkin, B.G. and Chernyi, L.B., 1970. Measurement of the distance between distinct partitions of a finite set of objects. AutomTel, 5: 120-127.

Peng, W. and Li, T., 2006. Interval data clustering with applications. In 2006 18th IEEE International Conference on Tools with Artificial Intelligence: 355-362.

Rand, W.M., 1971. Objective criteria for the evaluation of clustering methods. Journal of The American Statistical Association, 66(336): 846-850.

Tai, V. V., and Trang,N,T., 2018a. Similar coefficient for cluster of probability density functions. Communications in Statistics-Theory and Methods, 47(8):1792-1811.

Tai, V. V., and Trang,N.T. 2018b. Similar coefficient of cluster for discrete elements. SankhyaB, 80(1): 19-36.