درهم‌تنیدگی تصاویر عبارت است از تقسیم‌بندی دقیق پیکسل‌های تصویر به دو مجموعه زمینه و پیش‌زمینه که میزان تعلق هر پیکسل به دو طبقه تعیین می‌شود. روش‌های مختلفی برای مواجهه با این مسئله ارائه شده است که روش مبتنی بر یادگیری از جمله شیوه‌های پایه در این حوزه است که متضمن حل یک مسئله‌ی بهینه‌سازی است. در این مقاله از این شیوه مطرح در حوزه پردازش تصویر برای طبقه‌بندی داده‌های غیرتصویری استفاده شده است. نوآوری اصلی مقاله، به جز کاربرد متفاوت، نحوه استفاده از این شیوه در طبقه‌بندی سایر داده‌ها می‌باشد. نتیجه درهم‌تنیدگی تصویر تخمین میزان تیرگی هر پیکسل است که احتمال پیش‌زمینه یا پس‌زمینه بودن را نشان می‌دهد. اما در طبقه‌بندی سایر داده‌ها عموماً تعلق قطعی هر نمونه به هر کلاس مشخص می‌شود. در صورت استفاده از روش درهم‌تنیدگی تصویر، یک حد آستانه واحد روی خروجی آن، مناسب طبقه‌بندی داده‌ها نیست. در این نوشتار روشی برای حل این مشکل پیشنهاد شده و این شیوه با روش ماشین بردار پشتیبان مقایسه شده است. نتایج آزمایشات برتری شیوه پیشنهادی را نشان داده است.

کلمات کلیدی