بهبود عملکرد الگوریتم خوشه‌یابی خودکار تصاویر رنگی به کمک پیش‌پردازش با شبکه عصبی خودسامانده (SOM)

Authors

Abstract:

با توجه به کاربرد فراوان مسئله خوشه‌یابی داده‌ها به‌عنوان یکی از مسائل مهم در مبحث بازشناسی الگو، زمینه‌های تحقیقاتی متنوعی از جمله خوشه‌یابی تصاویر به این موضوع اختصاص یافته است. اکثر روش‌های مطرح‌شده برای حل مسئله خوشه‌یابی تصاویر، مبتنی بر الگوریتم‌های هوش‌جمعی می‌باشد. با توجه به حجم بالای داده ورودی در این الگوریتم‌ها (برابر تعداد پیکسل‌های تصویر)، زمان محاسباتی زیادی صرف حل مسئله می‌شود به‌طوری‌که برای هر عضو جمعیت و به تعداد تکرار الگوریتم، برای تمام داده‌های ورودی باید هزینه خوشه‌یابی پیشنهادشده توسط هر عضو محاسبه شود. نویسنده در سال 1391 یک الگوریتم خوشه‌یابی نظارت‌نشده را به‌منظور خوشه‌یابی تصاویر رنگی، با استفاده از الگوریتم جستجوی گرانشی بهبودیافته معرفی کرده است. در این مقاله با توجه به عملکرد مناسب شبکه عصبی نگاشت‌های خودسامانده (SOM)، سعی شده است ابتدا روی تمام داده‌های ورودی، توسط این شبکه، یک خوشه‌یابی اولیه انجام شود و پس از کاهش حجم داده‌های ورودی، به تعداد نرون‌های خروجی شبکه عصبی SOM، این تعداد داده محدود، به‌عنوان داده‌های ورودی الگوریتم، جهت خوشه‌یابی نهایی و تعیین خودکار تعداد خوشه‌های تصویر، مورد استفاده قرار گیرد. از طرفی با توجه به کاهش فوق‌العاده تعداد داده ورودی، دیگر در الگوریتم هوش‌جمعی، جمعیتی با تعداد اعضای زیاد و همچنین تعداد تکرار بالا مورد نیاز نیست که این خود سرعت مضاعف الگوریتم را به دنبال دارد. نتایج انجام‌شده برای تعدادی تصویر نشان می‌دهد که در روش جدید، ضمن حفظ نسبی نتایج به‌دست‌آمده قبلی، برای بعضی تصاویر، بهبود مقدار برازندگی را نیز شاهد هستیم.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

تولید خودکار دادگان آزمون به کمک شبکه عصبی

چکیده یکی از مراحل مهم آزمون نرم‌افزار شئ‌گرا، آزمون مستقل اشیا است.آزمون مستقل اشیا با دو مشکل روبه‌رو است: اولاً شئ مورد فراخوانی ممکن استروش‌هایی از اشیا دیگر را فراخوانی کندودر نتیجهبررسیمستقلآن ممکن نباشد. ثانیاً روش‌های فراخوانی شده ممکن است زمان‌بر باشند و باعث شوندآزمون شئ مورد نظر طولانی شود. یک راه‌حل برای رفع دو مشکل فوق، استفاده از اشیا جاعل است. اشیا جاعل روش-های مورد فراخوانی را شب...

full text

خوشه بندی و شناسایی کردن سرطان پستان توسط تصاویر حرارتی به کمک ترکیب شبکه عصبی SOM وSVM

مقدمه: تصویربرداری مادون قرمز یک روش تصویربرداری غیرتهاجمی است که به عنوان یک ابزار تشخیصی به کار می رود. این تحقیق تلاشی برای طبقه بندی کردن سرطان پستان به وسیله استخراج اطلاعات کمی و کیفی از تصاویر حرارتی و استخراج بهترین پارامترهای تشخیصی از میان کل پارامترهای موجود به کمک شبکه های عصبی خود سازمانده در جهت شناسایی سرطان پستان است. موارد و روش ها: در روش پیشنهادی ابتدا از طریق شبکه های عصبی ...

full text

خوشه بندی و شناسایی کردن سرطان پستان توسط تصاویر حرارتی به کمک ترکیب شبکه عصبی som وsvm

مقدمه: تصویربرداری مادون قرمز یک روش تصویربرداری غیرتهاجمی است که به عنوان یک ابزار تشخیصی به کار می رود. این تحقیق تلاشی برای طبقه بندی کردن سرطان پستان به وسیله استخراج اطلاعات کمی و کیفی از تصاویر حرارتی و استخراج بهترین پارامترهای تشخیصی از میان کل پارامترهای موجود به کمک شبکه های عصبی خود سازمانده در جهت شناسایی سرطان پستان است. موارد و روش ها: در روش پیشنهادی ابتدا از طریق شبکه های عصبی خ...

full text

تولید خودکار دادگان آزمون به کمک شبکه عصبی

چکیده یکی از مراحل مهم آزمون نرم افزار شئ گرا، آزمون مستقل اشیا است.آزمون مستقل اشیا با دو مشکل روبه رو است: اولاً شئ مورد فراخوانی ممکن استروش هایی از اشیا دیگر را فراخوانی کندودر نتیجهبررسیمستقلآن ممکن نباشد. ثانیاً روش های فراخوانی شده ممکن است زمان بر باشند و باعث شوندآزمون شئ مورد نظر طولانی شود. یک راه حل برای رفع دو مشکل فوق، استفاده از اشیا جاعل است. اشیا جاعل روش-های مورد فراخوانی را شبی...

full text

تحلیل خودکار بازی رایانه‌ای با استفاده از شبکه پتری رنگی

وجود اشکال در طراحی از عوامل ایجاد نقص در سیستم است. تشخیص و رفع ایرادها در مرحله طراحی مانع از افزایش هزینه و زمان تولید سیستم می‌گردد. برای اثبات ویژگی‌های رفتاری سامانه‌ها از روش‌های رسمی استفاده می‌شود. برای اطمینان از عدم وجود بن‌بست، تضمین وجود جواب و تعیین میزان پیچیدگی معما، از روش‌های رسمی در طراحی معمای بازی‌های رایانه‌ای می‌توان استفاده کرد. شبکه پتری رنگی سلسله مراتبی یک روش رسمی مد...

full text

تشخیص خودکار خوشه های میکروکلسیفیکاسیون به کمک تبدیل موجک و شبکه های عصبی

در این مقاله، یک سیستم CAD به منظور شناسایی و تشخیص خوشه های میکروکلسیفیکاسیون در تصاویر ماموگرافی معرفی شده است. الگوریتم معرفی شده مرکب از سه مرحله اساسی است. در مرحله اول، تبدیل موجک روی تصاویر ماموگرافی اعمال شده و دو ضریب موجک به همراه دو ویژگی آماری به عنوان ویژگی های متمایز کننده پیکسل ها از نظر تعلق به یک دانه میکروکلسیفیکاسیون استخراج می گردد. سپس با استفاده از یک شبکه عصبی، دسته بندی ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 47  issue 3

pages  1073- 1082

publication date 2017-11-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023