استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر

استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر
نوع فایل: word (قابل ویرایش)
تعداد صفحات : 94 صفحه

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
فصل ۱ مقدمه 1
فصل ۲ شرح مسئله ۵
2-1 بیان مسئله ۶
2-2 ورودی-فرض ها-خروجی ۷
2-3 هدف 8
2-4 معیار ارزیابی ۸
2-5 نتایج موردانتظار 9
2-6 خلاصه فصل ۱۰
فصل ۳ مفاهیم پایه ای ۱۱
3-1 مفاهیم مربوط به پردازش تصویر و بخش بندی 12
3-1-1 تشخیص لبه با استفاده از روش سوبل ۱۳
3-1-2 بخش بندی تصویر ۱۳
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 ۱۵
3-4 خلاصه فصل 17
فصل ۴ راه¬کارهای گذشته ۱۸
4-1 استفاده از خوشهبندی c-means فازی به همراه جمله جریمه برای بخشبندی تصویر ۱۹
4-2 بخشبندی تصویر با استفاده از الگوریتم ژنتیک مبتنی بر روش خوشهبندی فازی ۲۱
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 ۲۳
4-7 خلاصه فصل ۲۴
فصل ۵ راهکار پیشنهادی ۲۵
5-1 جمعآوری اطلاعات غیرمحلی تصویر ۲۷
5-1-1 محاسبه وزن در جمعآوری اطلاعات غیرمحلی ۲۷
5-1-2 محاسبه مقدار ویژگی میانگین وزندار غیرمحلی ۳۱
5-2 ترکیب الگوریتم رقابت استعماری و الگوریتم K-means 31
5-3 الگوریتم رقابت استعماری بهبود یافته پیشنهادی برای بخش بندی تصویر ۳۲
5-3-1 کدگذاری ۳۲
5-3-2 عملگر جذب ۳۳
5-3-3 عملگر انقلاب ۳۴
5-3-4 عملگر جدید حرکت استعمارگرها ۳۴
5-3-5 عملگر جدید جستجوی فضای اطراف قوی ترین استعمارگر ۳۵
5-3-6 تابع هزینه الگوریتم NLICA 36
5-4 پس پردازش ساده 36
5-5 خلاصه فصل ۳۸
فصل ۶ ارزیابی و نتایج عملی ۴۰
6-1 معرفی تصاویر محک ۴۱
6-2 تحلیل نتایج الگوریتم NLICA 43
6-2-1 تحلیل نتایج بخشبندی تصاویر مصنوعی ۴۴
6-2-2 تحلیل نتایج بخشبندی تصاویر طبیعی ۴۷
6-3 پایداری الگوریتم NLICA 52
6-4 هم گرایی الگوریتم NLICA 56
6-5 آزمونهای آماری ۵۷
6-5-1 نمودار چندک-چندک 59
6-5-2 آزمون کولموگروف-اسمیرنوف ۶۰
6-5-3 آزمون ویلکاکسون رتبه ای ۶۱
6-6 تحلیل کلی نتایج ۶۳
6-7 خلاصه فصل ۶۴
فصل ۷ نتیجه گیری و راهکارهای آتی ۶۴
7-1 نتیجه گیری ۶۵
7-2 راه کارهای آتی ۶۶
واژه نامه 67
مراجع 72