بانک دانلود پایان نامه تسیس ورد - رسا تسیس
صفحه اصلی پیگیری سفارش درباره ما تماس با ما
جستجو
مشاهده دسته بندی ها
  2. مهندسی کامپیوتر
  3. پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر

پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر

word 2 MB 30465 89
1393 کارشناسی ارشد مهندسی کامپیوتر
قیمت قبل:۶۳,۱۰۰ تومان
قیمت با تخفیف: ۲۳,۷۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع

  • پایان­نامه برای دریافت درجه کارشناسی ارشد

    رشته مهندسی کامپیوتر – هوش مصنوعی

    چکیده

    بخش­بندی تصویر یک فرآیند اساسی در بسیاری از کاربردهای پردازش­ تصویر و بینایی ماشین است که می­تواند به عنوان اولین مرحله پردازش سطح پایین در پردازش تصاویر دیجیتالی در نظر گرفته شود. بخش­بندی تصویر کاربردهای گوناگونی مانند پردازش تصاویر پزشکی، شناسایی چهره، سیستم­های کنترل ترافیک و غیره دارد. با توجه به اهمیت بخش­بندی تصاویر دیجیتالی روش­های متعددی برای این منظور پیشنهاد شده است که به دو دسته کلی روش­های مبتنی بر ناحیه مانند خوشه­بندی پیکسل­های تصویر و روش­های مبتنی بر تشخیص لبه تقسیم می­گردد. بیشتر روش­های خوشه­بندی تصاویر، پیکسل­ها را تنها بر اساس اطلاعات شدت روشنایی یا رنگ آنها دسته­بندی می­کنند و هیچ­گونه اطلاعات همسایگی یا مکانی پیکسل­ها را در روند خوشه­بندی تصویر به کار نمی­برند که این عامل سبب کاهش دقت و کیفیت بخش­بندی می­گردد. با در نظر گرفتن اهمیت به کارگیری اطلاعات مکانی پیکسل­ها در جهت بهبود کیفیت بخش­بندی تصویر، استفاده از اطلاعات پیکسل­های همسایه در پنجره همسایگی بزرگ سبب بهبود کیفیت بخش­بندی می­گردد. با توجه به اینکه خوشه­بندی جزء مسائل چندجمله­ای غیرقطعی-سخت محسوب می­شود، در این پژوهش ایده ترکیب الگوریتم خوشه­بندی k-means و الگوریتم رقابت استعماری بهبود یافته جهت حل این مسئله پیشنهاد گردیده است. همچنین پیش از اعمال الگوریتم ترکیبی، تصویر جدیدی با استفاده از اطلاعات غیرمحلی پیکسل­ها ایجاد شده و سپس الگوریتم ترکیبی برای خوشه­بندی پیکسل­های تصویر جدید به کار گرفته شده است. با مقایسه نتایج حاصل از اعمال روش مذکور بر روی تصاویر مختلف با سایر روش­ها، به این نتیجه رسیدیم که دقت بخش­بندی اکثر تصاویر با روش پیشنهادی، بیشتر از سایر الگوریتم­های مطرح در این زمینه است.

     

    واژه­های کلیدی: بخش­بندی تصویر، خوشه­ بندی، الگوریتم رقابت استعماری بهبود یافته و اطلاعات غیرمحلی      

    فصل 1

    مقدمه

    پردازش تصاویر[1] امروزه بیشتر به موضوع پردازش تصویر دیجیتال گفته می‌شود که شاخه‌ای از دانش رایانه است که با پردازش سیگنال دیجیتال که نماینده تصاویر برداشته شده با دوربین دیجیتال یا پویش شده توسط پویشگر هستند، سر و کار دارد. پردازش تصاویر دارای دو شاخه بهبود تصاویر[2] و بینایی ماشین[3] است. بهبود تصاویر روش­هایی چون استفاده از صافی محوکننده و افزایش تضاد برای بهتر کردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آنها در محیط مقصد (مانند چاپگر یا نمایشگر رایانه) است، در حالی که بینایی ماشین به روش­هایی می‌پردازد که به کمک آنها می‌توان معنی و محتوای تصاویر را درک کرد تا از آنها در کارهایی چون رباتیک استفاده شود. بخش­بندی تصویر یکی از مهمترین مراحل اساسی در پردازش تصاویر دیجیتالی است. ناحیه­بندی تصویر عبارت است از تفکیک پیکسل­های تصویر به نواحی مجزایی که بر حسب ویژگی­هایی مانند شدت روشنایی، بافت و یا رنگ، یکسان هستند و یا تا حد ممکن همبستگی دارند. ناحیه­بندی تصاویر در بسیاری از کارهای پردازشی بر روی تصاویر، چون تصاویر درمانی، بینایی ماشین، فشرده­سازی تصویر، شیء­شناسی، نیازی ضروری و مهم برای شروع پردازش بر روی شیء یا بافت موردنظر می­باشد. 

          بخش­بندی تصویر به روش­های مختلفی انجام می­پذیرد که به طور کلی می­توان آن را به دو دسته کلاسیک و شکل­شناسی، تقسیم کرد. در روش‌های کلاسیک و سنتی از تغییرات شدت روشنایی به منظور استخراج لبه­ها و ویژگی‌های محلی اشیاء مورد نظر، استفاده می­گردد. نوع دیگری از الگوریتم­های کلاسیک، روش­های مبتنی بر الگوریتم­های آماری می‌­باشد که در آنها تقسیم­بندی بر اساس توزیع پیکسل­ها و یافتن آستانه­ی مناسب صورت می‌پذیرد. از آنجا که تصاویر اغلب دارای نویز، درهم­ریختگی[4]، انسداد، تأثیر­پذیری از نور­تابانی و موارد این­چنین می­باشند، این روش­ها برای بسیاری از کاربردها غیرقابل­ استفاده می­باشند.
     روش­های جدیدتری که امروزه مورد استفاده قرار می­گیرند، با استفاده از کلاس­بندی (خوشه­بندی)، به ناحیه­بندی و تقسیم­بندی تصویر می­پردازند. این الگوریتم­ها مانند الگوریتم­های خوشه­بندی
     Fuzzy C-means و K-means، الگوریتم­های شبکه عصبی چون آموزش رقابتی ساده[5]، درخت آموزشی ساده بیز و غیره می­باشند. این روش­ها هرچند از دقت تشخیص خوبی برخوردار هستند، اما بسیار به مقداردهی اولیه (در K-means مقداردهی اولیه مراکز خوشه­ها و در شبکه­های عصبی نرخ آموزشی) وابسته می­باشند و
    می­بایست بارها و بارها الگوریتم بر روی تصویر اعمال گردد تا جواب بهینه به دست آید. با این حال همگرایی در این روش­ها همواره تضمین شده نبوده و در بعضی موارد در بهینه محلی به دام می­افتند. یافتن مراکز بهینه خوشه­های تصویر جزء مسائل غیرچندجمله­ای سخت محسوب می­گردد. از طرفی دیگر در اکثر روش­ها، خوشه­بندی پیکسل­ها بر اساس ویژگی­هایی مانند رنگ یا شدت روشنایی انجام می­گیرد و از هیچ­گونه اطلاعات مکانی یا همسایگی پیکسل­ها استفاده نمی­شود که این خود باعث می­گردد این روش­ها در
     بخش­بندی تصاویر نویزدار از کارایی لازم برخوردار نباشد. همچنین بر اساس این اصل که پیکسل­های همسایه در تصویر با هم همبسته می­باشند و با توجه به این که بیشتر الگوریتم­های خوشه­بندی پیکسل­ها بدون در نظرگرفتن تشابه بین پیکسل­های همسایه اقدام به بخش­بندی پیکسل­های تصویر می­کنند، تصویر به اصطلاح دچار بیش­ بخش­بندی[6] می­شود (به تعداد ناحیه­های زیادی تقسیم می­گردد.)

          بخش­بندی تصویر با استفاده از خوشه­بندی  و بهره­گیری از اطلاعات همسایگی پیکسل­ها در سال­های اخیر مورد توجه پژوهشگران قرار گرفته است. احمد و همکارانش اطلاعات شدت روشنایی محلی را به وسیله اصلاح تابع هدف الگوریتم [7]FCM برای بخش­بندی تصویر معرفی نمودند به طوری که برچسب­گذاری
    پیکسل­ها تحت تأثیر همسایگی محلی آنها انجام گرفت [1]. چن و ژانگ دو نسخه جدید از الگوریتم FCM را معرفی کردند که جمله همسایگی پیش از اعمال خوشه­بندی فازی، محاسبه می­شد [2]. زیلاگی و همکارانش FCM بهبود یافته را به منظور تسریع بخش­بندی تصویر معرفی کردند که یک تصویر مجموع وزن­دار خطی با استفاده از تصویر اصلی محاسبه شده و سپس الگوریتم خوشه­بندی FCM بر روی هیستوگرام[8] تصویر ایجاد شده جدید اعمال گردید[3]. الگوریتم FGFCM[9] به وسیله کای و همکارانش پیشنهاد شد [4]. عملکرد این روش بر اساس ایجاد تصویر جدید با استفاده از معیار شباهتی که اطلاعات مکانی و اطلاعات محلی شدت روشنایی را ترکیب می­کرد، استوار بود. هالدر و همکارانش رویکردی تکاملی برای بخش­بندی بدون­مربی تصویر ارائه دادند که هدف آن خوشه­بندی پیکسل­ها بر اساس اطلاعات شدت روشنایی و روابط همسایگی پیکسل­ها، با استفاده از الگوریتم ژنتیک بود [5]. ایده استفاده از اطلاعات غیرمحلی پیکسل­ها که مبتنی بر فیلتر میانگین غیرمحلی بود، جهت خوشه­بندی پیکسل­های تصویر نویزدار توسط ژائو و همکارانش مطرح
    گردید [6].

          در این پایان­نامه الگوریتم خوشه­بندی K-means که یکی از رایج­ترین روش­های خوشه­بندی است، با الگوریتم رقابت استعماری بهبود یافته ترکیب می­شود. از تابع هدف الگوریتم K-means در الگوریتم رقابت استعماری بهبود یافته به منظور پیداکردن مراکز بهینه خوشه­های داده­های پیکسل­های تصویر استفاده
     می­شود و یک مرحله پیش­پردازش به منظور بهره­گیری از اطلاعات محلی و غیرمحلی پیکسل­ها قبل از اجرای الگوریتم رقابت استعماری، بر روی تصویر ورودی اعمال می­گردد. ایده استفاده از اطلاعات غیرمحلی از فیلتر میانگین غیرمحلی که برای کاهش اثر نویز گوسی[10] پیشنهاد شده بود [10]، گرفته شده است. برای مشاهده کردن نتایج، الگوریتم پیشنهادی را بر روی تصاویر مصنوعی تخریب ­شده با نویز گوسین و همچنین بر روی تصاویر طبیعی اعمال کردیم.

          ادامه مطالب پایان­نامه بدین شرح سازماندهی می­شود، در فصل دوم شرح مسئله بیان می­شود که
    بخش­بندی تصویر معرفی شده و ورودی و خروجی مسئله و هدف از انجام بخش­بندی بر روی تصاویر بررسی می­گردد. در فصل سوم مفاهیم پایه­ای مطرح می­شود و الگوریتم خوشه­بندی K-means و رقابت استعماری بهبود یافته شرح داده شده و سپس با برخی مفاهیم پردازش تصویر و بینایی ماشین آشنا می­شویم. در فصل چهارم بر اساس بررسی­های انجام ­شده به مروری بر کارهای گذشته در زمینه بخش­بندی تصویر و بخش­بندی تصاویر نویزدار خواهیم پرداخت. در فصل پنجم جزئیات روش پیشنهادی شامل بهبود الگوریتم رقابت استعماری و ترکیب آن با الگوریتم K-means، استفاده از اطلاعات غیرمحلی پیکسل­ها و بهبود ارائه ­شده جهت استفاده آن در بخش­بندی تصویر بررسی می­شود. در فصل ششم نتایج حاصل از بخش­بندی تصاویر مختلف با الگوریتم پیشنهادی و مقایسه آن با روش­های دیگر، مورد تحلیل و بررسی قرار می­گیرد و در نهایت در فصل هفتم، نتیجه­گیری و بررسی مزایا و معایب روش پیشنهادی و راه­کارهای آتی را خواهیم داشت.  

        

    فصل 2

    شرح مسئله

    بخش­بندی در زمینه پردازش تصویر به معنی تقسیم یک تصویر دیجیتال به بخش­های مختلف
    (بخش­های شامل مجموعه­ای از پیکسل­ها ) بوده و هدف این عملیات ساده­سازی تصویر و نمایش تصویر اولیه به صورتی خاص برای تحلیل و اجرای عملیات­های دیگر پردازش تصویر و بینایی ماشین به صورت ساده­تر می­باشد. می­توان گفت در عملیات بخش­بندی پیکسل­های مورد نظر که دارای شرایط خاصی می­باشند، به صورت مرز اشیاء یا محیط اشیاء یا دیگر موارد به گروه­های جدا تقسیم­بندی می­شوند. این شرایط را می­توان رنگ، شکل یا نوع ساختار و سطح یک شی­ء درون تصویر در نظر گرفت.

     

    2-1 بیان مسئله

    بخش­بندی تصویر، تقسیم آن به K ناحیه 1 R، 2 R، ... و  Rkاست به طوری که شرایط زیر برقرار باشد [31]:

    هر پیکسل تصویر باید جزء یک ناحیه باشد.                                             

    هر پیکسل فقط و فقط به یک ناحیه تعلق داشته باشد.   

    دو ناحیه نمی­توانند با هم ترکیب شوند به طوری که معیار شباهت در ناحیه حاصل برقرار باشد.

                                                                                           

    در هر ناحیه باید شباهت برقرار باشد.                                                

         در شرط­های بالا P معیاری برای سنجش نزدیکی معیار شباهت مانند شدت روشنایی پیکسل­های متعلق به یک ناحیه است. پس از انجام خوشه­بندی بر روی پیکسل­های تصویر، فاصله بین پیکسل­های متعلق به یک ناحیه در فضای ویژگی­ها باید کمینه و فاصله بین پیکسل­های متعلق به خوشه­های مختلف، بیشترین مقدار را داشته باشد. در تابع هدف الگوریتم K-means، یکی از اهداف اشاره شده بهینه می­شود؛ یعنی مراکز خوشه­ها طوری انتخاب می­گردند که فاصله تک­تک پیکسل­ها از مرکز خوشه مربوطه کمترین مقدار را داشته باشد. در برخی از مقالات هر دو هدف مورد توجه قرار گرفته و بهینه شده­اند. برای مثال در معیار Turi که به صورت:

                                   

    (تصاویر و فرمول ها در فایل اصلی موجود است )

     

    است، هر دو معیار بهینه می­شوند. در فرمول فوق، intra برابر با میانگین فاصله پیکسل­ها از مرکز خوشه­شان و inter برابر با فاصله نزدیکترین مراکز خوشه­ها است. Y هم برابر با c*N(2,1) که در آن c ثابت و N(2,1) توزیع نرمال با میانگین 2 و واریانس 1 می­باشد که متغیر تصادفی تعداد خوشه­ها است. از این معیار اعتبار خوشه­بندی در بخش­بندی خودکار تصاویر استفاده می­­شود که علاوه بر بهینه­سازی اهداف ذکر شده، از انتخاب تعداد خوشه­های کم جلوگیری می­کند.

    (تصاویر و فرمول ها در فایل اصلی موجود است )

    2-2  ورودی، فرض­ها و خروجی

    ورودی الگوریتم پیشنهادی تصویر مقیاس خاکستری با ابعاد M*N (تعداد سطرهای M و تعداد ستون­های N) و تعداد ناحیه­های تصویر ورودی است. هر پیکسل تصویر ورودی دارای شدت روشنایی مشخصی بوده و اکثر موارد شدت روشنایی در بازه 0 تا 255 انتخاب می­شود که 0 به مفهوم سیاه مطلق و 255 بیشترین مقدار بازه یا به عنوان سفید مطلق در نظر گرفته می­شود. البته در بعضی موارد مقدار شدت روشنایی
    پیکسل­ها نرمالیزه می­شود که در روش پیشنهادی مقادیر پیکسل­های تصویر ورودی پس از اعمال
    پیش­پردازش، به بازه ]1و0[ نگاشت می­شوند و خوشه­بندی بر روی پیکسل­های با مقادیر نرمال ­شده انجام
     می­گردد. توسط فرمول زیر می­توان مقدار شدت روشنایی پیکسل را نرمالیزه کرد:

     

    (تصاویر و فرمول ها در فایل اصلی موجود است )                              

      اگرچه تعیین تعداد دقیق ناحیه­های موجود در تصویر کار دشواری است ولی به وسیله هیستوگرام تصویر می­توان تعداد نواحی را مشخص نمود؛ البته تعیین تعداد دقیق ناحیه­های تصاویر نویزدار بدون انجام عملیات پیچیده امکان­پذیر نیست. پس از اعمال الگوریتم خوشه­بندی بر روی تصویر، پیکسل­های متعلق به یک خوشه یا ناحیه تصویر، با مقدار شدت روشنایی یکسانی (معمولاً شدت روشنایی مراکز خوشه­ها) برچسب خورده و در تصویر خروجی نمایش داده می­شوند. بنابراین تصویر خروجی شامل مقادیر شدت روشنایی برابر با تعداد ناحیه­ها یا بخش­های موجود در تصویر است.

    (تصاویر و فرمول ها در فایل اصلی موجود است )

     

    2-3  هدف

    اولین مرحله درتحلیل تصاویر، قطعه­بندی یا بخش­بندی می­باشد. بخش­بندی فرآیندی است که تصویر را به قسمت­های اصلی سازنده­اش تقسیم می­کند. بدین معنی که اشیاء مختلف موجود در تصویر، با توجه به کاربرد موردنظر، از هم جدا می­شوند تا تحلیل تصویر در مراحل بعدی راحت­تر انجام بگیرد. از جمله موارد کاربردی بخش­بندی در پردازش تصویر است که امروزه در اکثر شاخه­های علمی و صنعتی مورد توجه بوده و در
    بسیاری از شاخه­ها شناسایی اجزای اصلی سازنده تصویر دارای اهمیت زیادی است. به عنوان مثال تشخیص و رهگیری خودکار اهداف متحرک در کاربردها­ی نظامی و تفکیک محصولات مختلف در کاربردهای صنعتی را می­توان برخی از کاربردهای بخش­بندی تصویر نام برد. در شکل 2-1 نمونه­ای از بخش­بندی تصویر نشان داده شده است.

           بخش­بندی تصویر فرآیند تخصیص برچسب به پیکسل­ها می­باشد که پیکسل­های دارای برچسب یکسان، ویژگی­های مشابه و مشخصی دارند. بنابراین هدف از بخش­بندی، تقسیم تصویر ورودی به ناحیه­های مختلف به طوری که پیکسل­های درون یک ناحیه مشابه و پیکسل­های متعلق به نواحی مختلف، متفاوت از هم باشند، است.

     

    2-4  معیار ارزیابی

    کیفیت تصویر بخش­بندی ­شده به میزان مشخص بودن اشیاء تصویر ورودی، در تصویر بخش­بندی ­شده بستگی دارد. اشیاء یا ناحیه­های تصویر معمولاً توسط اشخاص خبره و به ­وسیله کشیدن مرز پیرامون هر ناحیه یا برچسب­گذاری پیکسل­های تصویر به صورت دستی توسط فرد خبره مشخص می­گردند. به تصویر
     برچسب­گذاری ­شده به وسیله افراد متخصص، تصویر مرجع[11] یا تصویر به صورت دستی بخش­بندی ­شده[12] گویند. یکی از معروف­ترین معیارهای مقایسه بخش­بندی تصاویر ، معیار دقت[13] است که میزان دقت به وسیله مقایسه تصویر بخش­بندی شده با روش مورد ارزیابی و تصویر مرجع محاسبه می­گردد. میزان دقت به وسیله مقایسه پیکسل­های تصویر ورودی که با الگوریتم موردنظر برچسب­گذاری شده­اند با برچسب پیکسل متناظرشان در تصویر مرجع و شمارش تعداد پیکسل­هایی از تصویر بخش­بندی ­شده به وسیله روش
     مورد بررسی که با توجه به تصویر مرجع درست برچسب خورده­اند، محاسبه می­گردد. میزان دقت به صورت زیر به دست می­آید:

    Abstract

    Image segmentation is a main process in many applications of  image processing and computer vision that can be considered as the first step of low level processing of digital images. Image segmentation has various applications such as medical images processing, face detection, traffic control systems and so on. With regard to the importance of segmenting digital images, several methods have been proposed for this purpose which are divided into two main categories of region-based methods such as clustering the pixels of image and edge detection-based methods. Most image clustering methods categorize pixels solely based on their intensity or color information and don’t consider any neighborhood relationship or spatial information of pixels which leads to reduction of accuracy and quality of segmented images. Considering the importance of using spatial information of pixels to improve the quality of image segmentation, using spatial information from a large neighborhood will increase the accuracy and quality. According to the fact that the clustering is an NP-hard problem, in this research the idea of combining K-means and Imperialist Competitive Algorithm have been proposed. Also before applying the hybrid algorithm, a new image is created by using nonlocal information of pixels and then the hybrid algorithm is employed. By comparing the results of applying the proposed technique on several images with other methods, I determined that the proposed method outperforms other state-of-the-art methods in most cases.

     

    Keywords:     image segmentation, clustering, Imprialist Competitive Algorithm and nonlocal                     information

  • فهرست:

    فصل 1 مقدمه ............................................................................................................................. 1

    فصل 2 شرح مسئله ................................................................................................................... 5

        2-1    بیان مسئله ............................................................................................................................................. 6

        2-2    ورودی-فرض­ها-خروجی ..................................................................................................................... 7

        2-3    هدف ........................................................................................................................................................ 8

        2-4    معیار ارزیابی .......................................................................................................................................... 8

        2-5    نتایج موردانتظار ..................................................................................................................................  9

        2-6    خلاصه فصل ........................................................................................................................................ 10 

    فصل 3 مفاهیم پایه­ای ............................................................................................................  11

        3-1   مفاهیم مربوط به پردازش تصویر و بخش­بندی ............................................................................ 12   

            3-1-1  تشخیص لبه با استفاده از روش سوبل .................................................................................. 13

            3-1-2  بخش­بندی تصویر ...................................................................................................................... 13

            3-1-3  تحلیل مؤلفه­های اصلی ............................................................................................................ 14

            3-1-4  اطلاعات محلی و مکانی پیکسل­ها ........................................................................................ 14

         3-2  الگوریتم K-means ............................................................................................................................ 15

         3-3  الگوریتم رقابت استعماری ................................................................................................................. 15

         3-4  خلاصه فصل ........................................................................................................................................ 17

    فصل 4 راه­کارهای گذشته ..................................................................................................... 18

       4-1  استفاده از خوشه­بندی c-means فازی به همراه جمله جریمه برای بخش­بندی تصویر ........ 19

       4-2  بخش­بندی تصویر با استفاده از الگوریتم ژنتیک مبتنی بر روش خوشه­بندی فازی .............. 21

       4-3  الگوریتم FCMS .................................................................................................................................. 22

       4-4  الگوریتم EnFCM ............................................................................................................................... 22

       4-5  الگوریتم FGFCM .............................................................................................................................. 23

       4-6  الگوریتم خوشه­بندی فازی مبتنی بر انتخاب بهینه و اطلاعات همسایگی سازگار ................ 23

       4-7  خلاصه فصل ......................................................................................................................................... 24

    فصل 5 راه­کار پیشنهادی ..................................................................................................... 25

       5-1  جمع­آوری اطلاعات غیرمحلی تصویر .............................................................................................. 27

          5-1-1  محاسبه وزن در جمع­آوری اطلاعات غیرمحلی .................................................................. 27

          5-1-2  محاسبه مقدار ویژگی میانگین وزن­دار غیرمحلی .............................................................. 31

       5-2 ترکیب الگوریتم رقابت استعماری و الگوریتم  K-means........................................................... 31

       5-3  الگوریتم رقابت استعماری بهبود یافته پیشنهادی برای بخش­بندی تصویر ........................... 32

          5-3-1  کدگذاری .................................................................................................................................... 32

          5-3-2  عملگر جذب .............................................................................................................................. 33

          5-3-3  عملگر انقلاب ............................................................................................................................ 34

          5-3-4  عملگر جدید حرکت استعمارگرها ....................................................................................... 34

          5-3-5  عملگر جدید جستجوی فضای اطراف قوی­ترین استعمارگر .......................................... 35

          5-3-6  تابع هزینه الگوریتم NLICA ................................................................................................ 36

       5-4  پس­پردازش ساده .............................................................................................................................. 36

       5-5  خلاصه فصل ....................................................................................................................................... 38

    فصل 6 ارزیابی و نتایج عملی ............................................................................................. 40

        6-1  معرفی تصاویر محک ....................................................................................................................... 41

        6-2 تحلیل نتایج الگوریتم NLICA ...................................................................................................... 43

           6-2-1  تحلیل نتایج بخش­بندی تصاویر مصنوعی ......................................................................... 44

           6-2-2  تحلیل نتایج بخش­بندی تصاویر طبیعی ............................................................................ 47

         6-3  پایداری الگوریتم NLICA ........................................................................................................... 52

         6-4  هم­گرایی الگوریتم NLICA ......................................................................................................... 56

         6-5  آزمون­های آماری ........................................................................................................................... 57

            6-5-1  نمودار چندک-چندک ........................................................................................................ 59

            6-5-2  آزمون کولموگروف-اسمیرنوف .......................................................................................... 60

            6-5-3  آزمون ویلکاکسون رتبه­ای ................................................................................................. 61

          6-6  تحلیل کلی نتایج ......................................................................................................................... 63

          6-7  خلاصه فصل ................................................................................................................................. 64

    فصل 7 نتیجه­گیری و راه­کارهای آتی .............................................................................. 64

        7-1  نتیجه­گیری ..................................................................................................................................... 65

        7-2  راه­کارهای آتی ................................................................................................................................ 66

    واژه­نامه ............................................................................................................................. 67

    مراجع ............................................................................................................................... 72

     

    منبع:

     

    [1]        Ahmed, M.N., Yamany. S.M., Mohamed, N., Farag, A.A., & Moriarty, T., A modified             fuzzy c-means algorithm for bias field estimation and segmentation of MRI data, IEEE Trans. Med. Imaging21(3), pp. 193-199, 2002.                                                            

    [2]       Chen, S., Zhang, D., Robust image segmentation using FCM with spatial constraints                  based on new kernel-induced distance measure, IEEE Transactions on Systems, Man, and Cybernetics B, vol. 34, no. 4, pp. 1907-1916, 2004.                                             

    [3]       Szilagy, L. Benyo, Z., Szilagyi, S.M., & Adam, H.S., MR brain image segmentation                   using an enhanced fuzzy c-means algorithm, In Proceedings of the annual                                 international conference of the IEEE engineering in medicine and biology society, vol. 1, pp. 17-21, 2003.                                                                                              

    [4]       Cai, W.L., Chen, S.C., & Zhang, D.Q., Fast and robust fuzzy c-means clustering                          algorithms incorporating local information  for image segmentation, Pattern                      Recognition, 40(7), pp. 825-838, 2007.                                                 

    [5]       Halder, A., & Pathak, N., An Evolutionary dynamic clustering based color image                         segmentation, International journal of image processing, vol. 4, pp. 549-556, 2011.   

    [6]     Zhao, F., Fan, J., & Liu, H., Optimal-selection-based fuzzy c-means clustering                              algorithm with self tuning nonlocal spatial information for image segmentation, Expert systems with applications 41, pp. 4083-4093, 2014.                                        

    [7]          Yang, Y.,  &Huang, Sh., Image segmentation by fuzzy c-means clustering algorithm                 with a novel penalty term, Computing and informatics, vol. 26, pp. 17-31, 2007.                   

    [8]       Zhang, L., Dong, W., Zhang, D., Shi, G., Two-stage image denoising by  principal           component analysis with local pixel grouping, Pattern recognition, pp. 1531-1549,                                                                                                                                        2010.      

    [9]    Tasdizen, T., Principal neighborhood dictionaries for non-local means image                                   denoising, IEEE Transactions on Image Processing, vol. 18, no. 12, 2649-2660, 2009.                                                                                                                         

    [10]    Buades, A., Coll, B., & Morel, J.M., Nonlocal image and movie denoising,                                     International Journal of Computer Vision, vol. 76, 123-139, 2008.                                                             

    [11]   Felzenszwalb, P. F., & Huttenlocher, D. P., Efficient graph-based image                                          segmentation, International Journal of Computer Vision, vol. 59, pp. 167-181, 2004.

    [12]      Gonzalez, R. C., & Woods, R. E., Digital Image Processing(3rd ed.), Newyork: Prentice Hall, 2007.                                                                                                     

    [13]        Han, Y. F., & Shi, P. F., An improved ant colony algorithm for fuzzy clustering in                      image segmentation, Neurocomputing, vol. 70, 665-671, 2007.                                        

    [14]        Hathaway, R. J., & Bezdek, J. C., Extending fuzzy and probabilistic clustering for                      very large data sets, Computational Statistics & Data Analysis, vol. 51, 215-234, 2006.                                                                                                                        

    [15]        Liu, H. Q., Jiao, L. C., & Zhao, F., Nonlocal spatial-spectral clustering for image                        segmentation, Neurocomputing, 74(1-3), 461-471, 2011.                                         

    [16]         Atashpaz-Gargari, E., Lucas, C., Imperialist competitive algorithm: An algorithm for                 optimization inspired by imperialistic competition, IEEE congress on Evolutionary Computation, 4661-4667, 2007.                                                                               

    [17]       Xie, Z., Wang, S., & Chung, F. L., An enhanced possibilistic c-means clustering algorithm, soft computing, 12, 593-611, 2008.                                                         

    [18]      Zhang, H., Fritts, J., E., & Goldman, S. A., Image segmentation evaluation: A                               survey of unsupervised methods, Computer Vision & Image understanding, 110(2),                                                                                                         260-280, 2008.

    [19]     Zhao, F., Jiao, L. C., & Liu, H. Q., Fuzzy c-means clustering with non local                                    spatial information for noisy image segmentation, Frontiers of Computer Science in                                                                                                     china5, 45-56, 2011 

    [20]       Saad, M. F., & Alimi, A. M., Improved modified suppressed fuzzy c-means, In                             Proccedings of 2nd international conference on image processing theory tools and                     applications (IPTA), pp. 313-318, IEEE, 2010.                                                        

    [21]          Portela, N., M., Cavalcanti, G. D. C., & Ren, T. I., Semi supervised clustering for                      MR brain image segmentation, Expert Systems with Applications, 41(4, part 1),    1492-1497, 2014.                                                                                                    

    [22]       Osher, S., & Paragios, N., Geometric level set methods in imaging vision, and                               graphics. Newyork: Springer-Verlag, 2003.                                                            

    [23]         Hung, W. L., Chen, D. H., & Yang, M. S., Suppressed fuzzy-soft learning vector                        quantization for MRI segmentation, Artificial Intelligence in Medicine, 52(1), 33- 43, 2011.                                                                                                                 

    [24]          Julesz, B., Visual Pattern Discrimination, IRE Trans. Information Theory, vol. 8, pp. 84-92, 1962.                                                                                                             

    [25]          Varma, M., & Zisserman, A., “A statistical approach to material classification using                  image patches,” IEEE Trans. Pattern Analysis and Machine Intelligance, vol. 31, no. 11, pp. 2032-2047, 2009.                                                                                  

    [26]        Zhang, J., Marszalek, M., Lazebnik, S., & Schmid, C., “Local features and kernels                      for classification of texture and object categories: A Comprehensive Study”, Int’l J.                   Computer Vision, vol. 73, no. 2, pp. 213-238, 2007.                                                 

    [27]        Biau, G., Devroye, L., & Lugosi, G., “On the Performance of Clustering in Hilbert                                  Spaces”, IEEE Trans. Information Theory, vol. 54, no. 2, pp. 781-790, 2008.     

    [28]           Sivanandam, S.N. & Deepa, S.N., Introduction to Genetic Algorithms, 1 ed.:                             Springer, 2007.                     

    ]29  [بایزیدی، ا.، اولادی، ب.، و عباسی، ن.، تحلیل داده­های پرسش­نامه­ای به کمک نرم­افزار  SPSS، چاپ چهارم،  انتشارات عابد، 1391.

    [30]          Deledalle, C. A., Salmon, J., & Dalalyan, A., Image denoising with patch based                         PCA: Local versus Global, The 22nd British Machine Vision Conference, 2011.      

    [31]          Bhaduri, A., Bhaduri, A., Color Image Segmentation Using Clonal-Selection Based                  Shuffled Frog Leaping Algorithm, Advances in Recent Technologies in Communication and Computing, ARTCom '09. International Conference on, 2009.    

    [32]            available from  http://www.didehbonyan.com/rz/محتوایعلمی/مشاهدهمقاله/tabid/113/ArticleId/44/.aspx                                                                                                                                                                                          

کلمات کلیدی: الگوریتم ترکیبی - الگوریتم رقابت استعماری - الگوریتم رقابت استعماری بهبود یافته - بخش بندی تصویر - بینایی ماشین - پردازش - پردازش تصاویر - پردازش تصاویر دیجیتالی - خوشه­ بندی - هوش مصنوعی
موضوع پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , نمونه پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , جستجوی پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , فایل Word پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , دانلود پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , فایل PDF پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , تحقیق در مورد پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , مقاله در مورد پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , پروژه در مورد پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , پروپوزال در مورد پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , تز دکترا در مورد پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , تحقیقات دانشجویی درباره پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , مقالات دانشجویی درباره پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , پروژه درباره پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , گزارش سمینار در مورد پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , پروژه دانشجویی در مورد پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , تحقیق دانش آموزی در مورد پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , مقاله دانش آموزی در مورد پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر , رساله دکترا در مورد پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر
مقالات مرتبط با این مطلب:

پایان­ نامه کارشناسی ارشد در رشته­ مهندسی کامپیوتر (هوش مصنوعی) چکیده استخراج طبقه­ بند­های عام[1] و قابل فهم از داده، نقش مهمی در بسیاری از حوزه ­ها و مسائل است. تاکنون روش­های متعددی برای طبقه­بندی[2] و تشخیص الگو[3] معرفی شده ­است. یکی از شیوه­های موفق و منحصربه­فرد در حوزه طبقه­بندی و تشخیص الگوی داده­های ورودی، استفاده از تکنیک ­های فازی برای تقسیم­بندی نرم فضای ویژگی و ...

چکیده سیر تکاملی محاسبات به گونه ای است که می‌توان آن را پس از آب، برق، گاز و تلفن به عنوان عنصر اساسی پنجم فرض نمود. در سالهای اخیر توجهات فزاینده ای به محاسبات ابری شده است. محاسبات ابری مدلی توزیع شده با مقیاس بزرگ است که مجموعه مقیاس پذیر و مجازی شده از قدرت محاسباتی مدیریت شده، فضای ذخیره سازی و سرویس‌ها را از طریق اینترنت در اختیار مشتریان قرار می‌دهد. مسئله تخصیص منابع در ...

پایان‌نامه کارشناسی ارشد در رشته مهندسی کامپیوتر (هوش مصنوعی) چکیده نتایج آزمایشات نشان داده است که ترکیب چندین دسته ­بند[1] می­تواند کارایی الگوریتم­ های متنوع را بالا ببرد. روش­های تصمیم­گیری دسته­جمعی[2] بسیاری ارائه شده­اند که با استفاده از آن­ها، خطای روش­های مختلف دسته­بندی[3] کاهش یافته است. با این حال، این گونه روش­ها نتوانسته­اند کارایی الگوریتم نزدیک­ترین همسایه[4] را ...

پایان نامه برای دریافت درجه کارشناسی ارشد رشته علوم کامپیوتر چکیده امروزه در زمینه های فراوانی ما به وسایلی نیاز داریم که کامپیوتراشخاص را شناسایی کند و بر اساس ویژگیهای بدن اشخاص آن ها را بازشناسی کند. سیستم تشخیص چهره بعنوان یک سیستم بیو متری اساساً یک سیستم تشخیص الگو است که یک شخص را بر اساس بردار ویژگی های فیزیولوژیکی خاص یا رفتاری که دارد بازشناسی می­کند. بردار ویژگی ها پس ...

پایان­نامه کارشناسی ارشد رشته مهندسی کامپیوتر (M.Sc) چکیده: امروزه کنترل خودکار در سیستم های حمل و نقل به طور گسترده ای به کار می رود. دلایل متعددی برای بکارگیری این روش وجود دارد که اهم آن عبارتند از کاهش هزینه، قابلیت سبک تر ساختن وسایل، امنیت بیشتر سرنشینان و یا دور از خطر ماندن آنها. دو مورد آخر در سیستم هایی که قابلیت پرواز دارند بیشتر به چشم می خورد. در این پایان نامه یک ...

پایان نامه­ی کارشناسی ارشد در رشته­ی مهندسی کامپیوتر- نرم­افزار چکیده آسیب پذیری­ های نرم افزار می­تواند منجر به تلفات مالی و اطلاعاتی شود. به علت محدود بودن منابع مالی و انسانی، اولویت دهی به آسیب­ها بسیار مورد توجه می­باشد. پیش از این پژوهش، تعداد زیادی از محققان آسیب پذیری­ها را براساس دانش­های تجربی و آماری، رده بندی کرده­اند. اماگاهی طبیعت متغییر آسیب پذیر ی­ها، فراهم کردن ...

پایان نامه برای دریافت درجه کارشناسی ارشد رشته هوش مصنوعی چکیده یکی از پیچیده‌ترین کار‌ها در پردازش تصاویر دیجیتال، بخش‌ بندی تصاویر است. به‌دلیل افزایش توجه به این تکنیک توسط محققان و تبدیل آن به یک نقش حیاتی در بسیاری از زمینه‌های کاربردی مثل کاربرد‌های پزشکی مورد استفاده قرار می‌گیرد. امروزه در دندان‌پزشکی مدرن، تکنیک‌های مبتنی بر استفاده از کامپیوتر مانند طرح‌ریزی و ...

پایان‏نامه جهت دریافت کارشناسی ارشد رشته مهندسی کامپیوتر- هوش مصنوعی و رباتیک چکیده هر ساله تصادفات رانندگی زیادی به دلیل خواب‏ آلودگی و عدم تمرکز حواس راننده در سراسر دنیا رخ می‏دهد که خسارت‏های جانی و مالی فراوانی به همراه دارند. یکی از روش‏های تشخیص خستگی و عدم تمرکز حواس، استفاده از سیستم‏های نظارت چهره راننده است. سیستم‏های نظارت چهره راننده با دریافت تصاویر از دوربین و ...

پایان­نامه ارشد جهت اخذ درجه کارشناسی ارشد چکیده بازشناسی چهره در زمینه­های بیومتریک، بینایی ماشین و تشخیص الگو بوده و دارای کاربرد گسترده­ای از جمله مسائل مربوط به سیستم­های امنیتی می­باشد. از آن­جا که عوامل مختلفی از جمله نحوه نورپردازی محیط، نویز، و ماتی تصویر در عملکرد روش‌های بازشناسی چهره کم و بیش تاثیرگذارند، لذا بررسی روش‌های رفع ماتی از تصاویر چهره مورد استفاده در ...

پایان نامه کارشناسی ارشد در رشته مهندسی اتوماسیون و ابزار دقیق چکیده ارائه روشی جدید در خوشه­بندی اطلاعات با استفاده ازترکیب الگوریتم خفاش و Fuzzy c-means خوشه­بندی قرار دادن داده­ها در گروه­هایی است که اعضای هر گروه از زاویه خاصی به هم شباهت دارند . شباهت بین داده­های درون هر خوشه حداکثر و شباهت بین داده­­های درون خوشه­های متفاوت حداقل می­باشد. Fuzzy c-means نیز یک تکنیک ...

ثبت سفارش