Эль-Хатиб, С. А.Скобцов, Ю. А.Ель-Хатіб, С. А.Скобцов, Ю. О.El-Khatib, S. A.Skobtsov, Y. A.2026-05-272026-05-272015https://eir.zp.edu.ua/handle/123456789/28959Эль-Хатиб С. А. Компьютерная система сегментации медицинских изображений методом муравьиных колоний / С. А. Эль-Хатиб, Ю. А. Скобцов // Радіоелектроніка, інформатика, управління. – 2015. – № 3 (34). – C. 49-57.RU: Сегментация изображений является одной из самых важных и сложных задач низкоуровневого анализа изображений. Поскольку это один из первых этапов распознавания изображений, то последующие шаги, такие как выделение сущностей, классификация и распознавание, в значительной степени зависят от его результатов. Поэтому сегментация изображений является предметом интенсивных исследований. Методов сегментации разработано большое число, но каждый из них обладает своими преимуществами и недостатками. Перспективными для исследований представляются новые методы сегментации, основанные на методах роевого интеллекта (муравьиные и роевые алгоритмы, алгоритмы стаи рыб, алгоритмы оптимизации передвижением бактерий и т.п.). Данные алгоритмы основаны на идее моделирования поведения множества агентов, поведение которых исходит из природы, из биологических систем. В представленной работе выполнены реализация и анализ смешанного алгоритма сегментации K-средних и муравьиных колоний, а также реализована программная система для визуализации и апробации разработанного алгоритма. Проведено тестирование разработанного алгоритма на общедоступных бенчмарках (использован бенчмарк Беркли). Получены выходные обработанные изображения, а также значения эвристических коэффициентов разработанного алгоритма. Результаты обработки сравнены с результатами, полученными при обработке системой Osiriss. UK: Сегментація зображень є однією з найважливіших та складних задач низькорівневого аналізу зображень. Оскільки це один з перших етапів розпізнавання зображень, то подальші кроки, такі як виділення сутностей, класифікація і розпізнавання, у значній мірі залежать від його результатів. Тому сегментація зображень є предметом інтенсивних досліджень. Методів сегментації розроболено велику кількість, але кожен з методів має як свої переваги, так і недоліки. Перспективними для досліджень вважаються нові методи сегментації, що базуються на методах ройового інтелекту (мурашині та ройові алгоритми, алгоритми зграї риб, алгоритми оптимизації пересуванням бактерій тощо). Наведені алгоритми засновані на ідеї моделювання поведінки великої кількості агентів, поведінка яких виходить з природи, з біологічних систем. У наведеній роботі виконані реалізація та аналіз змішаного алгоритму сегментації K-середніх та мурашиних колоній, а також реалізована програмна система для візуалізації та апробації розробленого алгоритму. Проведено тестування розробленого алгоритму на загальнодоступних бенчмарках (використано бенчмарк Берклі). Отримано вихідні оброблені зображення, а також значення евристичних коефіцієнтів разробленого алгоритму. Результати обробки порівняні з результатами, отриманими при обробці системою Osiriss. EN: The image segmentation is one of the most important and complex low-level image analysis tasks. Because it is one of the first stages of image recognition, the next steps, such as the allocation of entities, classification and recognition, largely depend on its results. Therefore, the image segmentation is the subject of intense research. There are a lot of segmentation methods, but each of them has its own advantages and disadvantages. New segmentation methods based on swarm intelligence look are promising for researching. They are ant colony optimization algorithm, swarm optimization, fish and bacteria fouraging algorithms etc. These algorithms are based on the behavior modeling of set of agents and inspired by the nature, especially by biological systems. The mixed segmentation algorithm of K-means and ant colony optimization was implemented and analyzed in the presented paper. The software system for visualization and approbation of the developed algorithm was implemented too. The algorithm was tested on public benchmark Berkley. We have obtained the output processed images, as well as the values of heuristic coefficients of the algorithm. The results are compared with output data obtained by Osiriss system.ruсегментацияалгоритм муравьиных колонийалгоритм K-средниханализ зображенийсегментаціяалгоритм мурашиних колонійалгоритм K-середніханаліз зображеньsegmentationAnt Colony OptimizationK-means algorithmimage processingArticle