بهینه سازی و بهبود کلونی مورچه ها برای کلاسترنیگ فازی در تضخیص هویت و قطعه بندی تصاویر دیجیتالی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 573

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

BPJ02_169

تاریخ نمایه سازی: 11 آبان 1395

چکیده مقاله:

اصلاح بهبود الگوریتم کلونی مورچه (M.I.ACA) روش بهینه در پردازش تصاویر دیجیتال و تشخیص هویت است. در این روش استفاده از کلاسترینگ پیکسلها، به منظور قطعه بندی تصویر به پروسه کلاسترینگ سرعت بخشیده است. نمودار هیستوگرام بهینه که با استفاده از سه ویژگی تصویر محله پیکسل، گرادیان، ارزش خاکستری مراکز اولیه بهینه را یافته است و امر یافتن مراکز اولیه کلاسترها را تسهیل می کند. همچنین ادغام کلاسترها براساس قاعده اصلاح بهبود الگوریتم کلونی مورچه، پروسه ادغام را با دقت و توانایی بیشتری میسر می سازد. تصاویر حاصل از این روش علاوه بر زمان بهینه تر دارای لبه هایی با دقت و کیفیت بیشتری هستند و به نتایج مطلوبی رسیده است.

نویسندگان

مهدی توپچی

کارشناسی ارشد مهندسی کامپیوتر ، هوش مصنوعی، دانشگاه بین المللی امام رضا (ع)

لیلا خاکزاد

دانشجوی کارشناسی ارشد هوش مصنوعی، واحد الکترونیک دانشگاه آزاد اسلامی تهران

ابوالقاسم بهرامیان

کارشناسی ارشد مهندسی کامپیوتر، هوش مصنوعی، دانشگاه بین المللی امام رضا (ع)

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 :
  • Yanfang Han, Pengfei Shi: An improved ant colony algorithm for ...
  • K.L. Chung, H.L. Huang, H.I. Lu, Efficient region segmentation on ...
  • D.D. Giusto, M. Francesco, P. Cristian, FACE: fast active-contour curvature ...
  • L.R. Liang, C.G. Looney, Competitive fuzzy edge detection, Appl.Soft Comput. ...
  • نمایش کامل مراجع