Optimisation De La Segmentation D’images Par La Recherche Coucou

Résumé: Dans ce travail, nous avons présenté une approche de segmentation d’images par une approche de classification qui est la méthode des c-moyennes floues abrégée en FCM. Puis nous avons introduit une autre nouvelle approche d’optimisation afin d’optimiser les résultats de la segmentation qui est l’algorithme de recherche coucou. En s’intéressant aux métaheuristiques, nous avons essayé d’envisager l’étude et la description d’une approche bio-inspirée a base de population de solutions coucou, qui consiste à optimiser les résultats de segmentation qui sont une populations d’images générés par l’algorithme des c-moyennes floues ‘FCM’, ce dernier fait une classification des images résultantes selon leur qualité fitness via un indice de validité qui est dans notre cas l’indice intra-régions de Levine et Nazif. Cette méthode appelée recherche coucou s’inspire du comportement fascinant des oiseaux coucous. Elle est caractérisée par la capacité d’éviter un optimum local qui est le piège dont lequel les méthodes de segmentations tombent en faisant un saut vers l’optimum global via certains paramètres comme la fraction pa et le vol de Lévy appelé en anglais ‘Levy flight’.

Publié dans la revue: