تصاویر درموسکپی یکی از ابزارهای اصلی مورد استفاده در تشخیص ملانوما و دیگر عارضه های رنگی پوست به شمار می‌رود. به علت سختی و عوامل ادراکی در تشخیص‌های انسانی، تحلیل کامپیوتری تصاویر درموسکپی یک زمینه جدید تحقیقاتی را به روی محققین گشوده است. یکی از مراحل اصلی در تحلیل این تصاویر، آشکارسازی خودکار مرز عارضه می‌باشد. یافتن یک آستانه بهینه برای بخش بندی تصاویر دیجیتالی یک کار دشوار در پردازش تصویر می‌باشد. در این تحقیق یک روش آستانه‌گذاری جدید مبتنی بر روش‌های آستانه‌گذاری مطرح و الگوریتم یادگیری تقویتی جهت بخش‌بندی تصاویر درموسکپی ارائه می‌گردد. در این روش، عامل تقویتی الگوریتم یادگیری، وزن‌های بهینه مربوط به آستانه‌های مختلف را آموزش می‌بیند و تصویر را توسط آستانه بهینه بخش‌بندی می‌کند. یک تابع پاداش برای محاسبه میزان شباهت بین تصویر باینری خروجی و تصویر سطح خاکستری اصلی به کار برده می‌شود تا میزان پاداش یا جریمه را به عامل تقویتی اعمال کند. از سه روش آستانه‌گذاری Otsu، Kittler و Kapur جهت ترکیب در عامل تقویتی استفاده می‌گردد. نتایج بخش‌بندی با استفاده از اندازه‌گیری خطا براساس تصاویری که توسط متخصصین پوست بخش‌بندی شده‌اند، مقایسه می‌گردند. مقایسه نتایج حاصل با روش‌های خودکار ارائه شده در مقالات، بیانگر بهبود دقت و کاهش خطا در آشکارسازی مرز عارضه در تصاویر درموسکپی است. تفاصيل المقالة