بخش بندی پوست چهره مبتنی بر تصاویر رنگی با استفاده از رویکرد ترکیب نگاشت خودسازمان ده و شبکه های عصبی گازی جهت کاربرد در جراحی های پلاستیک چهره

بخش بندی تصویر چهره یک مولفه ی ضروری در کاربردهای پردازش تصویر و بینایی کامپیوتر نظیر شناسایی چهره، شناسایی هویت و آنالیز جراحی پلاستیک چهره است. یکی از مهم ترین روش های بخش بندی تصاویر چهره،  روش های مبتنی بر خوشه بندی هستند. نگاشت خودسازمان ده (SOM) جزء پرکاربردترین روش مبتنی برشبکه های عصبی در داده کاوی است. عیب مهمی که الگوریتم SOM استاندارد دارد این است که ضریب یادگیری در آن وفقی نیست. وفقی بودن ضریب یادگیری در به روزرسانی وزن های نگاشت خودسازمان ده منجر به بهتر شدن عمل کرد این الگوریتم خواهد شد. شبکه ی عصبی گازی (NGN) یک یادگیری بدون ناظر بوده که ساختار همسایگی در آن وفقی بوده و وزن سیناپسی مستقل از هر گونه تنظیم توپولوژیکی به روزرسانی می شود. هدف اصلی این پژوهش، ارایه ی روش هیبریدی جدید SOMNGN است که در آن بتوان ضریب یادگیری در فاز تطبیق الگوریتم SOM استاندارد را با استفاده از الگوریتم NGN وفقی کرد. همچنین، دو فضای رنگی شامل YCbCr و فضای نگاشت چهره به عنوان مرحله ی پیش پردازش جهت مدل کردن پوست چهره به کار گرفته شده است. نتایج به دست آمده در فضاهای رنگی ذکر شده نشان می دهند که الگوریتم پیشنهادی نسبت به SOM استاندارد دقت بالاتری در آشکارسازی صحیح پیکسل های پوست چهره دارد.