یک روش جدید برای آستانه گذاری بهینه اتسو با استفاده از الگوریتم های گروهی
- سال انتشار: 1397
- محل انتشار: دومین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی
- کد COI اختصاصی: CEITCONF02_019
- زبان مقاله: فارسی
- تعداد مشاهده: 938
نویسندگان
دانشجوی ارشد هوش مصنوعی
دانشجوی ارشد هوش مصنوعی
چکیده
ناحیه بندی و تشخیص لبه یا مرز اشیاء تصویر یکی از شاخه های مهم پردازش تصویر است که کاربردهای زیادی دارد. روش هایمختلفی برای ناحیه بندی تصاویر معرفی شده است که از جمله آنها آستانه گذاری آتسو است. آستانه گذاری آتسو با استفاده ازیک یا چند آستانه در نمودار هیستوگرام تصویر را به بخش های مختلف تقسیم بندی و ناحیه بندی می نماید. چالش مهم آستانه-گذاری آتسو انتخاب بهینه مقادیر آستانه ها است تا تابع هدف مسیله بیشینه و در نتیجه کیفیت ناحیه بندی افزایش یابد. انتخابآستانه ها در این الگوریتم سخت ودشوار است از این رو در روش پیشنهادی برای تشخیص مقادیر بهینه این آستانه ها ازالگوریتم خفاش استفاده شده است. روش پیشنهادی در این پژوهش دو مرحله اساسی دارد در ابتدا با استفاده از مفهومهمسایگی نویز تصاویر را شناسایی نموده سپس در ادامه با درونیابی به کمک 16 همسایه و به روش دومکعبی نویز تصاویر راتعدیل نموده تا اثر منفی نویز بر لبه یابی دقیق تعدیل شود سپس در مرحله دوم آستانه گذاری بهینه با استفاده از الگوریتمخفاش انجام می شود. نتایج پیاده سازی الگوریتم پیشنهادی در محیط برنامه نویسی متلب بر روی تصاویر خاکستری با شدت، نوربین 0 تا 255 نشان میدهد متوسط شاخص سیگنال به نویز در روش پیشنهادی، میانه و میانگین به ترتیب برابر 43,3836,52 و 32,17 است و روش پیشنهادی نسبت به روش میانه و میانگین به ترتیب 15,81 % و 25,84 % بهبود را نشان میدهدهمچنین نتایج آزمایشات نشان میدهد متوسط شاخص MSE در روش پیشنهادی، میانه و میانگین به ترتیب برابر 5.26، 12.43 و 21.18 است و نسبت به روشهای میانه و میانگین به ترتیب 57.68% و 75.16% بهبود وکاهش خطا را نشان میدهد. نتایج آزمایشات نشان میدهد مقدار تابع هدف آستانه گذاری آتسو در روش پیشنهادی بر حسب تکرار الگوریتم خفاش صعودی استزیرا آستانه ها مرتبا به سمت بهینه شدن همگرا شده و تشخیص لبه و مرز اشیاء دقیق تر از آستانه گذاری آتسو است.کلیدواژه ها
حذف نویز، آستانه گذاری اتسو، الگوریتم گروهی، الگوریتم خفاشمقالات مرتبط جدید
- تغییرات اقلیمی و راهکارهای مقابله با آن در کشورهای آلمان
- طراحی یک سیستم فازی مبتنی بر قانون برای تشخیص احساسات در توییتر
- خلاصه سازی استخراجی چند سندی، مبتنی بر پرس وجوی کاربر با استفاده از روش های یادگیری ماشین و ویژگی های زبان شناسی
- تحلیل تحمل پذیری در برابر اشکال در شبکه های عصبی توزیع شده
- تحلیل سینماتیک مستقیم و بهینه سازی سینماتیک معکوس ربات CNC با بهره گیری از الگوریتم های تکاملی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.