یک رهیافت آستانه‌گیری چندسطحی تصویر مبتنی بر الگوریتم جستجوی کلاغ و روش آتسو

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 248

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_DMOR-4-1_003

تاریخ نمایه سازی: 24 اسفند 1399

چکیده مقاله:

ناحیه‌بندی تصویر یکی از مسائل اساسی در پردازش تصویر است که اشیاء و دیگر ساختارهای موجود در تصویر را شناسایی می‌کند. یکی از روش‌هایی که به‌طور گسترده‌ در ناحیه‌بندی تصویر به‌کار گرفته شده است، آستانه‌گیری می‌باشد که قادر است پیکسل‌های مبتنی‌بر آستانه‌های معین را جداسازی نماید. در روش آتسو برای تعیین حد آستانه سعی می‌شود که تا حد امکان واریانس درون کلاس‌ها را افزایش و واریانس بین کلاس‌ها را کاهش داد. از جمله مشکلات این روش، افزایش زمان محاسبات با افزایش تعداد حدود آستانه است. یکی از راهکارهای تاثیرگذار و پرکاربرد برای رفع مشکلات روش آتسو، ترکیب آن با الگوریتم‌های تکاملی است که می‌تواند کارایی ناحیه‌بندی تصویر را افزایش و زمان لازم را کاهش دهد. الگوریتم جستجوی کلاغ یکی از الگوریتم‌های نوین فرا اکتشافی مبتنی بر جمعیت است که از روش‌هایی که کلاغ‌ها برای ذخیره‌سازی و بازیابی غذای خود استفاده می‌کنند، الهام گرفته است. در این مقاله یک روش ترکیبی بر‌اساس الگوریتم جستجوی کلاغ و روش آتسو برای آستانه‌گیری چند‌سطحی پیشنهاد می‌شود. نتایج به‌دست‌آمده با سایر الگوریتم‌هایی که با روش آتسو ترکیب شده‌اند، از جمله الگوریتم پرندگان، الگوریتم کرم شب‌تاب و الگوریتم کرم شب‌تاب فازی مقایسه شده است. ارزیابی روی پنج تصاویر محک نشان می‌دهد که روش پیشنهادی توانسته است مدت زمان اجرا و میزان یکنواختی را بهبود بخشد.

نویسندگان

فروغ شهابی

موسسه آموزش عالی آیندگان، تنکابن، ایران.

فرشته پورآهنگریان

گروه مهندسی برق-الکترونیک، موسسه آموزش عالی آیندگان، تنکابن، ایران.

همایون بهشتی

گروه کامپیوتر، دانشکده فنی و مهندسی، موسسه آموزش عالی آیندگان، تنکابن، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Gonzalez, R. C., & Woods, R. E. (2002). Digital image ...
  • Haralick, R. M., & Shapiro, L. G. (1985). Image segmentation ...
  • Davis, L. S., Rosenfeld, A., & Weszka, J. S. (1975). ...
  • Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE ...
  • Holland, J. H. (1992). Genetic algorithms. Scientific American, 267(1), 66-73. ...
  • Bäck, T., Fogel, D. B., & Michalewicz, Z. (2000). Introduction ...
  • Shi, Y., & Eberhart, R. C. (1999). Empirical study of ...
  • Yang, X. S. (2010). Firefly algorithm, stochastic test functions and ...
  • Li, XL (2002).An optimizing method based on autonomous animats: fish-swarm ...
  • Gambardella, M. D. L. M., Martinoli, M. B. A., & ...
  • Zahara, E., Fan, S. K. S., & Tsai, D. M. ...
  • Noor, M. M., Hussain, Z., Ahmad, K. A., & Ainihayati, ...
  • Zhang, Z., & Zhou, N. (2012). A novel image segmentation ...
  • Raja, N. S. M., Sukanya, S. A., & Nikita, Y. ...
  • Hassanzadeh, T., Vojodi, H., & Moghadam, A. M. E. (2011). ...
  • Hassanzadeh, T., Meybodi, M. R., & Shahramirad, M. (2017). A ...
  • Liang, Y. C., Chen, A. H. L., & Chyu, C. ...
  • Gao, K., Dong, M., Zhu, L., & Gao, M. (2010). ...
  • Askarzadeh, A. (2016). A novel metaheuristic method for solving constrained ...
  • Clayton, N., & Emery, N. (2005). Corvid cognition. Current biology, 15(3), R80-R81. ...
  • Taha, A. A., Hanbury, A., & del Toro, O. A. ...
  • نمایش کامل مراجع