پایاننامه هوش مصنوعی الگوریتم رقابت استعماری بهبود یافته بخش بندی تصویر

۱۱۰ هزار تومان ۷۵ هزار تومان
افزودن به سبد خرید

جهت خرید و دانلود پایاننامه هوش مصنوعی الگوریتم رقابت استعماری بهبود یافته بخش بندی تصویر روی خرید محصول کلیک و یا با ایمیل زیر در ارتباط باشید

sellthesis@gmail.com


پایان نامه کارشناسی ارشد کامپیوتر هوش مصنوعی استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر


خرید محصول پایاننامه هوش مصنوعی الگوریتم رقابت استعماری بهبود یافته بخش بندی تصویر


چکیده:

بخش بندی تصویر یک فرآیند اساسی در بسیاری از کاربردهای پردازش تصویر و بینایی ماشین است که می تواند به عنوان اولین مرحله پردازش سطح پایین در پردازش تصاویر دیجیتالی در نظر گرفته شود. بخش بندی تصویر کاربردهای گوناگونی مانند پردازش تصاویر پزشکی، شناسایی چهره، سیستم های کنترل ترافیک و غیره دارد. با توجه به اهمیت بخش-بندی تصاویر دیجیتالی روش های متعددی برای این منظور پیشنهاد شده است که به دو دسته کلی روش های مبتنی بر ناحیه مانند خوشه بندی پیکسل های تصویر و روش های مبتنی بر تشخیص لبه تقسیم می گردد. بیشتر روش های خوشه-بندی تصاویر، پیکسل ها را تنها بر اساس اطلاعات شدت روشنایی یا رنگ آنها دسته بندی می کنند و هیچ گونه اطلاعات همسایگی یا مکانی پیکسل ها را در روند خوشه بندی تصویر به کار نمی برند که این عامل سبب کاهش دقت و کیفیت بخش بندی می گردد. با در نظر گرفتن اهمیت به کارگیری اطلاعات مکانی پیکسل ها در جهت بهبود کیفیت بخش بندی تصویر، استفاده از اطلاعات پیکسل های همسایه در پنجره همسایگی بزرگ سبب بهبود کیفیت بخش بندی می گردد. با توجه به اینکه خوشه بندی جزء مسائل چندجمله ای غیرقطعی-سخت محسوب می شود، در این پژوهش ایده ترکیب الگوریتم خوشه بندی 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 پیکسل ها ایجاد شده و سپس الگوریتم ترکیبی برای خوشه بندی پیکسل های تصویر جدید به کار گرفته شده است. با مقایسه نتایج حاصل از اعمال روش مذکور بر روی تصاویر مختلف با سایر روش ها، به این نتیجه رسیدیم که دقت بخش بندی اکثر تصاویر با روش پیشنهادی، بیشتر از سایر الگوریتم های مطرح در این زمینه است.

واژه های کلیدی: بخش بندی تصویر، خوشه بندی، الگوریتم رقابت استعماری بهبود یافته و اطلاعات غیرمحلی


فهرست مطالب

عنوان           شماره صفحه
فصل 1 مقدمه 1
فصل 2 شرح مسئله . 5
2-1 بیان مسئله 6
2-2 ورودی-فرض ها-خروجی 7
2-3 هدف 8
2-4 معیار ارزیابی 8
2-5 نتایج موردانتظار . 9
2-6 خلاصه فصل . 10
فصل 3 مفاهیم پایه ای 11
3-1 مفاهیم مربوط به پردازش تصویر و بخش بندی . 12
3-1-1 تشخیص لبه با استفاده از روش سوبل . 13
3-1-2 بخش بندی تصویر . 13
3-1-3 تحلیل مؤلفه های اصلی 14
3-1-4 اطلاعات محلی و مکانی پیکسل ها . 14
3-2 الگوریتم K-means . 15
3-3 الگوریتم رقابت استعماری 15
3-4 خلاصه فصل . 17
فصل 4 راه کارهای گذشته 18
4-1 استفاده از خوشه بندی c-means فازی به همراه جمله جریمه برای بخش بندی تصویر 19
4-2 بخش بندی تصویر با استفاده از الگوریتم ژنتیک مبتنی بر روش خوشه بندی فازی 21
4-3 الگوریتم FCMS . 22
4-4 الگوریتم EnFCM . 22
4-5 الگوریتم FGFCM 23
4-6 الگوریتم خوشه بندی فازی مبتنی بر انتخاب بهینه و اطلاعات همسایگی سازگار . 23
4-7 خلاصه فصل 24
فصل 5 راه کار پیشنهادی 25
5-1 جمع آوری اطلاعات غیرمحلی تصویر . 27
5-1-1 محاسبه وزن در جمع آوری اطلاعات غیرمحلی 27
5-1-2 محاسبه مقدار ویژگی میانگین وزن دار غیرمحلی 31
5-2 ترکیب الگوریتم رقابت استعماری و الگوریتم K-means 31
5-3 الگوریتم رقابت استعماری بهبود یافته پیشنهادی برای بخش بندی 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 قوی ترین استعمارگر 35
5-3-6 تابع هزینه الگوریتم NLICA 36
5-4 پس پردازش 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 بخش بندی تصاویر مصنوعی . 44
6-2-2 تحلیل نتایج بخش بندی تصاویر طبیعی . 47
6-3 پایداری الگوریتم NLICA 52
6-4 هم گرایی الگوریتم NLICA 56
6-5 آزمون های آماری 57
6-5-1 نمودار چندک-چندک 59
6-5-2 آزمون کولموگروف-اسمیرنوف 60
6-5-3 آزمون ویلکاکسون رتبه ای . 61
6-6 تحلیل کلی نتایج . 63
6-7 خلاصه فصل 64
فصل 7 نتیجه گیری و راه کارهای آتی 64
7-1 نتیجه گیری . 65
7-2 راه کارهای آتی 66
واژه نامه 67
مراجع . 72


مقدمه

پردازش تصاویر 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 و بینایی ماشین است. بهبود تصاویر روش هایی 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 روش هایی می‌پردازد که به کمک آنها می‌توان معنی و محتوای تصاویر را درک کرد تا از آنها در کارهایی چون رباتیک استفاده شود. بخش بندی تصویر یکی از مهمترین مراحل اساسی در پردازش تصاویر دیجیتالی است. ناحیه بندی تصویر عبارت است از تفکیک پیکسل های تصویر به نواحی مجزایی که بر حسب ویژگی هایی مانند شدت روشنایی، بافت و یا رنگ، یکسان هستند و یا تا حد ممکن همبستگی دارند. ناحیه بندی تصاویر در بسیاری از کارهای پردازشی بر روی تصاویر، چون تصاویر درمانی، بینایی ماشین، فشرده سازی تصویر، شیء شناسی، نیازی ضروری و مهم برای شروع پردازش بر روی شیء یا بافت موردنظر می باشد.
بخش بندی تصویر به روش های مختلفی انجام می پذیرد که به طور کلی می توان آن را به دو دسته کلاسیک و شکل شناسی، تقسیم کرد. در روش‌های کلاسیک و سنتی از تغییرات شدت روشنایی به منظور استخراج لبه ها و ویژگی‌های محلی اشیاء مورد نظر، استفاده می گردد. نوع دیگری از الگوریتم های کلاسیک، روش های مبتنی بر الگوریتم های آماری می‌ باشد که در آنها تقسیم بندی بر اساس توزیع پیکسل ها و یافتن آستانه ی مناسب صورت می‌پذیرد. از آنجا که تصاویر اغلب دارای نویز، درهم ریختگی ، انسداد، تأثیر پذیری از نور تابانی و موارد این چنین می باشند، این روش ها برای بسیاری از کاربردها غیرقابل استفاده می باشند.
در این پایان نامه الگوریتم خوشه بندی K-means که یکی از رایج ترین روش های خوشه بندی است، با الگوریتم رقابت استعماری بهبود یافته ترکیب می شود. از تابع هدف الگوریتم K-means در الگوریتم رقابت استعماری بهبود یافته به منظور پیداکردن مراکز بهینه خوشه های داده های پیکسل های تصویر استفاده
می شود و یک مرحله پیش پردازش به منظور بهره گیری از اطلاعات محلی و غیرمحلی پیکسل ها قبل از اجرای الگوریتم رقابت استعماری، بر روی تصویر ورودی اعمال می گردد. ایده استفاده از اطلاعات غیرمحلی از فیلتر میانگین غیرمحلی که برای کاهش اثر نویز گوسی 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.

مرور

هیچ دیدگاهی برای این محصول نوشته نشده است.