@article { author = {Mousavirad, Seyed Jalaleddin and Ebrahimpour-Komleh, Hossein}, title = {Optimal Multilevel image thresholding using the teaching-learning-based optimization}, journal = {Journal of Machine Vision and Image Processing}, volume = {2}, number = {2}, pages = {51-62}, year = {2016}, publisher = {Iranian Society of Machine Vision and Image Processing}, issn = {2383-1197}, eissn = {2383-1197}, doi = {}, abstract = {Image thresholding is a popular method for image segmentation. Histogram is used for image segmentation in image thresholding. In this paper, a multilevel image thresholding is proposed based on teaching-learning-based optimization (TLBO). TLBO is a new population-based metaheuristic inspired by learners and teacher in a classroom. The optimal thresholds are found by maximizing Kapur’s (entropy criterion) thresholding function. The performance of TLBO is explained by considering five images. In addition, the performance is compared with three well known population-based metaheuristics: particle swarm optimization(PSO), genetic algorithm (GA), and differential evolution (DE). Results show that TLBO presents the better performance in terms of fitness value, peak signal to noise ratio (PSNR), Structural-Similarity index (SSIM), and stability.}, keywords = {Image Segmentation,multilevel image thresholding,Teaching-learning-based optimization,histogram,Kapur’s entropy}, title_fa = {آستانه گذاری بهینه چندسطحی تصویر با استفاده از الگوریتم بهینه سازی مبتنی بر یادگیری و تدریس}, abstract_fa = {آستانه‌ گذاری تصاویر یک از محبوب‌ترین روش‌های قطعه ‌بندی تصاویر است. در این روش، برای مشخص‌ کردن مقادیر آستانه از هیستوگرام استفاده می شود. در این مقاله، یک روش آستانه گذاری چندسطحی برای قطعه‌ بندی تصاویر مبتنی بر هیستوگرام با استفاده از الگوریتم بهینه‌ سازی مبتنی بر یادگیری و تدریس ارائه شده است. این الگوریتم یک الگوریتم جمعیت‌گرای جدید است که از تاثیری که یک استاد بر دانش‌ آموزان خود دارد الهام گرفته است. تابع هزینه مورد استفاده در این پژوهش، معیار بیشینه‌ سازی آنتروپی کاپور بوده است. کارایی روش پیشنهادی بر روی 5 تصویر استاندارد مورد بررسی قرار گرفته است. همچنین کارایی آن با سه الگوریتم ژنتیک (GA)، بهینه سازی ذرات (PSO) و تکامل تفاضلی (DE) مقایسه شده است. نتایج نشان می دهد که الگوریتم بهینه‌ سازی مبتنی بر یادگیری و تدریس نتایج بهتری در توابع برازندگی، مقدار PSNR، SSIM و پایداری فراهم آورده است. زمان یافتن مقادیر آستانه برای این الگوریتم نیز نسبت به الگوریتم PSO بیشتر اما نسبت به GA و DE کمتر است.}, keywords_fa = {قطعه بندی تصاویر,آستانه گذاری چند سطحی تصاویر,الگوریتم بهینه سازی مبتنی بر یادگیری و تدریس,هیستوگرام,آنتروپی کاپور}, url = {https://jmvip.sinaweb.net/article_12011.html}, eprint = {https://jmvip.sinaweb.net/article_12011_40079b7933c8837da373f0edbd4c865e.pdf} }