استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر

استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویر

پایان نامه استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش بندی تصویرنوع فایل: word (قابل ویرایش)تعداد صفحات : 94 صفحهچکیدهبخش
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 غیرمحلیفهرست مطالبفصل ۱ مقدمه1فصل ۲ شرح مسئله ۵2-1بیان مسئله ۶2-2ورودی-فرض ها-خروجی ۷2-3هدف82-4معیار ارزیابی ۸2-5نتایج موردانتظار92-6خلاصه فصل ۱۰فصل ۳ مفاهیم پایه ای ۱۱3-1مفاهیم مربوط به پردازش تصویر و بخش بندی123-1-1تشخیص لبه با استفاده از روش سوبل ۱۳3-1-2بخش بندی تصویر ۱۳3-1-3تحلیل مؤلفه های اصلی143-1-4اطلاعات محلی و مکانی پیکسل ها143-2الگوریتم K-means153-3الگوریتم رقابت استعماری ۱۵3-4خلاصه فصل17فصل ۴ راه¬کارهای گذشته ۱۸4-1استفاده از خوشهبندی c-means فازی به همراه جمله جریمه برای بخشبندی تصویر ۱۹4-2بخشبندی تصویر با استفاده از الگوریتم ژنتیک مبتنی بر روش خوشهبندی فازی ۲۱4-3الگوریتم FCMS 224-4الگوریتم EnFCM 224-5الگوریتم FGFCM 234-6الگوریتم خوشه بندی فازی مبتنی بر انتخاب بهینه و اطلاعات همسایگی سازگار ۲۳4-7خلاصه فصل ۲۴فصل ۵ راهکار پیشنهادی ۲۵5-1جمعآوری اطلاعات غیرمحلی تصویر ۲۷5-1-1محاسبه وزن در جمعآوری اطلاعات غیرمحلی ۲۷5-1-2محاسبه مقدار ویژگی میانگین وزندار غیرمحلی ۳۱5-2 ترکیب الگوریتم رقابت استعماری و الگوریتمK-means 315-3الگوریتم رقابت استعماری بهبود یافته پیشنهادی برای بخش بندی تصویر ۳۲5-3-1کدگذاری ۳۲5-3-2عملگر جذب ۳۳5-3-3عملگر انقلاب ۳۴5-3-4عملگر جدید حرکت استعمارگرها ۳۴5-3-5عملگر جدید جستجوی فضای اطراف قوی ترین استعمارگر ۳۵5-3-6تابع هزینه الگوریتم NLICA 365-4پس پردازش ساده365-5خلاصه فصل ۳۸فصل ۶ ارزیابی و نتایج عملی ۴۰6-1معرفی تصاویر محک ۴۱6-2 تحلیل نتایج الگوریتم NLICA436-2-1تحلیل نتایج بخشبندی تصاویر مصنوعی ۴۴6-2-2تحلیل نتایج بخشبندی تصاویر طبیعی ۴۷6-3پایداری الگوریتم NLICA 526-4هم گرایی الگوریتم NLICA 566-5آزمونهای آماری ۵۷6-5-1نمودار چندک-چندک596-5-2آزمون کولموگروف-اسمیرنوف ۶۰6-5-3آزمون ویلکاکسون رتبه ای ۶۱6-6تحلیل کلی نتایج ۶۳6-7خلاصه فصل ۶۴فصل ۷ نتیجه گیری و راهکارهای آتی ۶۴7-1نتیجه گیری ۶۵7-2 راه کارهای آتی ۶۶واژه نامه67مراجع72