تشخیص لبه های تصاویر دیجیتال با استفاده از الگوریتم بهینه سازی اجتماع مورچه ها

در این پایان نامه لبه یابی تصاویر دیجیتال با استفاده از الگوریتم بهینه سازی اجتماع مورچه ها مورد بررسی قرار گرفته است. برای لبه یابی تصاویر دیجیتال روش ها و الگوریتم های مختلفی وجود دارد. یکی از این روش ها که در سالیان اخیر توجه زیادی را به خودش جلب کرده است، استفاده از الگوریتم مورچه می باشد. بهینه سازی اجتماع مورچه ها(aco)، الگوریتمی است که از رفتار طبیعی زندگی مورچه ها الهام گرفته شده، که مورچه ها فرمون را برای جستجو کردن غذا روی زمین به جا می گذارند. در این پایان نامه acoبرای حل مسئله لبه یابی تصویر معرفی شده است. روش لبه یابی بر اساس aco، قادر به ایجاد یک ماتریس فرمون است که اطلاعات لبه ی موجود در هر موقعیت پیکسل لبه را براساس حرکات تعدادی از مورچه ها که برای حرکت روی تصویر ایجاد می شوند، نشان می دهد. علاوه بر این، حرکات این مورچه ها به وسیله ی نوسانات محلی مقدارهای شدت تصویر ایجاد می شود. تصاویر لبه یابی شده نسبت به تصاویر لبه یابی حاصل از ماسک های کلاسیک از کیفیت پایینی برخوردار است و اعمال این ماسک ها به تصاویر لبه یابی حاصل از aco نتیجه ای در بر ندارد. در این پایان نامه برای بهبود تصویر لبه یابی حاصل از aco از دو روش هوشمند که آنها نیز از طبیعت الهام گرفته شده اند استفاده کرده ایم. در روش اول از شبکه های عصبی مصنوعی با روش یادگیری نظارت شده با ممنتم استفاده شده است. در اینجا از تصویر لبه یابی حاصل از aco به عنوان معلم برای شبکه عصبی مصنوعی استفاده شده است. نتایج آزمایشات نشان می دهند که استفاده از شبکه های عصبی بهبود قابل ملاحظه ای در لبه یابی تصویر حاصل از aco دارند. در روش دوم از روش های ترکیبی بهینه سازی، که نقش مطلوبی در افزایش سرعت و جواب مسائل بهینه سازی داشته است، استفاده کرده ایم. در این روش ابتدا یک سری جواب ها توسط مورچگان مصنوعی تشکیل شده و سپس اطلاعات این جواب ها به صورتی در می آید که برای الگوریتم ژنتیک مفید باشد، سپس این جواب ها به عنوان جمعیت اولیه برای الگوریتم ژنتیک نقش ایفا کرده و از روی این جواب ها، جمعیت بعدی به کمک الگوریتم ژنتیک ساخته می شود. در روش پیشنهادی که بطور موفقیت آمیزی توسعه یافته است، اجرای بهتر برای الگوریتم لبه یابی موجود همان گونه که در نتایج شبیه سازی ثابت شده است، بدست می آورد. علاوه بر این، الگوریتم ترکیبی پیشنهادی ما می تواند برای کاهش بیشتر ظرفیت محاسباتی در کارهای تحقیقاتی، استفاده شود.