پایان نامه

 

  مقاله استفاده از نور و فازی در تقطیع تصاویر در pdf دارای 75 صفحه می باشد و دارای تنظیمات و فهرست کامل در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله استفاده از نور و فازی در تقطیع تصاویر در pdf   کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است

توجه : توضیحات زیر بخشی از متن اصلی می باشد که بدون قالب و فرمت بندی کپی شده است

 

بخشی از فهرست مطالب پروژه مقاله استفاده از نور و فازی در تقطیع تصاویر در pdf

سر آغاز  
تقطیع تصاویرچیست 
قطعه بندی تصاویر رنگی با استفاده از روش فازی بر پایه بهینه سازی گروه ذرات. 
مقدمه 
2-دسته بندی رنگ فازی 
3- بهینه سازی گروه ذرات 
4- دسته بندی فازی بر پایه PSO 
5- پیاده سازی و نتایج 
5-1- داده های آموزشی 
5-2- ساختار سیستم فازی 
5- -3 تنظیم وزنها و ثابتهای الگوریتم 
5- -4 تولید جمعیت اولیه 
-6 نتیجه گیری و کارهای آتی 
تقطیع تصاویر با استفاده از تخمین مولتی فرکتال ، آنتروپی و خوشه بندی فازی 
مقدمه 
2-الگوریتم شمارش جعبه های تفاضلی (DBC) 
-3خوشه بندی FCM 
4-ارزیابی تخمین و روش پیشنهادی 
5 نتایج تجربی  
نتیجه گیری 
تشخیص حالتهای چهره از روی تصاویر متحرک بااستفاده ازOpticalFlow و شبکه عصبی RBF 
مقدمه 
تعیین قوانینی برای تشخیص هر حالت چهره از روی حرکات مربوط به ناحیه های صورت 
نقاط مشخص صورت(FCP)  
پایگاه داده استفاده شده 
روش محاسبه optical flow 
سیستم تشخیص حالت های چهره توسط شبک عصبی RBF.  
نتیجه گیری  
تصویر دیجیتالی چیست  
پردازش تصویر در MATLAB  
جمع دو تصویر44 
تفریق دو تصویر 
مکمل کردن تصویر 
شکل شناسی  – عملگرهای مجموعه ای 
استخراج اسکلت بندی اشیاء 
خاکستری (Grayscale) کردن تصویر 
بستن و بازکردن باینری مورفولوژیکی 
سایش باینری مورفولوژیکی 
گسترش باینری مورفولوژیکی 
فیلتر کردن تصویر 
ارتقای تصویر و عملگر کانولوشن 
هیستوگرام تصویر 
تعدیل هیستوگرام 
منابع و ماخذ 

تقطیع تصاویرچیست؟

تقسیم کردن تصویر به نواحی غیر یکسان قطعه بندی نام دارد

قطعه بندی در مواردی چون پردازش تصویر،بینایی ماشین،پردازش تصاویر پزشکی،کتابخانه های دیجیتالی،بازیابی اطلاعات بر پایه محتوا در تصاویر و فیلم،انتقال اطلاعات از طریق اینترنت وفشرده سازی تصاویر کاربرد دارد

قطعه بندی تصاویر رنگی با استفاده از روش فازی بر پایه بهینه سازی گروه ذرات:

چکیده:در این مقاله روش جدیدی جهت قطعه بندی تصاویر رنگی با استفاده از سیستم های فازی معرفی شده است

هدف از این مقاله تولید اتوماتیک یک سیستم فازی است که دارای حداقل تعداد قوانین و حداقل خطا برای دسته بندی رنگها باشدبه منظور ایجادقوانین و توابع عضویت بهینه فازی از الگوریتم بهینه سازی گروه ذرات استفاده شده است. بهینه سازی گروه ذرات زیر مجموعه الگوریتم های تکاملی است که از رفتار اجتماعی جانورانی مانند ماهی ها،زنبورها وپرندگان که به صورت گروهی زندگی میکنند الهام گرفته است.هر یک از ذرات گروه یک مجموعه فازی هستند در طی نسلهای مختلف ذرات مقادیری را به خود میگیرند که تابع ملاک شایستگی را بهینه کنند. در نهایت ذره با بالاترین ملاک شایستگی به عنوان بهترین مجموعه قوانین برای دسته بندی فازی انتخاب می شود.نتایج اعمال این روش دربر روی قطعه بندی تصاویر رنگی زمین فوتبال در مسابقات روبو کاپ کارآیی در حدود 78%را نشان میدهد

این روش در مقایسه با روشهای دیگر چون نرو فازیبه علت تولید قوانین کمترسرعت بالا تری دارد و همچنین با توجه به تنوع و حجم زیاد داده های آموزشی نسبت به نویز مانند تغییرات نور مقاوم است

مقدمه:

تقسیم کردن تصویر به نواحی غیر یکسان قطعه بندی نام دارد.ناحیه ها در واقع اشیاء متفاوت موجود در تصویرند که از نظر بافت و یا رنگ یکنواخت هستند.نواحی باید دارای حفره های کوچک نباشند.نواحی مجاور یک قطعه باید تفاوت قابل ملاحظه ای با آن ناحیه داشته باشند.قطعه بندی در مواردی چون پردازش تصویر،بینایی ماشین،پردازش تصاویر پزشکی،کتابخانه های دیجیتالی،بازیابی اطلاعات بر پایه محتوا در تصاویر و فیلم،انتقال اطلاعات از طریق اینترنت وفشرده سازی تصاویر کاربرد دارد

تکنیک های قطعه بندی تصاویر با استفاده از رنگ را می توان در پنج دسته گنجاند

1 قطعه بندی بر اساس پیکسل

2 قطعه بندی بر اساس ناحیه

3 قطعه بندی بر اساس تشخیص لبه

4 قطعه بندی ترکیبی بر اساس لبه و ناحیه

5 قطعه بندی بر اساس خوشه بندی

قطعه بندی تصاویر رنگی با استفاده از دسته بندی فازی یکی از روشهای قطعه بندی بر اساس پیکسل می باشد.به این ترتیب که سیستم فازی مشخص میکند هر پیکسل به کدام دسته رنگ تعلق دارد.بنابر این هدف،ایجاد یک سیستم فازی است که بتواند رنگهای بیشتری را دسته بندی نماید.برای این کار نیاز به یک فرد خبره است که با توجه به داده های آموزشی، قوانین و توابع عضویت را تنظیم نماید که امری بسیار وقت گیر و طاقت فرسا است چه بسا که قوانین نهایی نیز بهترین قوانین نباشند

لذا نیاز به یک روش اتوماتیک است که باتوجه به داده های آموزشی قوانین و توابع عضویت فازی را ایجاد نماید.روشهای زیادی برای این منظور ابداع شده است،از جمله تقسیم کردن فضای ورودیهای سیستم فازی و الگوریتم ژنتیک .عیب عمده این است که تعداد قوانینی که ایجاد مینماید بسیار زیاد است.تعداد زیاد قوانین باعث می شودکه سرعت دسته بندی داده کاهش یابد.بنابر این روشی که بتواند تعداد قوانین را کاهش دهد و  داده آموزشی با کمترین خطا دسته بندی نماید مورد نیاز است.در این مقاله از روش بهینه سازی کروه ذرات به منظور تولید اتوماتیک قوانین وتوابع عضویت بهینه فازی استفاده شده است

در ادامه در بخش دوم دسته بندی رنگ فازی،در بخش سوم بهینه سازی گروه ذرات ودربخش  چهارم روش دسته بندی فازی با استفاده از PSO شرح داده می شود

در نهایت نتیجه اعمال این الگوریتم بر روی داده های آزمایشی ارایه شده است

2ـ دسته بندی رنگ فازی:

دسته بندی یک روش یاد گیری با ناظر است که جهت قطعه بندی تصاویر استفاده می شود.این سیستم هر پیکسل رنگی ازتصویر ورودی را در یک دسته رنگ قرار میدهد

در پردازش تصویر استفاده می شود.HSV,YIG,HSL,RGB فضاهای رنگ متنوعی مانند

 به علت اینکه درفضای HSLرنگ در بعد Hنمایش داده می شود و دو بعد L,Sتوصیف کننده رنگ می باشد لذا در این مقاله از فضای رنگ HSLاستفاده شده است

به ازای هر بعد از HSLمیتوان یک مجموعه فازی به عنوان ورودی و در نهایت یک مجموعه فازی نیز به عنوان خروجی در نظر گرفت

بعد H به صورت دایره ای نمایش داده میشود که هر رنگ درمحدوده ای از درجه زوایا قرار دارد. توزیع رنگها در بعد H یکنواخت نمی باشد. به عنوان مثال مجموعه فازی Hرا میتوان با  2تابع عضویت نمایش داد. توابع عضویت میتوانند به صورتهای مختلفی چون ذوزنقه ای, زنگولهای, مثلثی, گوسی و; باشند. در(شکل 1) نمونه ای از توابع عضویت از مجموعه فازی  H که ذوزنقه ای شکل اند, مشاهده می شود

 هر کدام از توابع عضویت بر اساس شکلشان دارای تعداد پارامترهای خاصی می باشند. تابع عضویت ذوزنقه ای به چهارپارامتر نیاز دارد.(شکل 3)

 دو بعد دیگرS,L عملأ رنگی ندارند و توصیف کننده رنگ می باشند. هر بردار به سه قسمت ضعیف, متوسط و قوی تقسیم می شود. دو بردار را با هم ترکیب کرده و به صورت نموداری دو بعدی آنها را در نظر مِی گیریم. با ترکیب این دو بردار با هم نه ناحیه توصیف رنگ حاصل میگردد(شکل 4)

 هر کدام از نواحی توصیف رنگ دارای یک تابع عضویت می باشد. اما با این تفاوت که توابع عضویت هم باید Lهم Sرا بپوشانند. پس این تابع عضویت را در فضای سه بعدی رسم مینماییم(شکل 5)

 بنابراین سه تابع عضویت برای بعد S و سه تابع عضویت برای بعد  Lدر نظر گرفته میشود .ترکیب مجموعه های فازی فوق الذکر در(شکل6) نمایش داده شده است

 هر قانون فازی را به صورت زیر نمایش می دهیم

j- th rule 

if  x₁ is A_J1 and x₂ is A_J2 and… and x_M is A_JM

(1)

Then x=(x1,x2,…,xm)belongs   to

class Hj with CF= CF j       j=1,2,…R

 Rتعداد قوانین فازی، mتعداد ابعاد ورودی 1,2,…,M}}[h_j خروجی قوانین ،M تعداد دسته های رنگ ،CF₁=[0,1] ضریب قطعیت قانون J ام است. درجه عضویت مربوط به مجموعه فازی بر اساس نوع تابع عضویت آن مجموعه فازی محاسبه میگردد. به عنوان مثال درجه عضویت تابع گوسی با سه پارامتر m_{( ji,1)} ,m_{( ji,2)} ,m_{( ji,3)}, طبق فرمول زیر محاسبه میگردد

 ]₍m_ji=[m_(ji,1),m_(ji,2),…m_(ji,p تابع عضویت ورودی I ام از قانون jام می باشد که P تعداد پارامترهای تابع عضویت . است .r _J=[m_j1,m_j2,…,m_jk] مشخص کننده یک قانون فازی وr=[r₁,r₂,…,r_R] مجموعه قوانین فازی . را مشخص میکند

A=[h₁,cf₁,h₂,cf₂,…H_R,CF_R] خروجی مجموعه قوانین است. هنگامی که یک داده ورودی x=(x₁,x₂,…x_m) به سیستم فازی اعمال شود خروجی به صورت زیر محاسبه میگردد

  تغییر پارامترهای یک تابع فازی باعث میگردد که دسته بندی فازی به کلی تغییر نماید. بنابراین هدف ما تنظیم پارامترهای بهینه فازی است بطوریکه دسته بندی فازی با حداقل خطا انجام گردد

بهینه سازی گروه ذرات. 3

PSOیک روش بهینه سازی است که اولین بار توسط کندی و ابرهارت در سال 1995 پس از شبیه سازی رفتار اجتماعی گروهی از پرندگان ارائه شد. این الگوریتم زیر مجموعه الگوریتمهای تکاملی مانند الگوریتم ژنتیک, برنامه نویسی تکاملی و استراتژی تکاملی است  این مدل براساس شبیه سازی رفتار اجتماعی و تشریک مساعی اجتماعی جانورانی که به صورت گروهی زندگی میکنند مانند ماهیها, زنبورها و پرندگان بنا نهاده شده است. سرعت همگرایی و سادگی قوانین در تعیین جهت بهینه از خصوصیات مهم این روش به شمار می آید. پیاده سازی PSO بسیار ساده تراز الگوریتمهای تکاملی دیگر است. این روش مانند روشهای تکاملی بر پایه جمعیت بنا شده است. هر عضو از این جمعیت ذره نامیده میشود که در فضای جستجوی چند بعدی قرار دارد و در جهت ها و سرعتهای مختلف برای رسیدن به یک موقعیت بهینه حرکت می کند. در واقع هر ذره یک راه حل برای رسیدن به حل مسأله بهینه سازی را نمایش میدهد

موقعیت هر ذره بر اساس بهترین موقعیتی که ذره ملاقات کرده و بهترین موقعیتی که توسط همسایگانش ملاقات شده مشخص میگردد. همسایه های ذره بر اساس توپولوژیهایی مانند ستاره, حلقه, وان نیومن در نظر گرفته میشوند

در ابتدا با توجه به مسأله، ذرات با سرعتهای اولیه در فضای جستجو قرار داده میشوند . موقعیت هر ذره بر اساس تابع ملاک شایستگی ازریابی میشود. ذرات آنقدر در فضای جستجو حرکت میکنند تا به موقعیتی برسند که تابع ملاک شایستگی دارای بهترین مقدار باشد. موقعیت جدید هر ذره توسط فرمول زیر محاسبه میگردد

 x_i , موقعیت جاری ذرهv_i سرعت جاری ذره وy_i بهترینموقعیتی است که توسط ذره iملاقات شده است

بهترین موقعیت ملاقات شده توسط همسایگان هر ذره توسط فرمول زیر قابل محاسبه است

 ذرات در ابتدا در فضای جستجو پراکنده اند و سپس با سرعت خاصی به سمت یک نقطه همگرا میشوند. سرعت، یک بردارN_d بعدی است که v_ij سرعتj امین عنصر از بردارسرعت ذره I ام را نشان می دهد

 W وزن ثابت را مشخص می نماید و C2,C1 ثابتها می باشند. عبارت وزنهای ثابت برای اولین بار توسط شای و ابرهارت درسال 1999 معرفی گردید این وزن در واقع درصدی ازسرعت قبلی ذره را در محاسبه سرعت جدید عنوان می نمایدy_IJ (t)- x_IJ (t) بهترین راه حلی است که یک ذره به تنهایی بدست میآورد و yˆ j (t) xij (t) بهترین راه حلی است که توسط کل گروه تشخیص داده میشود

موقعیت ذره Iام توسط معادله زیر بهنگام میگردد

 سرعت و موقعیت هر ذره توسط معادلات (6)و(7) بهنگام می گردند و آنقدر این عمل تکرار می شود تا یا به حداکثرتعداد تکرار برسد و یا سرعت بهنگام شده به صفر نزدیک شود. عملکرد هر ذره توسط ملاک شایستگی برآورد میشود

4 دسته بندی فازی بر پایه PSO:

جمعیت P که تعداد Lذره را دارد به صورت فرمول(8)درنظر گرفته می شوند

 P_h=[r_h g_h] یک ذره از جمعیت است که یک مجموعه قوانین فازی را مشخص می نماید

 مجموعه فوق قوانین فازی است و B پارامتری برای تنظیم حداکثر تعداد قوانینی است که می توان تولید کرد

 ^توابع فوق عضویت قانون J ام است که M تعداد ورودیهای سیستم فازی می باشد

تابع عضویت ورودی I ام می باشد که P تعداد پارامترهای تابع عضویت است. به منظور کاهش تعداد قوانین از مجموعه در نظر گرفته شده است.در واقع به ازای هر قانون r^h_{j یک g}^h_j وجود دارد که اگر g^h_j05  باشد آن قانون در مجموعه فازی در نظر گرفته میشود. اگرr_h تعداد قوانین قابل قبول باشد آنگاه شماره این قوانین می باشد

. مجموعه قوانین قابل قبول است. به این ترتیب، هر قانون بصورت زِیر تغییر میکند

  برای مشخص کردن کامل هر قانون باید ضر یب قطعیت CF و خروجی  Hآن را نیز تعیین کرد. بدین منظور از داده های آموزشی استفاده می گردد . تعداد N داده آموزشی وجود دارد که درM دسته قرار دارند . دادها ی آموزشی به صورت بردار (xn , yn) ), n=1,2,;,Nنشان داده می شوند که X_N=(x_n1,x_n2,…x_nm) ورودی و y_n خروجی داده آموزشی nام است.به ازای قانون r ام،HوCF به صورت زیر محاسبه می گردند

 تابع ملاک شایستگی هر ذره باید دو هدف اصلی در انتخاب قوانین را پوشش دهد

 NICP(P_H)  تعداد داده هاِی آموزشِی است که درست دسته بندِی نشده اند

 در نهاِیت مجموعه اِی انتخاب می شود که تابع ملاک شایستگی را ماکزیمم نمایند

 5 پیاده سازی و نتایج:

 

کلمات کلیدی :