Rodrigues, Paulo Sérgio SilvaSaito, N. T.2021-04-132021-04-132020SAITO, N. T. <b> Estudo de algoritmos de otimização bio-inspirados aplica à segmentação de imagens. </b> 2020. 82 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2020. Disponível em: https://doi.org/10.31414/EE.2020.D.131230.https://repositorio.fei.edu.br/handle/FEI/3189A segmentação de imagens é uma das primeiras etapas dentro do arcabouço para processamento de cenas. Entre as principais técnicas existentes destacamos a binarização baseada em histograma, que devido a simplicidade de compreensão e baixa complexidade computacional é um dos métodos mais utilizados. No entanto, para um processo de multi-limiarização, este método torna-se computacionalmente custoso. Para minimizar este problema, são utilizados algoritmos de otimização na busca dos melhores limiares. Recentemente, vários algoritmos inspirados na natureza têm sido propostos de maneira genérica na área de otimização combinatória e obtido ótimos resultados, entre eles destacamos os mais tradicionais como o Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Differential Evolution Algorithm (DE), Artificial Bee Colony (ABC), Firefly Algorithm (FA) e Krill Herd (KH). Este trabalho mostra uma comparação entre alguns destes algoritmos e algoritmos mais recentes, a partir de 2014, como Grey Wolf Optimizer (GWO), Elephant Herding Optimization (EHO), Whale Optimization Algorithm (WOA), Grasshopper Optimization Algorithm (GOA) e o Harris Hawks Optmization (HHO). Este trabalho comparou os limiares obtidos por 7 algoritmos bio-inspirados em uma base composta por 100 imagens com 1 único objeto disponibilizado pela Weizmann Institute of Science (WIS). A comparação foi feita utilizando métricas consolidadas como Dice/Jaccard e PSNR, bem como o recente Hxyz. No experimento foi utilizado o Sistema extensivo como função objetivo (Método de Kapur). Ainda na proposta deste experimento, o Sistema extensivo foi comparado com a entropia não-extensiva de Tsallis, sendo que o Sistema Super-extensivo foi configurado com q ? [0.1, 0.2, . . . 0.9] e o Sistema Sub-extensivo com q ? [1.1, 1.2, . . . 1.9]. A base de imagens utilizada contém 100 imagens com 1 único objeto em cena. Os resultados mostram que o algoritmo Krill Herd (KH) foi o algoritmo vencedor em 35% das execuções segundo a métrica PSNR, 28% na métrica Dice/Jaccard e 35% na métrica Hxyz. O Sistema extensivo teve o melhor desempenho global e foi responsável pela melhor limiarização de 54 imagens segundo a métrica PSNR, 30 segundo a métrica Dice/Jaccard e 39 segundo a métrica HxyzImage segmentation is one of the first steps within the framework for processing scenes. Among the main existing techniques, we highlight the histogram-based binarization, which due to the simplicity of understanding and low computational complexity is one of the most used methods. However, for a multi-threshold process, this method becomes computationally costly. To minimize this problem, optimization algorithms are used to find the best thresholds. Recently, several algorithms inspired by nature have been proposed in a generic way in the area of combinatorial optimization and obtained excellent results, among which we highlight the more traditional ones such as Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Differential Evolution Algorithm (DE), Artificial Bee Colony (ABC), Firefly Algorithm (FA) and Krill Herd (KH). This work shows a comparison between some of these algorithms and more recent algorithms, from 2014, as Grey Wolf Optimizer (GWO), Elephant Herding Optimization (EHO), Whale Optimization Algorithm (WOA), Grasshopper Optimization Algorithm (GOA) and Harris Hawks Optmization (HHO) . This work compared the thresholds obtained by 7 bio-inspired algorithms in a base composed of 100 images with 1 single object provided by the Weizmann Institute of Science (WIS). The comparison was made using consolidated metrics like Dice/Jaccard and PSNR, as well the recent Hxyz. In the experiments were used the extensive system as an objective function (Kapurs´ Method). Still in the proposal of this experiment, the extensive system was compared with a Tsallis nonadditive entropy, with the Super-extensive system being configured with q ? [0.1, 0.2, . . . 0.9] and the Sub-extensive system with q ? [1.1, 1.2, . . . 1.9]. The image Database contains 100 images with only 1 object on scene. The results show that the Krill Herd (KH) algorithm was the winning algorithm in 35% of executions according to the PSNR metric, 28% in the Dice/Jaccard metric and 35% on the Hxyz metric. The extensive system had the best overall performance and was responsible for the best threshold of 54 images according to the metric PSNR, 30 according to the metric Dice/Jaccard and 39 according to the Hxyz metricpt-BRProcessamento de imagensDissertaçãohttps://doi.org/10.31414/EE.2020.D.131230