Algoritmo de optimización remora multiestrategia para la segmentación de imágenes en color con múltiples umbrales

Área de la Ciencia:

• Visión por Computadora
• Inteligencia Artificial
• Procesamiento de Imágenes

Sus antecedentes:

• La segmentación de imágenes en color con múltiples umbrales es crucial pero computacionalmente compleja debido a los grandes espacios de búsqueda.
• Los algoritmos de optimización existentes a menudo sufren de óptimos locales y convergencia lenta.

Objetivo del estudio:

• Introducir el Algoritmo de Optimización Remora Multiestrategia (MSROA) para una segmentación de imágenes en color eficiente y precisa.
• Mejorar el rendimiento de la optimización al prevenir óptimos locales y acelerar la convergencia.

Principales métodos:

• MSROA integra reinicios aleatorios Beta con una propiedad "prior" para evitar óptimos locales.
• Se emplea una caminata aleatoria con estrategias de depredación rápida y aprendizaje de élite para aumentar la velocidad de convergencia y la precisión.
• El rendimiento se evaluó en los conjuntos de pruebas de referencia CEC2017 y CEC2020 y se aplicó a los métodos de Otsu y Kapur para la segmentación de imágenes.

Principales resultados:

• MSROA demostró mejoras estadísticamente significativas sobre siete algoritmos de vanguardia mediante pruebas de suma de rangos de Wilcoxon.
• El algoritmo identificó con precisión combinaciones de umbrales óptimas, produciendo imágenes segmentadas de mayor calidad.
• Valores consistentemente más altos de PSNR, FSIM y SSIM indican una preservación superior de los detalles de la imagen.

Conclusiones:

• MSROA ofrece una solución robusta y eficiente para la segmentación de imágenes en color con múltiples umbrales.
• El algoritmo equilibra eficazmente la exploración y la explotación para mejorar la optimización.
• MSROA supera a los métodos existentes en precisión de segmentación y preservación de detalles.