بخش بندي پوست چهره مبتني بر تصاوير رنگي با استفاده از رويكرد تركيب نگاشت خودسازمان‌ده و شبكه‌هاي عصبي گازي جهت كاربرد در جراحي‌هاي پلاستيك چهره

Facial Skin Segmentation Based on Color Images using Combined Approach of Self Organizing Map and Neural Gas Network Applicable to Facial Plastic Surgeries

بخش ­بندي تصوير چهره يك مولفه­ ي ضروري در كاربردهاي پردازش تصوير و بينايي كامپيوتر نظير شناسايي چهره، شناسايي هويت و آناليز جراحي پلاستيك چهره است. يكي از مهم­ترين روش­­هاي بخش ­بندي تصاوير چهره، روش­هاي مبتني بر خوشه ­بندي هستند. نگاشت خودسازمان­ده (SOM) جزء پركاربردترين روش مبتني برشبكه­ هاي عصبي در داده ­كاوي است. عيب مهمي كه الگوريتم SOM استاندارد دارد اين است كه ضريب يادگيري در آن وفقي نيست. وفقي بودن ضريب يادگيري در به ­روزرساني وزن­هاي نگاشت خودسازمان­ده منجر به بهتر شدن عمل­كرد اين الگوريتم خواهد شد. شبكه­ ي عصبي گازي (NGN) يك يادگيري بدون ناظر بوده كه ساختار همسايگي در آن وفقي بوده و وزن سيناپسي مستقل از هر گونه تنظيم توپولوژيكي به­ روزرساني مي­شود. هدف اصلي اين پژوهش، ارائه ­ي روش هيبريدي جديد SOMNGN است كه در آن بتوان ضريب يادگيري در فاز تطبيق الگوريتم SOM استاندارد را با استفاده از الگوريتم NGN وفقي كرد. همچنين، دو فضاي رنگي شامل YCbCr و فضاي نگاشت چهره به ­عنوان مرحله­ ي پيش ­پردازش جهت مدل كردن پوست چهره به­ كار گرفته شده است. نتايج به­دست آمده در فضاهاي رنگي ذكر شده نشان مي­دهند كه الگوريتم پيشنهادي نسبت به SOM استاندارد دقت بالاتري در آشكارسازي صحيح پيكسل­ هاي پوست چهره دارد.

Facial image segmentation is an essential component in applications of image processing and computer vision such as face recognition, identity recognition and analysis of facial plastic surgery. The clustering based methods are one of the important methods in the facial image segmentation. Self-Organizing Map (SOM) is a powerful method in the data mining. A main disadvantage of the SOM algorithm is that learning coefficient is not adaptive in this algorithm. Adaptability of learning coefficient in the adaptation phase can improve the performance of the SOM clustering. Neural Gas Network (NGN) is an unsupervised learning that its neighborhood structure is adaptive and synaptic weight is updated without any topological adjustment. The main purpose of this study is to present a new hybrid SOMNGN method in which the learning coefficient is adapted in the adaptation phase of the SOM algorithm using the NGN algorithm. Also, two color spaces, including YCbCr and Face Mapping are used for facial skin modelling as a pre-processing step. Obtained results in the mentioned color spaces show that presented method have the higher accuracy than the standard SOM method.