چکیده: شده آزمایشی می باشد.ویژگی های استخراج شده از هر تصویر ناحیه بندی شده چه در فاز آموزش و چه در فاز آزمایش، شش ویژگی می باشد. این ویژگی ها خواص همگنی نواحی و تمایز مرزها را از لحاظ روشنایی و بافت نشان می دهند. خطای کلاسه بندAdaboost در ارزیابی جوابهای ناحیه بندی 1.7% و مقدار این خطا برای کلاسه بند شبکه عصبی%.65. می باشد.ناحیه بندی تصاویر اولین گام و یکی از مهمترین بخش های یک سیستم بینایی ماشین می باشد.ناحیه بندی تصاویر را می توان در دو حوزه ناحیه بندی اتوماتیک و ناحیه بندی تعاملی بررسی نمود.در این پایان نامه ناحیه بندی تعاملی مبتنی بر گراف کات را مطالعه می نمائیم.موفقیت ناحیه بندی مبتنی بر گراف کات در گرو انتخاب پارامترهای مناسب برای این الگوریتم است.برای هر تصویر مجموعه بهینه ای از پارامترها وجود دارند که به ازای این پارامترها بهترین جواب های ناحیه بندی به دست می آیند.هدف ما در این پایان نامه ارزیابی خودکار نتایج ناحیه بندی می باشد.برای ارزیابی نتایج ناحیه بندی گراف کات،دو سیستم به کمک کلاسه بندهای Adaboost و شبکه عصبی پیشنهاد می کنیم. در هر کدام از سیستم های پیشنهادی،کلاسه بند توسط مجموعه تصاویر ناحیه بندی شده آموزشی،آموزش داده می شود. کلاسه بند آموزش داده شده قادر به ارزیابی یک تصویر ناحیه بندی