ترجمه مقاله روش تشخیص لبه بر اساس بهينه سازی کلونی مورچه

توضیحات

 عنوان فارسی: روشی مناسب و قوی برای تشخیص لبه بر اساس بهينه سازی کلونی مورچه ها

عنوان انگلیسی مقاله:

A convenientandrobustedgedetectionmethodbasedonantcolony optimization

چکیده

روشی مناسب و قوی برای تشخیص لبه بر اساس بهينه سازی کلونی مورچه ها

تشخیص لبه معمولا به عنوان یک عملیات پردازش در بسیاری از کاربردهای صنعتی برای بینایی ماشین استفاده می شود. به تازگی، بهینه سازی کلونی مورچه (ACO) به عنوان یک روش فرا ابتکاری نسبتا جدید برای مقابله با مشکل تشخیص لبه استفاده شده است. در این کار، یک روش مناسب و قوی برای تشخیص لبه بر اساس ACO ارائه شده است، که در آن یک تابع ابتکاری جدید تعریف می شود، یک آستانه توسط کاربر در فرآیند به روز رسانی فرمون تصویب می شود و در آن مقادیر پارامتر مناسب نیز فراهم می شود. نتایج تجربی به وضوح حاکی از اثر بخشی روش ارائه شده می باشد، و در همان زمان، در حضور نویز، روش پیشنهادی عملکرد بهتری نسبت به دو روش دیگر تشخیص لبه بر اساس ACO و چهار آشکارساز لبه معمولی از خود نشان می دهد.

مقدمه

تشخیص لبه یک عملیات پیش پردازش اساسی در بسیاری از کاربردهای صنعتی برای بینایی ماشین است [1-3]، که برای تشخیص شکل، بازسازی 3D، تشخیص نقص در قطعات مکانیکی، و غیره استفاده می شود. لبه ها مجموعه ای از پیکسل ها در تصویر با تغییرات شدید هستند و با فواصل قابل مشاهده ی بین اشیاء در یک تصویر مطابقت می کنند. به طور معمول، تشخیص لبه فرایندی است که در ورودی یک تصویر با مقیاس خاکستری را گرفته و سپس در خروجی یک تصویر باینری بدست می دهد تا لبه های اشیاء را مشخص سازد.

بسیاری از روش های تشخیص لبه در دهه های اخیر مطرح شده است. بسیاری از آنها بر اساس روش دیفرانسیل دیجیتال بنا شده اند، [4] مانند سوبل، رابرتز، اپراتورهای لاپلاس. چون همیشه این الگوریتم ها به نویز کاملا حساس هستند، به منظور سرکوب نویز، Marr و همکارانش [5] و Canny [6] قبل از تشخیص لبه, گاوسی پیش نرم و صاف به تصویر اعمال کردند. متاسفانه این روش در حالی که نویز را از تصویر حذف می کند, در عین حال می تواند باعث ایجاد لکه در آن شود. در نتیجه، همانطور که در شکل1 نشان داده شده است ، این روش در شناسایی محل لبه دقت کافی نخواهد داشت [7]. برای غلبه بر این محدودیت،می توان تشخیص لبه را به عنوان یک مسئله بهینه سازی فرموله کرد. بهینه سازی کلونی مورچه ([ACO] (8 به عنوان یک روش بهینه سازی نسبتا جدید برای تشخیص لبه استفاده می شود، که می توان آن را به دو دسته طبقه بندی کرد: تشخیص مستقیم لبه [9-18] و جبران لبه شکسته [19،20]. در این مقاله، روش ارائه شده بر اساس اولی است، زیرا دومی تنها به عنوان یک ابزار مکمل برای دیگر آشکارسازهای لبه استفاده می شود.

ACO به عنوان یک رویکرد هوش ازدحامی برای تشخیص مستقیم لبه تصویر توسط ژوانگ [9،10] از سال 2004 به تصویب رسید. او ازکلونی مورچه (ACS) برای ساخت نمودار های ادراکی تصاویر برای استخراج ویژگی های لبه استفاده کرد. متاسفانه، دو روش او تنها قادر به تشخیص لبه های ساده است. پس از آن، نظام آبادی پور و همکاران [11] از کلونی مورچه و اعمال گراف جهت برای تشخیص لبه استفاده کردند. اگرچه آنها رابطه بین تصویر و تعداد مورچه ها پیدا کردند،اما ازاطلاعات دیگر در مورد تصویر برای تنظیمات پارامترهای بیشتر استفاده نکردند. در عمل، هر چه بیشتر پارامترهای تطبیقی ارائه شوند، روش راحت تر ارائه می شود. که دراین کار، ما سه پارامتر تطبیقی کردیم. Tian وهمکاران [12] هم از ACS استفاده کرده و با پیشنهاد روش محاسبات آستانه تطبیقی , با مشکل تشخیص لبه مقابله کردند. به طور مشابه،  Jevtic و همکارانش [13] برای اولین باراز بهره تطبیقی چند مقیاسی برای افزایش کنتراست تصویراستفاده کرده، و سپس از ACS برای تشخیص لبه های تصویر بهره بردند. از آن زمان بسیاری از روش های آستانه تطبیقی [14-18] ارائه شده است. اما در حقیقت، رویکرد فرا ابتکاری ACO به عنوان یک تکنیک هوش ازدحامی ذاتا تطبیقی است، چرا که این تکنیک رفتار جمعی عوامل غیر متمرکز  خود سازمان یافته در یک دسته زیاد(از مورچه ها) است. بنابراین، در این کار، با استفاده از این ویژگی از ACO، یک آستانه تعریف شده توسط کاربردر فرآیند به روز رسانی فرمون به بکار گرفته شده است , وبه طور موثر با تنظیم آستانه تعریف شده توسط کاربر می توان نویز را از بین برد.

علاوه بر این، ماتریس اطلاعات ابتکاری ACO  بر اساس تشخیص لبه را می توان به طور کلی به دو نوع تقسیم کرد: یکی توسط پیشنهاد نظام آبادی پور و همکاران.، که در [11،13،15،16] مورد استفاده قرار گرفت ؛ دیگری در [12،14،17،18]استفاده شد که توسط Tian ابداع شده بود. بر اساس این دو نوع ماتریس اطلاعات ابتکاری، یک ماتریس اطلاعات ابتکاری جدید (رابطه ی(5) در بخش 3) در این کار به منظور بهبود گرادیان پاسخ در لبه پیشنهاد شده است.

بخش های باقی مانده از این مقاله به شرح زیر سازماندهی شده است.

اول، تفاوت اصلی بین AS و ACS و اجرای الگوریتم به طور خلاصه در بخش 2 شرح داده شده است. پس از آن، روش پیشنهادی مبتنی بر تشخیص لبه تصویر در بخش 3. در مرحله بعد، تنظیم پارامتر روش ارائه شده و نتایج تجربی عملکرد و مقایسه در بخش 4 ارائه شده است. در نهایت داده، نتیجه گیری در بخش5  آورده شده است.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.