Nghiên cứu thuật toán k means và fuzzy c means trong phân đoại ảnh

ẢNH BỘ GIÁO DỤC VÀ ĐÀO TẠO HUỲNH CHÍ THÀNH KHĨA K24 TRƯỜNG ĐẠI HỌC VINH HUỲNH CHÍ THÀNH NGHIÊN CỨU THUẬT TOÁN KM VÀ FCM TRONG PHÂN ĐOẠN NGHIÊN CỨU THUẬT TOÁN K-MEANS VÀ FUZZY C-MEANS TRONG PHÂN ĐOẠN ẢNH LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN NGHỆ AN, 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC VINH HUỲNH CHÍ THÀNH NGHIÊN CỨU THUẬT TỐN K-MEANS VÀ FUZZY C-MEANS TRONG PHÂN ĐOẠN ẢNH Chuyên ngành: CÔNG NGHỆ THÔNG TIN Mã số: 60.48.02.01 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Người hướng dẫn khoa học: TS PHAN ANH PHONG NGHỆ AN, 2018 LỜI CẢM ƠN Trước hết, em xin chân thành cảm ơn TS Phan Anh Phong, người thầy nhiệt tình giúp đỡ, giành nhiều thời gian quý báu để hướng dẫn, giúp đỡ động viên em hoàn thành luận văn Em xin chân thành cảm ơn đến các thầy cô Viện KTCNKhoa CNTT tạo điều kiện thuận lợi, động viên cho lớp em suốt thời gian thực luận văn em cảm ơn thầy cô mơn suốt khóa học trao dồi kiến thức cho em thời gian học trường Em cảm ơn anh chị em khóa học động viên, giúp đỡ cổ vũ tinh thần cho em thời gian làm luận văn suốt khóa học MỤC LỤC DANH MỤC CÁC TỪ NGỮ VIẾT TẮT i DANH MỤC CÁC BẢNG ii DANH MỤC CÁC HÌNH VẼ iii MỞ ĐẦU CHƯƠNG 1: TỔNG QUAN VỀ XỬ LÝ ẢNH,PHÂN ĐOẠN ẢNH 1.1 Giới thiệu chung ảnh số 1.1.1 Các khái niệm 1.1.2 Phân loại ảnh 1.1.3 Các không gian màu 10 1.2 Các giai đoạn trình xử lý ảnh 17 1.2.1 Thu nhận ảnh 17 1.2.2 Tiền xử lý ảnh 18 1.2.3 Phân đoạn ảnh 18 1.2.4 Biểu diễn ảnh 18 1.2.5 Nhận dạng ảnh 18 1.3 Phân đoạn ảnh phương pháp phân đoạn 19 1.3.1 Tổng quan phân đoạn ảnh 19 1.3.2 Phân đoạn dựa vào biên ảnh 19 1.3.3 Phân đoạn dựa ngưỡng 20 1.3.4 Phân đoạn dựa cải thiện Histogram 21 1.3.5 Các tiếp cận tính tốn mềm phân đoạn ảnh 22 1.4 Các ứng dụng xử lý ảnh, phân đoạn ảnh 24 1.5 Kết luận Chương 25 CHƯƠNG 2: THUẬT TOÁN K-MEANS VÀ FCM TRONG PHÂN ĐOẠN ẢNH 26 2.1 Thuật toán K-Means cho phân đoạn ảnh 26 2.1.1 Mơ tả thuật tốn K-Means 26 2.1.2 Thuật toán K-Means phân đoạn ảnh 27 2.1.3 Thuận lợi khó khăn K-Means 28 2.1.4 Một số cải tiến K-Means 29 2.2 Thuật toán Fuzzy C-Means phân đoạn ảnh 31 2.2.1 Kỹ thuật mờ phân đoạn ảnh 31 2.2.2 Mô tả thuật toán FCM phân đoạn ảnh 35 2.2.3 Ưu nhược điểm FCM 37 2.2.4 Thuật toán FCM sửa đổi dựa khoảng cách Mahalanobis 38 2.2.5 Lựa chọn tham số m cho FCM 40 2.3 Kết luận chương 40 CHƯƠNG 3: THỬ NGHIỆM K-MEANS VÀ FCM TRONG PHÂN ĐOẠN ẢNH 42 3.1 So sánh hiệu K-Means Fuzzy C-Means phân đoạn ảnh màu 42 3.2 So sánh hiệu KM FCM phân đoạn ảnh theo hệ số Silhouette 54 3.3 So sánh phân đoạn ảnh màu FCM với không gian màu khác 60 3.4 Kết luận chương 62 KẾT LUẬN CỦA LUẬN VĂN 63 i DANH MỤC CÁC TỪ NGỮ VIẾT TẮT - KM: K-means - FCM: Fuzzy C-Means - KGM: Không gian màu - MSE: Mean Squared Error - PSNR: Peak Signal to Noise Ratio - AMBE: Absolute Mean Brightness Error - NAE: Normalized Absolute Error - RGB: Red, Green, Blue - HSV: Hue, Saturation, Value - TIFF: Tagged Image Format File - JPEG: Joint Photographic Experts Group - BMP: Bitmap Picture - PNG: Portable Network Graphics - GIF: Graphics Interchanger Format - YIQ: Không gian màu YIQ - CIE: International Commission on Illumination - CIEL*a*b*: không gian màu CIELab - CIEL*u*v*: không gian màu CIELuv - ROI: Region of Interest ii DANH MỤC CÁC BẢNG TÊN BẢNG Trang Bảng 1.1 Đại diện Màu sắc giá trị Hue KGM HSV 12 Bảng 3.1 Các giá trị MSE, PSNR, AMBE NAE phân đoạn KM 48 Bảng 3.2 Các giá trị MSE, PSNR, AMBE NAE phân đoạn bới FCM 50 Bảng 3.3 Các giá trị MSE, PSNR, AMBE NAE cho ảnh nhiễu phân đoạn với thuật toán K-Means: 52 Bảng 3.4 Các giá trị MSE, PSNR, AMBE NAE cho ảnh nhiễu phân đoạn với thuật tốn FCM: 53 Bảng Thời gian tính toán quan sát thực phân đoạn ảnh ảnh nhiễu sử dụng K-Means FCM 54 Bảng 3.6 Giá trị Silhouette cho K-Means, FCM cho ảnh thử nghiệm 56-58 Bảng 3.7 Các giá trị Silhouette ảnh thử nghiệm với hiệu suất FCM cao so với K-Means 59 iii DANH MỤC CÁC HÌNH VẼ Hình 1.1 Minh họa điểm ảnh Hình 1.2 Minh họa thơng số ảnh chụp Hình 1.3: Minh họa để so sánh mức xám ảnh 8bit ảnh 16bit Hình 1.4 Minh họa loại đường biên ảnh Hình 1.5 Minh họa điểm ảnh lân cận Hình 1.6 Minh họa điểm ảnh lân cận Hình 1.7 Minh họa RGB 11 Hình 1.8 Khơng gian màu HSV dạng hình trụ 13 Hình 1.9 Minh họa khơng gian màu YIQ 14 Hình 1.10 Minh họa khơng gian màu CIE L*a*b 15 Hình 1.11 Minh hoạ thuật tốn tam giác 22 Hình 3.1 Các bước thử nghiệm phân đoạn ảnh 46 Hình 3.2 Các kết phân đoạn ảnh màu FCM K-Means 47 Hình 3.3 Hình ảnh phân đoạn FCM K-Means 52 Hình 3.4 Quá trình phân đoạn ảnh màu với FCM 60 Hình 3.5 Kết phân đoạn FCM với không gian màu 61 MỞ ĐẦU Ngày nay, phát triển mạnh mẽ ứng dụng công nghệ thông tin đem lại nhiều lợi ích đời sống ngày chúng ta, chẳng hạn ứng dụng công nghệ thông tin vào robot hướng tới thay người làm việc nặng nhọc, nguy hiểm Bên cạnh phát triền internet mạng xã hội giúp nên nhu cầu chia hình ảnh, video phạm vi toàn cầu cách dễ dàng, ảnh trở nên có giá trị Xử lý ảnh công nghệ trội ngành công nghệ thông tin, áp dụng nhiều sống như: điều khiển giao thông, điều khiển máy móc tự động, nhận dạng chữ viết, nhận dạng khuôn mặt, giám sát sản xuất ứng dụng nhận dạng y học, phân tích ảnh chụp vệ tinh… Thông tin ảnh phong phú, đa dạng nên để xử lý ảnh phải trải qua nhiều bước, bước khó khăn phân đoạn ảnh, thao tác mức thấp trình xử lý ảnh Quá trình phân đoạn ảnh thực nhằm phân tách đối tượng ảnh để phục vụ cho ứng dụng sau Nếu thực bước phân đoạn ảnh khơng tốt nhận diện sai đối tượng có ảnh Được hỗ trợ gợi ý thầy hướng dẫn, em định chọn đề tài nghiên cứu thuật toán K-Means Fuzzy C-Means phân đoạn ảnh đề làm đề tài luận văn tốt nghiệp Chương 1: Tổng quan xử lý ảnh, phân đoạn ảnh Chương trình bày kiến thức ảnh số, quy trình xử lý ảnh số ứng dụng Sau giới thiệu phương pháp phân đoạn ảnh khó khăn, thách thức toán phân đoạn ảnh Chương 2: Thuật toán K-means FCM phân đoạn ảnh Chương tập trung phân tích chi tiết thuật tốn k-means, FCM xử lý ảnh Sau kết khảo sát phân đoạn ảnh sử dụng kỹ thuật mờ Ngồi ra, chương cịn thảo luận vai trị việc lựa chọn độ đo khoảng cách tham số tính mờ, m, thuật tốn FCM Chương 3: Thử nghiệm Chương trình bày thử nghiệm thuật toán chương với số ảnh tiêu biểu môi trường Matlab So sánh hiệu K-Means FCM phân đoạn ảnh màu, so sánh hiệu K-means FCM phân đoạn ảnh theo hệ số Silhouette 51 =.7060e+03 15.8110 MSE(:,:,1) = PSNR(:,:,1) = 1.9231e+03 15.2908 MSE(:,:,2) = PSNR(:,:,2) = 1.6175e+03 16.0424 MSE(:,:,3) = PSNR(:,:,3) = 2.2306e+03 14.6466 MSE(:,:,1) = PSNR(:,:,1) = 2.1235e+03 14.8603 MSE(:,:,2) = PSNR(:,:,2) = 1.0521e+03 17.9102 MSE(:,:,3) = PSNR(:,:,3) = 4.2896e+03 11.8066 MSE(:,:,1) = 1760 PSNR(:,:,1) = MSE(:,:,2) = 2130 15.6757 MSE(:,:,3) = 3170 PSNR(:,:,2) = 4.9393 2834 10.0184 1153 31.2425 2335 14.8470 PSNR(:,:,3) = 13.1202 Trong bảng kê giá trị MSE, NAE AMBE tính cho phân đoạn hình ảnh màu FCM thấp so với dùng thuật toán K-Means Trong thời điểm, giá trị PSNR tính tốn cho thuật toán FCM cao so 52 với thuật toán K-Means Điều ngầm định kết phân đoạn tốt thuật toán FCM so với thuật toán KMean Nhưng hình ảnh thử nghiệm liên quan trường hợp khơng có yếu tố nhiễu Vì vậy, sau kết thử kiểm cho nhiễu vào hình ảnh sau phân đoạn hình ảnh thuật tốn K-Means thuật tốn FCM riêng sau so sánh kết (a) (b) (c) (d) Hình 3.3 (a) Hình ảnh gốc; (b) Hình ảnh nhiễu; (c) Hình ảnh phân đoạn FCM (d) Hình ảnh phân đoạn K-Means Bảng 3.3 Các giá trị MSE, PSNR, AMBE NAE cho ảnh nhiễu phân đoạn với thuật toán K-Means: MSE PSNR Ảnh MSE(:,:,1) = PSNR(:,:,1) = (b) 3.3858e+03 12.8342 MSE(:,:,2) = PSNR(:,:,2) = 5.6668e+03 10.5975 MSE(:,:,3) = PSNR(:,:,3) = 4.1057e+03 11.9969 AMBE NAE 37.6277 4456 53 Bảng 3.4 Các giá trị MSE, PSNR, AMBE NAE cho ảnh nhiễu phân đoạn với thuật toán FCM: MSE PSNR AMBE NAE 3.5697 3422 Ảnh MSE(:,:,1) = PSNR(:,:,1) = (b) 3.0125e+03 13.3415 MSE(:,:,2) = PSNR(:,:,2) = 2.4806e+03 14.1852 MSE(:,:,3) = PSNR(:,:,3) = 3.0692e+03 13.2606 Vì vậy, diện yếu tố nhiễu hình ảnh, FCM cho thấy giá trị MSE, AMBE, NAE thấp giá trị PSNR cao Điều tượng trưng cho việc FCM hoạt động tốt thuật toán KMeans có nhiễu Nhưng, quan sát rõ ràng kết phân đoạn hình ảnh nhiễu, thấy FCM KMeans nhạy cảm với nhiễu 54 Tiếp theo, phân tích thời gian thực hai thuật toán: Bảng 3.5 Thời gian tính tốn quan sát thực phân đoạn ảnh ảnh nhiễu sử dụng K-Means FCM STT Thời gian thực Thời gian thực ảnh thử nghiệm FCM (giây) K-Means (giây) 4.01 5.37 4.53 5.56 4.58 5.57 4.32 5.29 4.59 5.53 4.43 5.49 5.13 5.59 Ảnh nhiễu (b) Kết luận: FCM phức tạp nhiều so với thuật toán K-Means, lý tính tốn FCM phức tạp dựa logic mờ Vì vậy, FCM có hiệu suất tốt cho phân đoạn hình ảnh màu, thời gian thực FCM chậm độ phức tạp cao KM 3.2 So sánh hiệu K-means FCM phân đoạn ảnh theo hệ số Silhouette Vấn đề khó khăn việc so sánh thuật tốn phân cụm tìm biện pháp độc lập để đánh giá chất lượng cụm Trong phần 55 này, giá trị số Silhouette sử dụng để đánh giá thuật toán K-means FCM toán phân đoạn ảnh 3.2.1 Hệ số Silhouette Giá trị Silhouette cho pixel thước đo mức độ tương tự pixel với pixel cụm riêng so với pixel cụm khác khoảng từ -1 đến +1 Đối với pixel i, định nghĩa là: s (i )  bi  max(ai,bi) Trong ‘ai’ khoảng cách trung bình từ pixel thứ i đến pixel khác cụm ‘bi’ khoảng cách trung bình tối thiểu từ pixel thứ i đến pixel cụm khác, thu nhỏ tất cụm khác Nó rõ ràng từ định nghĩa -1 giá trị silhouette trước k = k + /∗ tăng số lượng cụm 56 Giá trị silhouette trước = silhouette Trở Bước Else trả k – /∗ K –số lượng cụm Bước Dừng - 3.2.3 Kết thử nghiệm Tất thuật toán thực thử nghiệm cách sử dụng Matlab với loạt hình ảnh FCM áp dụng cho ảnh không gian màu CIELab để cải thiện kết phân đoạn Lợi FCM không giống K-means phân cụm pixel thuộc nhiều cluster Những hạn chế FCM thời gian tính tốn nhạy cảm với điều kiện khởi tạo số cluster cluster center Số lượng cụm khác chọn để phân đoạn hình ảnh thử nghiệm khác Bảng 3.6 Giá trị Silhouette cho K-Means, FCM STT Ảnh thử nghiệm Kmeans FCM Số cụm Giá trị Số cụm Giá trị 0.7534 Silhouette 0.7480 Silhouette 0.7977 0.7341 0.7519 0.7492 0.7328 0.7629 0.7344 0.7508 0.7297 0.7236 0.7380 0.7486 0.7565 0.6795 0.7110 0.7740 0.8408 57 0.8268 0.7352 2 0.7953 0.7937 0.7586 0.7358 0.7213 0.7276 0.698 0.7939 0.7475 0.7375 0.7690 0.7116 0.6541 0.6254 0.6960 0.7939 0.7486 0.7356 0.7252 0.7517 0.6488 0.7348 0.6417 0.6513 0.7479 0.7342 0.8100 0.7734 0.8014 0.7849 0.7195 0.7495 11 0.6593 0.7338 12 0.7433 0.6887 0.6497 0.7931 0.7476 0.7377 13 0.9564 0.9097 0.9679 0.9038 14 0.8621 0.8099 0.7316 0.7945 0.7485 0.7330 15 0.7345 0.7513 10 58 0.6699 0.7333 16 0.7348 0.6052 0.7494 0.7344 17 0.8343 0.7463 0.7245 0.7934 0.7488 0.7341 18 0.5250 0.5290 0.7492 0.7288 0.6965 0.7469 0.6349 0.7332 0.6556 0.6464 0.6505 0.7926 0.7480 0.7293 0.7864 0.7471 0.7334 0.7361 0.7281 0.7942 0.6768 0.7497 0.6275 0.7348 19 20 21 22 23 59 Bảng 3.7 Các giá trị Silhouette ảnh thử nghiệm với hiệu suất FCM cao so với K-Means STT ảnh thử nghiệm Kmeans FCM Ảnh 0.7213 0.7939 Ảnh 0.769 0.7939 Ảnh 0.696 0.7517 Ảnh 0.6417 0.7479 Ảnh 11 0.7195 0.7495 Ảnh 12 0.7433 0.7931 Ảnh 13 0.9564 0.9679 Ảnh 15 0.7345 0.7513 Ảnh 16 0.7348 0.7494 Ảnh 18 0.525 0.7492 Ảnh 19 0.6965 0.7469 Ảnh 20 0.6556 0.7926 Ảnh 22 0.7281 0.7942 Ảnh 23 0.6768 0.7497 So với thuật toán K-means, FCM tốt cho hình ảnh màu phức tạp Bảng 3.6 cung cấp giá trị tham số Silhouette để đánh giá độ co cụm K-Means FCM Vì rõ ràng hiển nhiên từ Bảng 3.7, hiệu suất phương pháp K-Means hiệu so với FCM ảnh màu phức tạp Lợi FCM pixel gán thành viên cho cụm khơng giống K-means, pixel thuộc nhiều cụm Hạn chế FCM thời gian tính toán, nhạy cảm với điều kiện khởi tạo số cụm tâm cụm 60 Trong Bảng 3.7 thấy giá trị silhouette 14/23 hình ảnh thử nghiệm phân đoạn FCM cao K-Means 3.3 So sánh phân đoạn ảnh màu FCM với khơng gian màu khác Q trình phân đoạn hình ảnh màu tự nhiên khơng gian màu khác cách sử dụng kỹ thuật phân cụm FCM mô tả sau: Nhập ảnh màu Làm rõ ảnh Chuyển không gian màu Áp dụng FCM Phân đoạn ảnh Hình 3.4 Quá trình phân đoạn ảnh màu với FCM Trước đây, hầu hết phân đoạn hình ảnh thực hình ảnh đơn sắc Đối với việc xử lý hình ảnh màu, cần tính tốn nhiều so với xử lý hình ảnh mức xám, với tốc độ vi xử lý ngày tăng giảm thời gian tính tốn nên dùng ảnh màu làm tăng chất lượng phân đoạn Ảnh màu chứa nhiều thông tin ảnh đơn sắc Mỗi pixel ảnh màu có thơng tin độ sáng, màu sắc độ bão hòa Màu sắc tạo đại diện đầy đủ hình ảnh dẫn đến phân đoạn đáng tin cậy Có nhiều mơ hình đại diện cho màu RGB, CMY, HSV, CIELab, CIELuv,… Ảnh gốc RGB FCM cụm FCM cụm FCM cụm 61 Ảnh CIELab Ảnh HSV FCM cụm FCM cụm Ảnh YIQ FCM cụm FCM cụm FCM cụm FCM cụm FCM cụm FCM cụm FCM cụm Hình 3.5 Kết phân đoạn FCM với không gian màu Không gian màu trường hợp phân đoạn hiệu thơng tin màu sắc, chủ yếu phụ thuộc vào loại nguồn sáng Đây lý không gian màu RGB không sử dụng rộng rãi cho ứng dụng xử lý thông tin màu phân đoạn nhận dạng mẫu Điều giải cách áp dụng không gian màu đồng theo cảm nhận CIELab CIELuv So với không gian màu khác, không gian CIELab thiết kế để gần với tầm nhìn người Trong khơng gian màu đồng này, giá trị độ sáng (L) phù hợp chặt chẽ với nhận thức người thị giác Việc cân màu thực dễ dàng cách điều chỉnh hai thành phần khác (a b) hệ thống CIELab Hơn nữa, không gian màu khác, 62 tính tốn khoảng cách hai màu khó khăn Trong CIELab, điều dễ dàng tính tốn khác biệt hai màu nhận thức mắt người 3.4 Kết luận chương Trong thử nghiệm phân đoạn ảnh màu, hai thuật toán FCM KM nhạy cảm với ảnh nhiễu Khi so sánh giá trị MSE, AMBE, NAE PSNR cho thấy FCM hoạt động tốt KM Tuy nhiên thời gian thực FCM có chậm độ phức tạp thuật toán Kết so sánh phân đoạn ảnh màu FCM với khơng gian màu khác nhau, khơng gian màu CIELab cho kết tốt theo mắt nhìn người Kết so sánh việc phân đoạn hình ảnh màu cách sử thuật tốn phân đoạn FCM Kmeans ảnh không gian màu CIELab với số Silhouette hiệu suất FCM cao Kmeans 63 KẾT LUẬN Sau thời gian nghiên cứu với nỗ lực thân giúp đỡ tận tình thầy giáo hướng dẫn, luận văn thực theo mục tiêu đặt thu số kết sau: Nghiên cứu định dạng ảnh số, không gian màu ảnh số, cách chuyển đổi ảnh không gian màu Nghiên cứu ưu điểm không gian màu khác biệt ứng dụng không gian màu khác cho tùy mục đích phân đoạn ảnh; Nghiên cứu thuật toán KM phân đoạn ảnh, cải tiến KM, nêu ưu nhược điểm KM; Nghiên cứu thuật toán FCM phân đoạn ảnh, FCM với thay đổi cách tính khoảng cách Malahanobis; Thử nghiệm phân đoạn ảnh với FCM KM để ưu điểm thuật tốn phân đoạn ảnh, so sánh hiệu hai thuật toán FCM KM theo hệ số Silhouette Ngồi luận văn cịn thử nghiệm đánh giá phân đoạn ảnh với thuật toán FCM theo không gian màu khác 64 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Nguyễn Văn Thành , Phân tích số phương pháp phân đoạn ảnh có giám sát, Luận văn thạc sỹ Công nghệ thông tin -2013 [2] Đoàn Thị Phương, Nghiên cứu số phương pháp phân đoạn ảnh màu Luận văn thạc sỹ Công nghệ thông tin -2012 Tiếng Anh [3] Yong Zhang, Zhuoran Li, Jingying Cai, and Jianying Wang, Image Segmentation Based on FCM with Mahalanobis Distance, in proc of International Conference on Information Computing and Applications, 2010 [4] Khushbu Raval1, Ravi Shukla1 and Ankit K Shah, Color Image Segmentation using FCM Clustering Technique in RGB, L*a*b, HSV, YIQ Color spaces European Journal of Advances in Engineering and Technology, 2017, (3): 194-200 [5] J Horvath, Image segmentation using fuzzy c-means, http://bmf.hu/conferences/sami2006/JurajHorvath.pdf [6] S M Aqil Burney and Humera Tariq, K-Means Cluster Analysis for Image Segmentation, International Journal of Computer Applications Volume 96– No.4, 2014 [7] C Mythili and V.Kavitha , Color Image Segmentation using ERKFCM, International Journal of Computer Applications (0975 – 8887) Volume 41– No.20, March 2012 65 [8] Ajay Kumar and Shishir Kumar, Color Image Segmentation via Improved K-Means Algorithm, International Journal of Advanced Computer Science and Applications, Vol 7, No 3, 2016 [9] L G Ny´u, Fuzzy Techniques for Image Segmentation, Department of Image Processing and Computer Graphics University of Szeged, 2008 [10] Nameirakpam Dhanachandra and Yambem Jina Chanu, Image Segmentation Method using K-means Clustering Algorithm for Color Image,2015 [11] Zeynel Cebeci and Figen Yildiz, Comparison of K-Means and Fuzzy C-Means Algorithms on Different Cluster Structures, Journal of Agricultural Informatics Vol 6, No 3, 2015 [12] S Arumugadevi and V Seenivasagam, Comparison of Clustering Methods for Segmenting Color Images, Indian Journal of Science and Technology, Vol 8(7), 670–677, April 2015 [13] Manimala Singha and K Hemachandran, Color Image Segmentation for Satallite Images, Manimala Singha et al / International Journal on Computer Science and Engineering (IJCSE) Vol No 12 Dec 2011 [14] Aayesha Hakim, K.T.V Talele and Rajesh Harsh, Dharmesh Verma, Effective processing and analysis of radiotherapy images, Signal & Image Processing : An International Journal (SIPIJ) Vol.6, No.2, April 2015 ... thiệu Trong số c? ?ng nghệ kh? ?c có sẵn cho phân đoạn hình ảnh màu, k? ?? thuật không giám sát k? ?? thuật lựa chọn thường xuyên Phân c? ??m nghiên c? ??u không giám sát với hai chiến lư? ?c kh? ?c nhau: phân c? ??m c? ??ng... hiệu so với K- means c? ? liệu nhiễu - Thuật tốn K- Medoids c? ? độ tính toán ph? ?c tạp K- means, hai c? ??n số k ban đầu 2.1.4.2 Thuật toán COP-Kmeans: Thuật toán COP-Kmeans thuật toán phân c? ??m liệu nửa... c? ??ng phân c? ??m mềm K- Means k? ?? thuật phân c? ??m c? ??ng FCM k? ?? thuật phân c? ??m mềm C? ?? hai thuật toán áp dụng tr? ?c tiếp gián tiếp cho sửa đổi áp dụng cho phân đoạn hình ảnh màu Một nghiên c? ??u so sánh thực