پروژه تقطیع تصاویر با استفاده از روشهای بهینه سازی

پروژه تقطیع تصاویر با استفاده از روشهای بهینه سازی پژوهش کامل در حوزه هوش مصنوعی و پردازش تصویر  و پروژه تقطیع تصاویر میباشد و در 7 فصل تنظیم شده است.این پروژه با معرفی الگوریتم های بهینه سازی  به بررسی فرآیند سگمنتیشن تصویر پرداخته است.شما میتوانید فهرست مطالب پروژه را در ادامه مشاهده نمایید.

پروژه بصورت فایل قابل ویرایش ورد(WORD) در 85 صفحه برای رشته کامپیوتر و IT در پایین همین صفحه قابل دانلود میباشد. شایسته یادآوری است که پروژه از ابتدا تا پایان ویرایش وتنظیم , سکشن بندی (section) ، نوشتن پاورقی (Footnote) و فهرست گذاری اتوماتیک کامل شده وآماده تحویل یا کپی برداری از مطالب مفید آن است.

چکیده

تقطیع تصویر نشان دهنده عملی است که در ان یک تصویر خام ورودی به مناطقی معنا دار تقسیم بندی میشود. شناسایی و تفکیک یک تصویر به اجزای سازنده اش یا همان تقطیع تصویر نقش مهمی در بسیاری از کاربردهای پردازش تصویر دارد. هدف از ارائه این تحقیق بررسی روشهایی گوناگونی است که تا کنون در زمینه تقطیع تصویر با استفاده از روشها ی بهینه سازی انجام شده و همچنین مطالعه مشکلات موجودی است که تا کنون محققان موفق به حل ان شده اند، می باشد. از جمله الگوریتم های بهینه سازی مهم می توان به الگوریتم های تکاملی، الگوریتم ژنتیک، الگوریتم کلونی مورچه والگوریتم حرکت دسته جمعی پرندگان اشاره کرد. همچنین در ادامه چند الگوریتم پایه و غیر پایه نیز که مورد استفاده در تقطیع تصویر هستند معرفی خواهند شد. هر یک از الگوریتم ها با استفاده از مفاهیم پایه و مزایای خاصشان در یک زمینه خاص از تقطیع تصاویر کار میکند و مشکلات خاصی که در زمینه مربوط وجود دارد را حل میکنند. همچنین در بعضی از الگوریتمها روش کلی کار برای درک بهتر ذکر شده. در اخر نیز برای فهم بیشتر مقایسه ای از روشهای بهینه سازی تصادفی برای قطعه بندی تصویر ارائه خواهد شد. شایان ذکر است در اینجا سعی بر ان شده از مقالاتی که در ژورنالها و سایت های معتبر به چاپ رسیده و همچنین تحقیقاتی که در سالها اخیر کار بر روی ان انجام شده استفاده شود.

واژه های کلیدی:

تقطیع ، تصویر، بهینه سازی، Segment ،image, optimization

فهرست مطالب

مقدمه. 1

فصل یکم ، مفاهیم اولیه الگوریتمهای بهینه سازی

1-1-الگوریتم های تکاملی.. 5

1-1-1-Genetic Programming (GP)6

1-1-2- برنامه ریزی تکاملی (EP)6

1-1-3- استراتژی تکاملی (ES)6

1-1-4-الگوریتم ژنتیک (GA)6

1-2- الگوریتم ژنتیک... 7

1-2-1- حل Representation. 7

1-2-2- تابع Fitness. 7

1-2-3-انتخاب selection. 8

1-2-4- Crossover8

1-2-5-Mutation. 8

1-3- سیستم کلونی مورچه. 8

1-4- بهینه سازی حرکت دسته جمعی پرندگان.. 9

1-4-1- توپولوژی های همسایگی PSO.. 10

فصل دوم ، کاربرد های الگوریتم تکاملی در سگمنتیشن تصویر

2-1- پیاده سازی منحنی تکامل تابع برای تقسیم بندی.. 13

2-2- تقسیم بندی تصویر با استفاده از منحنی Evolution و انتشار Anisotropic 7. 18

فصل سوم ، کاربردهای الگوریتم ژنتیک در سگمنتیشن تصویر

3-1- بهینه سازی مبتنی بر تقطیع تصویر توسط ژنتیک الگوریتم.. 22

3-2- همسانی تصویربا استفاده از رویکرد الگوریتم ژنتیک... 24

3-3-دسته بندی ژنتیکی برای طبقه بندی پیکسل ها در سنجش از راه دور تصاویر. 26

3-4- استفاده از الگوریتم ژنتیک در حل مسأله تطبیق غیردقیق زیرگراف به منظور استفاده در تشخیص شیء 28

فصل چهارم ، کاربرد های الگوریتم کلونی مورچه ها در سگمنتیشن تصویر

4-1-تقطیع تصویر مبتنی بر MRF با استفاده از سیستم کلونی مورچه. 34

4-2- سیستم Ant Colony برای تقسیم بندی و طبقه بندی Microcalcification در ماموگرام. 36

4-3- استفاده از الگوریتم ACO در تقطیع تصویر برای استانه سازی مطلوب.. 38

فصل پنجم ، کاربرد های الگوریتم حرکت دسته جمعی پرندگان در سگمنتیشن تصویر

5-1- تقطیع تصاویر داده های سه بعدی با استفاده از الگوریتم بهینه سازی جمعی پرندگان.. 42

5-2- ترکیب بهینه سازی حرکت جمعی پرندگان با الگوریتم های دسته بندی Unsupervised برای تقطیع تصویر. 43

5-3- بهینه سازی کلونی مورچه و الگوریتم بهینه سازی حرکت دسته جمعی پرندگان برای طبقه بندی Microcalcifications در ماموگرافی.. 47

فصل ششم ، کاربرد های الگوریتم های دیگر در سگمنتیشن تصویر

6-1- استفاده از ساختار پیکسونی جهت بهبود روش Fuzzy C-means در قطعه بندی تصاویر. 51

6-2- استفاده از مشخصه های اماری برای قطعه بندی تصویر. 52

6-3- تقطیع تصاویر با استفاده از تخمین مولتی فرکتال ، انتروپی و خوشه بندی فازی.. 53

6-4- تقسیم بندی تصاویر با استفاده از branch and mincut55

6-5- یک مسئله بهینه سازی برای ارزیابی متدهای تقطیع تصاویر. 57

6-6- تقطیع بهینه برای تصاویر هوایی با محدودیت مکانی.. 60

6-7- ارزیابی کیفی تقطیع تصاویر سنجش از راه دور. 61

6-7-1-HalconSeg. 62

6-7-2- Imagine WS. 63

6-7-3- PARBAT. 63

6-7-4- RHSEG.. 63

6-7-5- SEGEN.. 63

6-7-6- SegSAR.. 63

6-8- روش بهینه سازی Multiobjective درتقسیم بندی تصویر- دستورالعمل ها و چالش ها64

6-9- مقایسه ای از روشهای بهینه سازی تصادفی برای قطعه بندی تصویر. 65

فصل هفتم ، خلاصه و نتیجه گیری

منابع و مراجع.. 75

Abstract80

فهرست شکل ها

شکل1-نمونهایازاستفادهازتقطیعتصویربرایتشخیصاتومبیلدرتصاویرهوایی.. 2

شکل 1-1 انواع توپولوژی های همسایگی در PSO.. 10

شکل 2-1 سه نمونه از بزرگ سازی ترکیبی داده: (a) تصویر اصلی در سایز 75در 75 . (b) تصویر بزرگ نمایی شده توسط روش zero-orderدر سایز 225 در 225. (c) تصویر بزرگنمایی شده توسط روش دوسویه مستقیم در سایز 225 در 225.(d) تصویر بزرگ نمایی شده توسط روش Mumford-Shah. 16

شکل 3-1 یک نمونه ازعملکرد الگوریتم ژنتیک در قالب فلوچارت.. 21

شکل 3-2 عملکرد کلی الگوریتم همسانسازی تصویر. 26

شکل 3-3. 30

شکل 3-4 پس از عمل برش فرزندان تولید شده دارای هدد تکراری هستند که این عمل نادرست می باشد 30

شکل 6-1 تقسیم بندی تصویر به بلوکهایی.. 52

تحقیق الگوریتم کلونی مورچه ها

مقدمه

انسان همیشه برای الهام گرفتن به جهان زنده پیرامون خود نگریسته است. یکی از بهترین طرح های شناخته شده، طرح پرواز انسان است که ابتدا لئورناردو داوینچی(1519-1452) طرحی از یک ماشین پرنده را بر اساس ساختمان بدن خفاش رسم نمود. چهار صد سال بعد کلمان ادر ماشین پرنده ای ساخت که دارای موتور بود و بجای بال از ملخ استفاده می کرد.

هم اکنون کار روی توسعه سیستم های هوشمند با الهام از طبیعت از زمینه های خیلی پرطرفدار هوش مصنوعی است. الگوریتمهای ژنتیک که با استفاده از ایده تکاملی داروینی و انتخاب طبیعی مطرح شده، روش بسیار خوبی برای یافتن مسائل بهینه سازیست. ایده تکاملی داروینی بیانگر این مطلب است که هر نسل نسبت به نسل قبل دارای تکامل است و انچه در طبیعت رخ می دهد حاصل میلیون ها سال تکامل نسل به نسل موجوداتی مثل مورچه است.

الگوریتم کلونی مورچه برای اولین بار توسط دوریگو (Dorigo) و همکارانش به عنوان یک راه حل چند عامله (Multi Agent) برای مسائل مشکل بهینه سازی مثل فروشنده دوره گرد (TSP :Traveling Sales Person) ارائه شد.

عامل هوشند(Intelligent Agent) موجودی است که از طریق حسگر ها قادر به درک پیرامون خود بوده و از طریق تاثیر گذارنده ها می تواند روی محیط تاثیر بگذارد.الگوریتم کلونی مورچه الهام گرفته شده از مطالعات و مشاهدات روی کلونی مورچه هاست. این مطالعات نشان داده که مورچه ها حشراتی اجتماعی هستند که در کلونی ها زندگی می کنند و رفتار انها بیشتر در جهت بقاء کلونی است تا درجهت بقاء یک جزء از ان. یکی از مهمترین و جالبترین رفتار مورچه ها، رفتار انها برای یافتن غذا است و بویژه چگونگی پیدا کردن کوتاهترین مسیر میان منابع غذایی و اشیانه. این نوع رفتار مورچه ها دارای نوعی هوشمندی توده ای است که اخیراً مورد توجه دانشمندان قرار گرفته است.باید تفاوت هوشمندی توده ای(کلونی) و هوشمندی اجتماعی را روشن کنیم.در هوشمندی اجتماعی عناصر میزانی از هوشمندی را دارا هستند. بعنوان مثال در فرایند ساخت ساختمان توسط انسان، زمانی که به یک کارگر گفته میشود تا یک توده اجر را جابجا کند، انقدر هوشمند هست تا بداند برای اینکار باید از فرغون استفاده کند نه مثلا بیل!!! نکته دیگر تفاوت سطح هوشمندی افراد این جامعه است. مثلا هوشمندی لازم برای فرد معمار با یک کارگر ساده متفاوت است.

در هوشمندی توده ای عناصر رفتاری تصادفی دارند و بین ان ها هیچ نوع ارتباط مستقیمی وجود ندارد و انها تنها بصورت غیر مستقیم و با استفاده از نشانه ها با یکدیگر در تماس هستند. مثالی در این مورد رفتار موریانه ها در لانه سازیست.

جهت علاقه مند شدن شما به این رفتار موریانه ها وتفاوت هوشمندی توده ای و اجتماعی توضیحاتی را ارائه می دهم :

فرایند ساخت لانه توسط موریانه ها مورد توجه دانشمندی فرانسوی به نام گرس قرار گرفت. موریانه ها برای ساخت لانه سه فعالیت مشخص از خود بروز می دهند. در ابتدا صدها موریانه به صورت تصادفی به این طرف و ان طرف حرکت می کنند. هر موریانه به محض رسیدن به فضایی که کمی بالاتر از سطح زمین قرار دارد شروع به ترشح بزاق می کنند و خاک را به بزاق خود اغشته می کنند. به این ترتیب گلوله های کوچک خاکی با بزاق خود درست می کنند. علیرغم خصلت کاملا تصادفی این رفتار، نتیجه تا حدی منظم است. در پایان این مرحله در منطقه ای محدود تپه های بسیار کوچک مینیاتوری از این گلوله های خاکی اغشته به بزاق شکل می گیرد. پس از این، همه تپه های مینیاتوری باعث می شوند تا موریانه ها رفتار دیگری از خود بروز دهند. در واقع این تپه ها به صورت نوعی نشانه برای موریانه ها عمل می کنند. هر موریانه به محض رسیدن به این تپه ها با انرژی بسیار بالایی شروع به تولید گلوله های خاکی با بزاق خود می کند. این کار باعث تبدیل شدن تپه های مینیاتوری به نوعی ستون می شود. این رفتار ادامه می یابد تا زمانی که ارتفاع هر ستون به حد معینی برسد. در این صورت موریانه ها رفتار سومی از خود نشان می دهند. اگر در نزدیکی ستون فعلی ستون دیگیری نباشد بلافاصله ان ستون را رها می کنند در غیر این صورت یعنی در حالتی که در نزدیکی این ستون تعداد قابل ملاحظه ای ستون دیگر باشد، موریانه ها شروع به وصل کردن ستونها و ساختن لانه می کنند.

تعداد صفحات 37 word

فهرست مطالب

مقدمه. 3

بهینه سازی مسائل بروش کلونی مورچه (ACO) 10

مورچه ها چگونه می توانند کوتاهترین مسیر را پیدا کنند؟. 11

مزیتهای ACO.. 12

کاربردهای ACO.. 13

مورچه ها چگونه می توانند کوتاهترین مسیر را پیدا کنند؟. 14

جنگ مورچه های اتشین : جنگ جنسی.. 16

الهام از طبیعت برای پیاده سازی نظامهای اجتماعی.. 19

مزایای تحقق نظام تحقیقات حرفه ای در جامعه. 23

مورچه ها متخصصان برجسته علم ژنتیک... 24

هوشمندی توده‌ای(Swarm Intelligence) 29

بهینه‌سازی مسائل ریاضی به روش مورچه‌ها(ACO) 29

بهینه‌سازی شبکه‌های کامپیوتری با الهام از کلونی مورچه‌ها 33

افق اینده. 36

منابع : 38

بررسی الگوریتم های بهینه سازی مبتنی بر هوش گروهی

عنوان مقاله: بررسی الگوریتم های بهینه سازی مبتنی بر هوش گروهی

قالب بندی: pdf

قیمت: 2400 تومان

شرح مختصر: بهینه سازی، یکی از حوزه های تحقیقاتی مهم در دهه های اخیر بوده است که نتیجه آن طراحی انواع مختلفی از الگوریتم ها بوده است. در بسیاری از مسائل مهندسی معمولاً با تابع هدفی روبه رو هستیم که میخواهیم آن را بهینه کنیم. در روشهای گروهی، عاملها با هم همکاری مینمایند و رفتار جمعی تمام عاملها باعث یک همگرایی میشود. حال روش های گوناگونی برای رسیدن به این نقطه بهینه وجود دارد که مسلما هر کدام از این روش ها معایبی دارند. در این مقاله الگوریتم های هوش گروهی مانند الگوریتم کلونی مورچه ها، الگوریتم کرم شب تاب و غیره مورد مقایسه قرار گرفته است.