TELKOM NIKA , Vol.13, No .3, Septembe r 2015, pp. 9 55~962   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v13i3.1803    955      Re cei v ed Ma rch 3 1 , 2015;  Re vised June  18, 2015; Accepte d  Jul y  4 ,  2015   Applications of Improved Ant Colony Optimization  Clustering Algorithm in Image Segmentation      J unhui  Zh ou 1 , Defa Hu 2*  1 School of Infor m ation, Hu na n Vocatio nal C o l l ege for Nati on alities,    Yue y a ng 4 140 00, Hun an, Ch i n a   2 School of Co mputer an d Informatio n  Engi n eeri ng, Hun an  Univers i t y   of Commerce,   Cha ngsh a  41 0 205, Hu na n, Chin a   *Corres p o ndi n g  author, e-ma i l : hdf666 @1 63. com      A b st r a ct   W hen  express i ng th e d a ta fe ature  extractio n  of th e i n teres t ing  obj ectives,  i m ag e s e g m e n tation  i s   to transform th e data set of the f eatures  of the orig ina l  i m age i n to  more  tight and g e n e r al data set. T h is  pap er expl ores  the image se g m e n tatio n  tech nol ogy b a s ed  on ant col ony  opti m i z at ion cl usterin g  alg o rit h m  and  pro pos es  an  i m prov ed  ant co lo ny c l usteri ng  alg o r i thm (ACCA).  It impr oves  and  an aly z e s  the   computati o n a l formu l a of the simila r i ty function an d i m prov es para m et er selecti on an d setting by setti n g   ant clusteri ng r u les. T h rou gh t h is al gor ith m , it  can not on ly a cceler a te the  cl usterin g  spe e d ,  but it can als o   have a  better clusteri ng p a rtitioni ng res u lt. T he exp e ri me nt al resu lt show s that the  meth od of this pa pe r is   better than the  origi n a l  OT SU ima ge se g m ent ation  meth od i n  accuracy, ra pidity a nd stab i lity.    Ke y w ords : ant  colony o p ti mi zation, cluster i n g  alg o rith m, i m age se g m e n tation     Copy right  ©  2015 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  The idea of i m age segm e n tation is to map the  pixel  points to the  corre s po ndin g  feature  spa c e  a c cord ing to the  fea t ures of diffe rent inte restin g blo c ks  of a r ea in th e ima ge  su ch a s   gray  scale  and tex t ure a nd th en  cla s sify the m  acco rdi ng to  ce rtain rea s on able simil a rity  criterio n.  It  has  bee n m entione d in t he p r eviou s   para g raph  th at image  se g m entation i s   the key  step  in   image p r o c e ssi ng an d image an alysis;  therefore,  the image seg m entation effect will direct ly  affect the accura cy of the subsequ ent image an alysi s  [1].    Previou s ly, Kapur ha s  publ ishe d the  the o ry of  n e cessary optim al m a tchin g  d egre e  value   in imag e  seg m entation  by usi ng the  op timal ent ropy. The P - tile m e thod  pro p o s ed by  Doyle i s   the early met hod of autom atic thre shol d  sele cti on ba sed on gray histogram [2]. The computat ion  of this theo ry has l o w  req u irem ents  on  hard w a r e  an d it can  pro c ess differe nt kind s of ima g e s,   however, its sh ortcoming s  a r e  also  very obv io us  and it  requi res  huma n s to mea s u r e t h e   necessa ry rat i o of the imag e blocks to the sou r ce  ima ge in adva n ce, resulting in  a low repe ated   utilization fa ct or [3]. Du nn h a s  rai s ed  an  applie d theo ry . This theo ry  extract s  all p i xel informati on  of the entire  image an d then pe rform s  overall com putation. Wit h  the com p u t ational re sult , it  see k s the va riance an d the n  the optim al  matchin g  val ue [4]. Otsu  seeks the  opti m al sol u tion  b y   usin g the  ma ximum varia n c e  ratio  of th e pixel info rmation of th e entire ima ge, which i s   the  famous O T SU method. T h is theo ry has played a  fa r-rea c hin g  influen ce on ima ge pro c e s sin g . It  is n o t only  used in  the  ima ge bl ock  se g m entation  wit h  threshold,  b u t also u s e d  i n  ma ny rel e vant  fields. Th e bi gge st advant age  of this t heory i s  th at it optimizes the  setting  of the thresh old   correl ation co efficient whi c h hasn’t bee n  pro c e s sed  p e rfectly an d it is more accu rate in see k in g  this coefficie n t than the  previou s  g r a y scal e  di fference hi st method. Howe ver, most of  the  histog ram s  o b tained fro m  the images are not  sim p le mono pol ar-val ue ima ges a nd OT SU  crite r ion i s  weak i n  se gm enting the s e  image s,  ma ki ng it difficult for se gme n ta tion to rea c h  a  s a tis f ac tory objec t ive [5]. At pres ent, wit h  the in-d e p th develo p me nt of the rese arch in thi s  fi eld,  it begin s  to see the thresh old segme n ta tion in  the im age blo c k se gmentation  a s  the trave r sa l  algorith m  sol u tion of ce rtai n pro b lem s  a nd it star ts to  apply swarm intelligen ce al gorithm into t he  pro c e ssi ng of  such pro b le ms.   In orde r to solve the above-me ntione d probl em s, this pape r ha s introdu ce d an t colony   optimizatio n clusteri ng algo rithm  into   ima ge segm ent at ion. It firs tly introduc e s the c h arac teris t ic s  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 3, September 20 15 :  955 – 962   956 of  image se gmentation a nd  then  pro poses an  im proved ant col ony optimi z ation cl uste ri ng   a l g o r ithm b a s e d  o n  th e  b a s i c  an t c o lo ny a l g o r ith m , w h ic h  imp r o v e s  th e  p a r a me te r  s e ttin g  and  fitness fu ncti on of ACCA; accele rate s the segme n tation process a nd find s the o p timal thre sh ol d   of the image  to be se gmen ted with ACCA as the th re shol d se arch  strategy . Fin a lly, it compares  the perfo rma n ce s of ACCA and OTSU  in t he segm e n tation re sult and converge nce.        2. Image Segmenta tion   Whe n  expre ssi ng the d a t a feature e x tracti on of  the intere stin g obje c tives,  image  segm entation  is to  tra n sfo r m the  data  set of the fe ature s  of  the  o r iginal  imag e  into m o re  tig h t  and  gen eral   data  set.  If t he va rian ce   gene rated  in   the ima ge  se gmentation  i s  tran sferre d t o  a   highe r link of  image proce ssi ng, the im age segme n tation will hav e a bigge r varian ce an d it will  have a big g e r  influen ce o n  the final image p r o c e s sing; the r efore, image seg m entation eff e ct   plays an obv ious role in the entire ima ge pr o c e s sin g . Basically, image segm entation can b e   divided into the followi ng four ste p s:           Figure 1. Pro c e ss  cha r t of image segm e n tation       What ha s be en used mo re frequ ently at pr e s ent is an image  segmentatio n definition   formed f r om t he con c ept o f  set in math ematics. Express an  entire  image  with set  Q ; segm ent   this image an d form  N  blocks of area, na mely divide set  Q  into  N  subsets. Every sub-set i s   non-empty an d every sub s et shoul d me et the followin g  con d ition s :  (1) All  i and  j  ij  should me et that ij QQ ф ＝ ;   (2) () 1 N i i QI ,  () ( ) ij QQ ф ＝ , i ,  j , ij ;  (3) Whe n ij , P( ) F a l s e ij QQ ;  (4) Whe n 1 , 2 ...... iN =,  Tr u e i PQ ;  (5) Whe n 1 , 2 ...... iN =,   i Q is the co nne cted  region.   Here, symbol   ф is the con c ept of empty set in math ematical  set  while   i P Q is the   logical p r edi cate  of the  element s in  all sub s ets i Q and it h a s  spe c ific mea n ing. Detaile d   illustratio n  wil l  be made ab out the five condition s in the followi ng p a ssag e [6].    Con d ition  (1) indi cate s tha t  all the bl ocks of  are a  afte r ima ge  seg m entation  ca n’t hav e   the same pix e l point; in other word s, a  pixel point can only belo ng to a point and a cla ss.  In   mathemati cs,  it means that  the segm ent ed su bset s can’t have inte rse ction.  Con d ition (2 ) sh o w s  that after the image  segm e n tation, all pi xel points  sh all be allo cat ed to their o w n corre s po n d ing  sub s et s, nam ely that every  pixel p o int  shall h a ve  its  own  cl ass  an d that the r e  i s  n o  u n cl assi fied   pixel point.  Con d ition  (3) demo n st rate s that  after i m age  se gme n tation i s  fini she d , the pi xel  points in diffe rent  sub - blo c k of a r e a  defi n itely have di fferent cha r a c teri stics, tha t  is to  say th at  different sub-blocks of are a  have no  sa me pixel  poin t s. Conditio n   (4) m anife sts  that after ima ge  segm entation  is compl e te d, every seg m ented sub - block of are a  has its o w n  characte ri stics,  whi c h are different from ot her sub - blo cks of area,  na mely that all  the pixel poin t s of the sam e   sub - blo c k of   area  have   ce rtain  sam e  o r  simila r  ch aracteri stics. Condition   (5 )  states that  after  image segm e n tation is co mpleted, all p i xel points of  the sam e  su b-block of are a  are conn ecte d.   By analyzin g  the ab ove five con d ition s , it  can b e   known that th e found ation  of image  segm entation  is the discon tinuity and similarity of  the image pixels. Discontinuit y  means that the  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Applicatio ns  of Im proved  Ant Colon y  O p tim i zation Cl usteri ng Algo rithm  in… (Ju nhui Zho u )  957 cha r a c teri stics of the pixels in different  sub - bl o c ks of  area are different to a ce rtain extent and   they  form in coh e re nt pix e l ch ar acte ri stic s in   different  sub - blo c ks of  are a  before it forms  discontin uity.  Similarity refe rs to that the  pixels  of the  same  su b-bl o ck  of are a  ha ve certai n pixel  c h ar ac ter i s t ics  with high s i milar i ty s u c h   as  the  grayscale value  and c o lor  featur e of the pixel.  In  pra c tice, th e  pra c tical ap plicatio ns  of both ima g e  pro c e s sing  and im age  analysi s  a r e  the   appli c ation s   for certain  specifi c  o c casions. T herefore, mo st of  the imag e  segm entation  in   pra c tical  ap pl ication s  d o e s n’t need  to m eet all the  ab ove condition s; in stead, th ey only ne ed  to  satisfy one o r  several  con d i tions a c cordi ng to spe c ific  appli c ation re quire ment s [7].     OTSU im age  seg m entatio n method  ex tract s  gr ay hi stogram of a ll pixel point s in the  sou r ce imag e  to perform t he first-step  pro c e ssi ng. Its se co nd  ste p  is to co mp are a nd get t h e   maximum val ue from th e  histog ram i n formatio n calculated in th e  last ste p  an d  then dete r mi ne   the threshold  of the image segm entati on acco rdin g  to the maxi mum varian ce. This is the   method  of self- adaptive thr e s hold  s e lec t i on. The  s egm entation pr inc i ple of OTSU image  segm entation  method  is to see k  0 -  a n d  1-or der m o ments defin ed o n  the  b a si s of the  g r ay  histog ram  of  the ima ge  an d its advanta ge i s  that  it  d oesn’t requi re  any p r io r inf o rmatio n, saving   some  man p o w er  su pe rvisi on, therefo r e,  it can b e  ap plied in m a n y  practi cal fi elds  and it h a s  become an i m porta nt theory in image  segm entatio n.  At the same time, the sho r tcomi n g s  of   OTSU se gm entation  met hod  are al so  very o b viou s. Its  optimal  sol u tion, n a m ely to  see k  the  maximum m a tchin g  d egree valu e  req u ire s  to  tr av erse all  info rmation.  Be si des, after de eply  investigatin g  OTSU m e tho d  and  promo t ing it to two - dime nsi on, i t s pri n ci ple i s  to d e fine t he  comp ari s o n  b e twee n the d a ta to be extracted in  th e source ima ge  and othe r im pure  data a s   the   trace  of  a ma trix. The  cha nge  of this computation a l  equatio n i s  d e termin ed  by 0 , s t ,  1 , s t and , j s t . Additionally:    0 (, ) st ij io j o ws t p                 ( 1 )     1 (, ) st i io j o s ti p                  ( 2 )     (, ) st j j io j o s tj p                        ( 3 )     Here, perform accumulative summation on 0 , ws t ,  1 , s t and  j , s t and their re sul t s  need to  be i n c orpo rated i n  all  , s t . The  com p lexity of this com putation  has  re ached  (4 ) OL  and   it can’t meet  the real -time  requi rem ent i n  pra c tica l ap plicatio ns  sin c e it is ve ry time-con sumi n g .  OTSU i m ag e  se gmentatio n metho d   red u ce s it s time   compl e xity by ado pting  sp e c ial  cal c ul atio n   prin ciple,  ho wever,  this m e thod  re quire s ex ce ssive  i n vestment  an d it i s  n o t ap plica b le  as well  [8].   Ant col ony o p t imization  ha s the   cha r a c teristi c s of  self -organi zation,  pa rallel  an d  positive   feedba ck an d  it ha s st ron g  rob u stn e ss.  In the  sea r ch  pro c e s s, ev ery ant i s  i n d epen dent from  each other a n d  they comm unicate only throu gh ph ero m one. The r ef ore, ant col o n y  algorithm can  be seen  as  a dist ributed   multi-ag ent system an d it perfo rm s in depe ndent  solution  sea r ch in   many point s  of the proble m  spa c e  at the same  tim e . It not only increa se s th e relia bility of the  algorith m , bu t is also ma ke s the algo rithm have stronge r glo b a l sea r ching  ability. At the  begin n ing of  the algorith m , a single a r tificial ant se a rch es th e sol u tion disord e r ly. After som e - time evolution, the artificial ants sp ont aneo usly  se a rch  som e  sol u tions  close to the optimal  solutio n  th rou gh the  ph ero m one. T h is is a  pro c e s s fro m  di sorde r  to  order.  The  o p timal mat c hi ng  degree value  is the optimal  solution [9].      3.  Impro v ed Ant  Colon y  Clustering  Algorithm  3.1. Principle of An t Col o n y  Sy stem  Optimiza tion   Every ant in the ant  colo ny here  is a n  a u t onomo u s  e n tity. It contin uou sly intera cts  with   the enviro n m ent; it has intelligen ce,  dynamics  a n d  movability and it ca n p r ovide te chni cal  sup port fo r d a ta cl uste ring . In this al go rithm, every  ant sta n d s  fo r a  data  obje c t an d its  ne xt  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 3, September 20 15 :  955 – 962   958 moving p o sit i on i s  dete r mined  acco rding to th e  simila rity fun c tion  and  probability tra n s fer  function b e tween itself an d  the ant in the neigh borho od sp ace. In the mea n  whil e, it dynamically  update s  its  cl ass nu mbe r  a c cordi ng to  cl usteri ng  rule  sets. T he m o vement of ant  makes it affe ct  itself and it s  obje c t in the  neigh borhoo d. It can fo rm a faste r  a nd bette r cl u s ter  after  certain  iteration s  th rough  little lo cal  neigh bo rhood  inform a t ion. In the f o llowin g  p a ragra ph, the   an t  routing  sketch of Figure 2  vividly indicates the p r inci p l e of ant colo ny system op timization [10 ] .        (a)     (b)     ( c)    (d)     Figure 2. Ant colo ny clu s tering sketch       In  Figu re 2, 5000   obj ect s   are rand oml y   distri buted  in  a ci rcular regio n  with  t he sam e   200-unit radi us an d 10 art i ficial ants  clu s ter the s e obj ects. (a ), (b ), (c) and (d) in  Figure 2  sho w   the re sult of  ant clu s teri ng  in different i t erat ion s . Th e ran domly  distrib u ted o b ject s are firstly  clu s tere d into  several  sma ll classe s wit h in a sho r t time and then  gradu ally cl ustered into  big   cla s ses repe ating the  a b o v e process; t he p h e r om o n e  inten s ity in   the path  p r e s ents  a  bigg er  and   bigge r differe nce. Finally, all the ants choo se the pat h with high p hero m on e intensity [11].     3.2. Algorith m  Descrip tio n   3.2.1. Ant Ex pression   The alg o rith m simul a tes t he be havior  of the age nt ant to “sea rch pro p e r  swa r m” in  th e   movement s. Its basi c  id e a  is to rand omly proj ect  the obje c ts to be cl ust e red i n  a t w o- dimen s ion a l grid an d every subject ha s a randomly  initial position .  Every ant c an move in the   grid s. Mea s u r e the  swa r m  simila rity of the curr ent o b j ect in th e lo cal enviro n me nt. Tran sfer t he  sw arm  simila rity to the pro bability of the moving obje c t throu gh p r obability tran sfer fun c tion  and   pick u p  o r  p u t do wn the  su bject s  at thi s   prob ability. T he joint  actio n  of multi - age nt ant ma ke s  the   obje c ts of the  same  class i n  the same  spatial domai n  cluste r toget her [12].   An ant agent refers to a da ta object; in this  way, it can redu ce the  comp utation time and   the storage  space. Its beh aviors  ar e si mple: wh en it  doe sn’t find  a pro p e r  col o n y, it keep s on  sea r ching;  when it  ha s fo u nd the  relatively prope r  col ony, it sto p s  moving. It rep eats thi s  process  until all the  agent a n ts h a ve found th e prope r po sitions. W e  u s e the foll owing qui ntuple  to   descri be the  state of every  ant:      n i v s c y x i i i i i 1 ), , , , , (     Here,  n is the  numbe r of  d a ta, i x and  i y are t he  coo r din a tes  of wh ere   the  th i  ant is  locate d, i c is the  cla ss  numb e r  of the ant, i s re flects  wheth e r  the ant i s  in  the moveme nt state or  the stability state and  i v is the spee d of the ant in its movement [13].    3.2.2. Calcul ation of Similarit y   Assu ming the r e is an a n t  i a in the place  r at the mome nt t , define the av erag e simila ri ty  of  i a and its nei ghbo ur obj ect   j a as:    () ma x (, ) 1 () 1 (1 ( 1 ) / ) ji ij i aN a i da a fa av v             ( 4 )     In this formula,   i Na is the neighbou rho od of i a . In  the grid, every agent a n t will have 8   blan ks in its  neigh borhoo d  if this ant is  locate d  anywhere b u t the boun dary; if the ant is in the  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Applicatio ns  of Im proved  Ant Colon y  O p tim i zation Cl usteri ng Algo rithm  in… (Ju nhui Zho u )  959 boun dary of the gri d , there  are only 3 g r i d s in its n e igh bourhoo d [14 ].  max v is the maximum speed  and  i v is the  m o vement  spe ed. Ta ke  a d e crea sing  ra n dom n u mbe r   here  to m a ke  the a n t mov e   fast at the  b eginni ng in  o r de r to fo rm  a cl uste r fa st and  ro ughly .  Then th e  speed  re du ce s  rand omly to refine the clu s tering result.  , ij da a is the dista n ce b e twee n  ant  i a and j a , whi c h ca n b e  cal c ulated  in the  prep ro ce ssin g pha se of the clu s terin g  a nd its definitio n is as follo ws:     m k jk ik j i a a a a d 1 2 ) ( ) , (               ( 5 )     In the fo rmul a,  m is the  num ber of p r op ert i es, is the coefficient to  adjust the  similarity  betwe en the  data obj ect s   and it dete r mines th e cl usteri ng n u m ber a nd  con v ergen ce  sp eed,   makin g  the value of  gra d u a lly decrea s e  in the cluste ring pro c e s s.   The ch ang e o f  paramete r   d i rectly affects  the value ran ge of the simi larity function  and  the value of  is the numb e r  of ants in the neigh bou rho o d  [15].    3.2.3. Calcul ation of Mov e ment Probabilit y  Proba bility transfe r fun c ti on i s  the fu nction  of  i f a and it tran sfers the  avera g e   simila rity of the data obj e c ts a s  the m o vement pro bability  m P of the agent ants. I f   i f a is v e ry  small; the n   m P is very hi gh;  otherwi se, m P  is very lo w.  We  sele ct Si gmoid fu ncti on a s  the   prob ability transfer fun c tion  becau se Sig m oid f unctio n  has non -line a rity. Only one param eter i s   need ed to be  adju s ted in th e movement  and it has fa ster conve r g e n c e spee d.   Define the  movement p r obability  m P  of  i a whi c h ha sn’t  found prop er colony in  the   rand om move ment as:        1 S igm o id mi Pf a                        ( 6 )     In this form ula,  1 () 1 cx cx e Sigmo i d x e is the n a tu ral expo nenti a l form. If the para m eter  c is  big, the curve  saturat e s fa st and the con v ergen ce  spe ed is al so fast  [16].    3.2.4. Descri p tion of  Clus tering Rules   C l us te r i ng  Ru l e :  th e  c l ass   i n for m a t i on  i c of  i a is up dat ed a c cording  to the foll o w ing  rule s:  (a) If  i a finds a  pr oper c l ass i fic a tion and  s t ops  moving, its  c l ass   num ber will  be  c h anged  by the class n u mbe r  of the agent ant wit h  t he minimu m similarity in  its neighb orh ood;   (b) If  i a ch ang e s  fro m  h a lt  state to m o vement  state,  its  cla s s nu mber will  also be   cha nge d by its mark nu mb er du ring its  movement;   (c ) If  i a  keep s  its moveme nt state u n cha nged, its cl a s s num ber w ill also  re mai n  the   same.   The  clu s terin g  rul e s are ve ry sim p le a n d  t he ag ent a n t s can u pdate  their  state  wi th local  informatio n a nd fo rm  clu s tering  dyna mi cally. Th e  clu s terin g   re sult  will  be  given  directly by t he  cla ss n u mbe r  of the agent ant [17].    3.2.5. Descri p tion of the  Algorithm Pr ocess   Thro ugh the  above anal ysis, the pro c e ss of multi - age nt ant clusteri ng alg o r ithm is  descri bed a s   Figure 3.      Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 3, September 20 15 :  955 – 962   960     Figure 3. The  process of a n t cluste ring  algorith m       4. Analy s is o f  Experimen t al Results   This p ape r comp ares th e seg m entat ion efficien cy by using  OTSU an d  ACCA  segm entation  method s o n  the sta nda rd test ima g e  Coin s. In th is expe rime n t, the hard w are  memory i s  2.5G and the  run-time e n vironment  is M a tlab20 12. The co mpa r ison re sult of the   matchin g  val ue an d the  p r ocessin g  tim e  by the s e t w o  seg m enta t ion metho d s is in dicated  in  Table 1. Th e  segm ented  e x perime n tal result s are sh own in  Figu re  4. Figure  4(a )  is the  origi n a l   image; Fig u re 4(b) i s  the  i m age  se gme n ted by  O T SU segm entati on meth od a nd Fig u re  4(c) is  the image  se gmented  by ACCA segm e n tation metho d . We can ge t the standa rd of the pra c t i cal  appli c ation s  from the s e ob vious compa r ison s.         Table 1. Co m pari s on of Ma tching  Deg r e e  Value and  Processin g  Time after Cal c ulation   Experiment No.   OTSU imag e seg m entation metho d ACCA image seg m entation metho d   Image threshold   Time (ms)   Image threshold   Time (ms)   1  103 24.97  121  18.37   2  103 25.05  128  17.93   3  103 24.38  136  17.34   4  103 24.72  133  17.61   5  103 25.02  123  18.02       It can be  se en from T abl e 1 that ACCA meet s th e pra c tical a pplication req u irem ents  and it greatly redu ce s the p r ocessin g  time and  the co mputational ti me of the thresh old.   From the a n a l ysis of the co mpari s o n  of the  above figu res, it ca n be  see n  that ACCA ca n   sea r ch the  optimal thre shol d fast  a nd qui ckly. The meth od  of this p a per  ha s certain  effectivene ss in segme n ta tion effect, segment atio n spe ed  a nd converg e n c e and  it  h a s b e tter  segm entation  effects and  clear texture  compa r ed  with  OTSU imag e  segme n tatio n  method.     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Applicatio ns  of Im proved  Ant Colon y  O p tim i zation Cl usteri ng Algo rithm  in… (Ju nhui Zho u )  961   (a) O r igin al image     (b) O T SU se gmentation     (c ) A CCA   seg m entation     Figure 4. Co mpari s o n  of image segm e n tation effect s by different  method s      5. Conclusio n   This p ape r has  reali z ed  ant colony  optimizatio n  cluste rin g  algorith m  in  image   segm entation ,  simulate d the be havior  of “searchi n g  the ap pro p ri ate swa r m” i n  the move m ent;  dynamically update s  its  class-m ar k a c cording to  certain  clu s tering rul e s a n d  guide s the  ant  individual s to  find the opti m al se gme n tation thre sh ol d qui ckly. By com pari ng t he pe rform a n c e s   of the sta nda rd ima ge te st  and th e trad itional  imag e  segm entation  method s, th e expe riment al  result ha s d e mon s trate d that for the  same im age  to be  segm e n ted, the  col ony intellig en ce   optimizatio n clusteri ng alg o r ithm ha s a fast opt imizatio n spe ed an d high optimi z a t ion quality.      Ackn o w l e dg ements   This  wo rk  wa s supp orted  by the Natio n a l Natu ral S c ience Fou n d a tion of Chin a (G rant  No: 612 024 6 4 ).       Referen ces   [1]  Naos hen g Qia o , Ping Su n. Stud y   of Improv ed Ots u Algor ithm and Its Rat i on Eva l u a tion  Anal ys is for   PCB Photo e le ctric Image S egme n tatio n .  Optik-Internati ona l Jour nal f o r Lig h t an d Electron Optic s .  201 4; 125( 17): 478 4-47 87.   [2]  Xi nso ng W a n g , Guofen g Q i n. Pav e ment  Im age S egme n tation  Bas e d  on F C M  Alg o rithm Us in g   Neig hb orh ood Information.  T E LKOMNIKA Indo nesi an J o u r nal  of Electric al En gin eer ing .  201 2; 10( 7):   161 0-16 14.   [3]  Dirk H o lz, Sv e n  Be hnk e. Ap p r oximate  T r iangul ation  a n d  R egi on Gro w i n g  for Efficie n t S egme n tatio n   and Smo o thi n g  of Range Ima ges.  Rob o tics and Auto no mo us Systems . 2 014; 62( 9): 128 2-12 93.   [4]  Shib ai Yi n, et  al. Efficient M u ltilev e l Ima g e   Se g m en ta ti on th ro u g h  Fu zzy  En tro p y  Maxi mi za ti on  an d  Graph Cut Opti mizatio n .  Pattern Recognition .  2014; 4 7 (9): 2 894- 290 7.   [5]  Sebasti an T  Gollmer, et al. Using im ag e Segme n ta tio n  for Evaluati ng 3 D  Statistical Shap e Mod e l s   Built  w i th Gro u p w is e C o rre s pon de nce Opti mizatio n .  Co mputer Visi on  a nd Imag e Un derstan din g .  201 4; 125: 28 3 - 303.    [6]  Sijie  Ni u, et a l . Automate d R e tinal  La ye rs Se gmentati on in SD-OCT   Images  Usi ng Du al- G radie n t  an d   Spatia l C o rrel a tion Sm oothn e ss Constra i nt.  Co mp uters  i n  Biol ogy and   M edici ne . 20 14;   54(1): 11 6 - 128.   [7]  Sung  H a  Ka ng , Riccar do M a r c h. Multi p h a se  Image S egm e n tation  vi a E q u a ll y  Dista nce d   Multipl e  W e ll   Potentia l.  Jour nal of Visu al C o mmunic a tio n  and I m ag e Re prese n tatio n .  2014; 25( 6): 144 6-14 59.   [8]  Ozge Oztimur  Karad ag, F a to s T  Yarman V u ral. Ima ge S egme n tatio n  b y  F u s i o n  of  Lo w   L e vel  an d   Domai n  Spec ifi c  Information v i a Markov R a n dom F i el ds.  Pattern Recognition Letters . 20 1 4 ; 46(1): 75- 82.   [9]  Nan Ge ng, D o ngji an  He, Ya n s hua ng S o n g . Camera  Image  Mosaic ing  Ba sed o n  a n  Opti mized S URF   Algorit hm.  T E LKOMNIKA Indones ian J ourn a l of Electrica l  Engi neer in g . 2012; 10( 8): 218 3-21 93.   [10]  Sina T abakhi,  Parham Mor adi, F a rdi n  Akhla ghi an. An Unsu pervis ed  F eature Sel e ction Alg o rithm   Ba se d on  An t  C o l ony  Op ti miza ti o n .  E n g i ne erin g Ap plic ati ons  of Artificia l  Intell ige n ce . 2 014; 32: 12- 123.   [11]  Aritra Ch o w d h u r y , S w a g a ta m Das. Auto mati c Sha pe  Indep en dent  Clusteri ng Ins p ire d  b y  Ant   Dy namics.  Sw arm a nd Evo l ut ion a ry Co mp utatio.  201 2; 3: 33-45.   [12]  Sala bat K han,   Abdu l R auf B a ig, W a se em S hahz ad. A  Nov e l A n t C o lo n y   Optimizatio n  B a sed  Si ngl e   Path Hi erarch i c al Cl assific a ti on Al gorithm f o r Pred icting  Gene Ontol o g y .  Ap pli ed S o ft Computi n g .  201 4; 16: 34-4 9 .  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 3, September 20 15 :  955 – 962   962 [13]  Abou l Ella H a ssani en, et al. MRI Breast  Canc er Dia gn osis H y bri d  Appro a ch Usi n g  Adaptive Ant- Based Se gme n tation a nd Mu ltila yer P e rcept ron Ne ural N e tw o r ks Class ifie r.  Applie d Soft Computi n g .  201 4; 14(A): 6 2 -71.   [14]  Arash Ghan ba ri, et al. A C oop erative Ant  Colon y  Opti mizatio n -Genet ic Algorithm  Appro a ch for   Constructi on o f   Energ y  Dem and   F o recast i n g Kn o w l e d ge- Based  E x p e rt  S y stems.  K n o w ledge-B a se d  System s . 20 13 ; 39: 194-2 06.   [15]  Md Mo niru l Ka bir, Md  Sha h j a han, K a zu yu ki  Murase. A  Ne w   H y br id  Ant C o lo n y  Optimiz a tion A l gor ith m   for F eature Sel e ction.  Expert  Systems w i th Appl icatio ns.  2 012; 39( 3): 374 7-37 63.   [16]  Amio y Kum a r, Madas u Ha nm and lu , HM Gup t a. Ant Colo n y   Optimizatio n  B a sed F u zz y B i nar y Dec i si on  T r ee for Bimo dal  Ha nd K nuc kle Ver i ficati on  S y stem.  Ex pe rt Systems w i th Ap plic ations .  201 3; 4 0 (2):   439- 449.   [17]  RJ Kuo, et al.  Automatic Ke rnel C l uste ri ng   w i t h  Bee  Col o n y  Optimizati on Alg o rithm.  Information  Scienc es . 201 4; 283(1): 1 07- 122.    [18]  Pabl o L o y ol a,  et al. Pre d icti n g  W eb  User B ehav ior usin g Lear nin g -Bas e d   Ant  C o lo n y  Optimizatio n .  Engi neer in g Applic atio ns of Artificial Intel lig e n ce . 201 2; 25( 5): 889-8 97.     Evaluation Warning : The document was created with Spire.PDF for Python.