image segmentation with coa

شادی محمودی دانشگاه آزاد اسالمی واحد بوکان

[email protected]

قطعه بندی تصاویر رنگی با استفاده از

الگوریتم فاخته

اولین همایش منطقه ای مهندسی کامپیوتر

فناوری اطالعات و الکترونیک

#1391/2/14 بندی تصاویر رنگی با استفاده از قطعهالگوریتم فاخته

2/28

مقدمه

فهرست مطالب

مفهوم مربوط به پردازش تصویر

معرفی الگوریتم فاخته

بررسی نتایج

گیری نتیجه


3/28

علم پردازش تصویر، از علوم پرکاربرد و مفید در5 فنونمهندسی

یکی از پیچیده ترین کارها در پردازش تصاویر قطعه بندی دیجیتال

کاربردهای قطعه بندیبینایی ماشین–پردازش تصاویر پزشکی–بازیابی اطالعات بر پایه محتوا در تصویر–– ...

مقدمه

#

تقسیم کردن تصویر به نواحی غیر یکسان

مفهوم قطعه بندی

1391/2/14 بندی تصاویر رنگی با استفاده از قطعهالگوریتم فاخته

4/28

ب( تصویر قطعه بندی شدهالف( تصویر اصلی


5/28

روش های قطعه بندی

قطعه بندی بر اساس پیکسل

قطعه بندی بر اساس خوشه بندیقطعه بندی بر اساس ناحیه قطعه بندی بر اساس تشخیص لبه قطعه بندی بر اساس لبه و ناحیه قطعه بندی بر اساس خوشه بندی

#

مفهوم هیستوگرام تصویر


6/28

نموداری که توسط آن تعداد پیکسل های هر سطح روشنایی در تصویر ورودی مشخص می شود

#

خوشه بندی فازی الگوریتم ژنتیک

سابقه کار


7/28

الگوریتم فاخته با الهام از تخم گذاری فاخته


8/28

COA كار خود از فاخته هابا يك جمعيت اوليه .را شروع می کند

در این جمعیت هر فاخته درابتدا تعدادی تخم دارد

الگوریتم فاخته

Habitat = [x1,x2,…,xNvar]

habitat "يا "محل سكونت


9/28

نگهداري نمي كنند! ي خود تخم ها ازفاخته هارند .گذامي ميزبان گان در النه پرندبلكه آن ها را

31 2

الگوریتم فاخته)...(

#

ادفيFورت تصFه صFه بFر فاختFم هFي را در تخFهايگذاري يFا النFه پرندگان ميزبان كFه در محدوده تخFم

ELRگذارد. خود قرار دارد، مي

' (var var )hi lowNumber of current cuckoo s eggsELR

Total number of eggs



10/28


11/28

اي پرنده ميزبان هتخمتخم فاخته به شباهت


#

ها توسط پرنده ميزبان شناسايي شده ساير تخمروند. مي و از بين



12/28

#

هاي خود آيند تخم وقتي جوجه های فاخته از تخم در ميكنند پرنده ميزبان را از النه بيرون پرت مي


13/28


#

هاي پرنده ميزبان زودتر از تخم خارج اگر جوجه ؟شده باشند


14/28


#

فقط يك تخم در هر النه امكان رشد دارد.در نهایت


15/28


#



16/28

هFق زیستی گروه بندی فاختFا در مناطFهمختلف


17/28

مهاجرت


#

مقداردهی اولیه

برای هر فاختهELRتعیین

تعیین شده ELRگذاشتن تخم در

گروه بندی و مهاجرت


18/28

نحوه برخورد پرنده میزبان با تخم فاخته

خالصه مراحل اصلی فاخته


19/28


#

الگوريتم خوشه بندي استفاده از C-Means برای تعيين منطقه بهينه هر قله

خوشه بندی هیستوگرام به کمک الگوریتم فاخته

2( )

1 1

k xj

i jj i

J x c

بهينه تعيين مركز خوشه ها بصورت جهت نياز به الگوريتم بهينه سازي


20/28


21/28

بالف

دجنمونه تصاوير مورد استفاده براي قطعه

بندي در شرايط نوري مختلف

بالف

دجنمودار هيستوگرام نرماليزه براي

تصاوير مورد بررسي Rمولفه

خوشه بندی هیستوگرام به کمک الگوریتم فاخته)...(

#

محل بخش بندی قله ها


22/28

بالف

دج

#

نتایج الگوریتم فاخته


23/28

بالف

دج

#

نتایج الگوریتم ژنتیک


24/28

بالف

دج

#

تصاویر قطعه بندی شده در شرایط نوری مختلف


25/28

بالف

دج

#

نتیجه گیری


26/28

دقت بخش بندي، موفقيت يا شکست نهايي رويه هايتحليل کامپيوتري را تعيين می کند.

به همين دليل، دقت زيادي بايد به عمل آيد تا احتمالبخش بندي دقيق بهبود يابد.

الگوریتم فاخته با دقت زیاد و سرعت باال کارایی خود را در حل این مسئله به خوبی نشان داده است

#

منابع:

[1] Amine A¨IT YOUNES, Isis Truck, Herman AKDAG, "Color Image Profiling Using Fuzzy Sets", Turk J Elec Engin, VOL.13, NO.3, 2005.

[2] Ruz GA, Estévez PA, Perez CA., "A neurofuzzy color image segmentation method for wood surface defect detection", Forest Prod. J. 55 (4), pp. 52- 58, 2005.

[3] A. Moghaddamzadeh and N. Bourbakis. A fuzzy region growing approach for segmentation of color images. Pattern Recognition, 30(6):867–881, 1997.

[4] G.S. Robinson, “Color edge detection”, Opt. Eng, 16(5): 479-484, 1977[5] J. Canny, “A computational approach to edge detection”, IEEE Trans. Pattern Anal. Mach. Intell,

8(6): 679-698, 1986.[6] A. Shiji and N. Hamada. "Color image segmentation method using watershed algorithm and contour

information", Proc Inter. Conf. on Image Processing, 4:305 – 309, 1999.[7] Zhang B., "Generalized K-harmonic means–boosting in unsupervised learning". Technical report

HPL-2000–137), Hewlett-Packard Labs, 2000.[8] Bezdek J., " A convergence theorem for the fuzzy ISODATA clustering algorithms", IEEE Trans

Pattern Anal Mach Intell 2:1–8, 1980[9] Ball G, Hall D., "A clustering technique for summarizing multivariate data", Behav Sci 12:153–155,

1967.[10] Huang K., "A synergistic automatic clustering technique (Syneract) for multispectral image

analysis", Photogrammetric Eng Remote Sens 1(1):33–40, 2002.


27/28

#

منابع)...(

[11] Mahamed G. H. Omran Ayed Salman Andries P. Engelbrecht, "Dynamic clustering using particle swarm optimization with application in image segmentation", Pattern Anal Applic, 8: 332–344 DOI 10.1007/s10044-005-0015-5, 2005[12] Jang, J. S., Sun, C. T. and Mizutani, E., "Neuro-Fuzzy and Soft Computing", Prentice Hall, New Jersey, U.S.A. 1997.[13] Nozaki, K., Ishibuchi, H. and Tanaka, H.,“Adaptive Fuzzy Rule-Based Classification Systems,” IEEE Trans. on Fuzzy Systems, Vol. 4, No. 3, Aug., pp. 238_250, 1996.[14] Ishibuchi, H., Nozaki, K., Yamamoto, N. and Tanaka,H., “Selecting Fuzzy If-Then Rules for Classification Problems Using Genetic Algorithms,” IEEE Trans. Fuzzy Systems, Vol. 3, pp. 260,270, 1995.[15] Kanungo, P.; Nanda, P.K.; Ghosh, A., "Parallel genetic algorithm based adaptive thresholding for image segmentation under uneven lighting conditions", IEEE International Conference on Systems Man and Cybernetics (SMC), pp. 1904 – 1911, 2010.[16] R. Rajabioun, "Cuckoo Optimization Algorithm", In: Applied Soft Computing Journal, Vol. 11, pp. 5508–5518, 2011


28/28

#

با تشکر از حضور شما را سزاست که قدرت انديشيدن را در خداییشکر

ذهن هايمان نهاد تا دریابیمهر چه از آن اوست

و هر چه که داريم از اوست

image segmentation with coa

Engineering