
تعداد نشریات | 45 |
تعداد شمارهها | 1,383 |
تعداد مقالات | 16,920 |
تعداد مشاهده مقاله | 54,532,376 |
تعداد دریافت فایل اصل مقاله | 17,181,295 |
بررسی تشخیص لبههای تصویر نویزدار بر اساس الگوریتم بهینهسازی گرگ خاکستری | ||
مجله مهندسی برق دانشگاه تبریز | ||
دوره 55، شماره 1 - شماره پیاپی 111، خرداد 1404، صفحه 35-42 اصل مقاله (788.99 K) | ||
شناسه دیجیتال (DOI): 10.22034/tjee.2024.59623.4778 | ||
نویسندگان | ||
Aref Eslami Mehdi Abadi1؛ Farahnaz Mohanna* 2 | ||
1گروه مهندسی مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان | ||
2گروه مهندسی مخابرات، دانشکده برق و کامپیوتر، دانشگاه سیستان و بلوچستان | ||
چکیده | ||
تشخیص لبه یکی از پایههای فرآیندهای تقسیمبندی تصویر، استخراج ویژگی و تشخیص اشیا است. تاکنون آشکارسازهای لبه بسیاری معرفی شدهاند. با این حال، حتی بهترین آشکارسازهای لبه در حضور نویز کارایی خود را از دست میدهند. بنابراین، تشخیص صحیح لبهها در تصویر نویزدار همچنان یکی از مسائل چالش برانگیز در پردازش تصویر است. الگوریتمهای مختلفی برای حل این چالش ارائه شدهاند که الگوریتمهای بهینهسازی فراابتکاری نمونههایی هستند که میتوانند به طور موثر فضای راه حلهای ممکن را جستجو کنند و به راحتی در مسائل پیچیده و بدون قید و شرط کار کنند. در این تحقیق، روشی برای تشخیص لبه تصاویر نویزدار بر اساس بهینهسازی گرگ خاکستری پیشنهاد شده است که تابع هدف جدید آن بر اساس ماسکهای همگن، یکنواخت و آشکارساز لبه کیرش طراحی شده است. روش پیشنهادی در پایگاه داده BSDS500 شامل 500 تصویر به همراه تصاویر Ground Truth آنها، شبیه سازی شده است. در شبیهسازی، نویزهای گاوسی، و نمک و فلفل اعمال شدهاند. ارزیابی با توجه به معیارهای میانگین مربعات خطا، نسبت سیگنال به نویز ماکزیمم، صحت، امتیاز F و دقت انجام شده است. نتایج شبیهسازی نشان میدهد که میانگین دقت روش پیشنهادی در تصاویر پایگاه داده BSDS500 به ترتیب 915/0 و 898/0 با نویز نمک و فلفل با چگالی 01/0 و نویز گاوسی با میانگین صفر و واریانس 01/0 به دست آمده است. میانگین زمان اجرای روش پیشنهادی با 80 اجرا برای هر تصویر پایگاه داده BSDS500 نیز در حضور نویزهای مذکور به ترتیب 01/50 و 02/50 ثانیه به دست آمده است. | ||
کلیدواژهها | ||
تشخیص لبه؛ نویز؛ الگوریتم بهینهسازی فراابتکاری؛ الگوریتم بهینهسازی گرگ خاکستری؛ تشخیص اشیا | ||
مراجع | ||
[1] R. Muthukrishnan, M. Radha, “Edge detection techniques for image segmentation”, International Journal of Computer Science & Information Technology, vol.3, no. 6, pp. 256-267, 2011.
[2] N. A. Golilarz, H. Gao, H. Demirel, “Satellite image de-noising with harris hawks meta heuristic optimization algorithm and improved adaptive generalized Gaussian distribution threshold function”, IEEE Access, vol. 7, pp. 57459-57468, 2019.
[3] S. Mirjalili, A. Lewis, “The whale optimization algorithm”, Advances in Engineering Software, vol. 95, pp. 51-67, 2016.
[4] N. S. Dagar, P. K. Dahiya, “Edge detection technique using binary particle swarm optimization”, Procedia Computer Science, vol. 167, pp.1421-143, 2020.
[5] D. Dumitru, A, Andreica, L. Diosan, Z. Baliot, “Particle swarm optimization of cellular automata rules for edge detection”, In 21st International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC), September 2019, Timisoara, Romania. DOI: 10.1109/SYNASC49474.2019.00052
[6] A. Eleyan, M. Anwar, “Multiresolution edge detection using particle swarm optimization”, IEEE International Journal of Engineering Science and Application, vol. 1, no. 1, pp. 11-17, 2017.
[7] Q. Shi, J. An, K. K. Gagnon, R. Cao, H. Xie, “Image edge detection based on the canny edge and the ant colony optimization algorithm”, In 12th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), October 2019. DOI: 10.1109/CISP-BMEI48845.2019.8965950
[8] S. Kheirinejad, S. M. H. Hasheminejad, N. Riahi, “Max-min ant colony optimization method for edge detection exploiting a new heuristic information function”, In 8th International Conference on Computer and Knowledge Engineering (ICCKE), October 2018. DOI: 10.1109/ICCKE.2018.8566516
[9] S. Wang, “A Novel Image Edge Detection Method Based on Multi-Population Ant Colony Optimization”, In 6th International Conference on Information Science and Control Engineering (ICISCE), June 2019, Shanghai, China. DOI: 10.1109/ICISCE48695.2019.00028
[10] M. Rafsanjani, Z. Varzaneh, “Edge detection in digital images using Ant Colony Optimization”, Computer Science Journal of Moldova, vol. 69, no. 3, pp. 343-359, 2015.
[11] A. Srivastava, R. Singh, S. Juneja, G. Verma, “Ant colony optimization based edge detection in digital images”, In 5th International Conference on Computational Intelligence and Communication Technologies (CCICT), July 2022, pp.107-113, Sonepat, India. DOI: 10.1109/CCiCT56684.2022.00031
[12] A. Gautam, M. Biswas, “Whale optimization algorithm based edge detection for noisy image”, In Second International Conference on Intelligent Computing and Control Systems (ICICCS), June 2018, Madurai, India. DOI: 10.1109/ICCONS.2018.8663022
[13] D. Liu, S. Zhou, R. Shen, X. Lu, “Color image edge detection method based on the improved whale optimization algorithm”, IEEE Access, vol. 11, pp. 5981-5989, 2023.
[14] M. S. N. Devi, S. Santhi, “Improved edge detection methods in OCT images using a hybrid framework based on CGWO algorithm”, In International Conference on Communication and Signal Processing (ICCSP), April 2019, Chennai, India.
[15] S. Mirjalili, S. M. Mirjalili, A. Lewis, “Grey wolf optimizer”, Advances in Engineeing Software, vol. 69, pp. 46-6, 2014.
[16] Kaggle.com/datasets/balraj98/berkeley-segmentation-dataset-500-bsds500/
[17] M. Hossin, M. N. Sulaiman, “A review on evaluation metrics for data classification evaluations”, International journal of data mining & knowledge management process, vol. 5, no. 2, pp. 1-11, 2015. | ||
آمار تعداد مشاهده مقاله: 173 تعداد دریافت فایل اصل مقاله: 51 |