ترجمه فارسی عنوان مقاله

پژوهشی پیرامون توسعه الگوریتم شناسایی لبه تصویر بر اساس شبکه عصبی مصنوعی

عنوان انگلیسی

Research on the improvement of image edge detection algorithm based on artificial neural network

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
52564	2015	5 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Optik - International Journal for Light and Electron Optics, Volume 126, Issue 21, November 2015, Pages 2974–2978

فهرست مطالب ترجمه فارسی

چکیده

کلیدواژه‌ها

1. مقدمه

2.برخی از الگوریتم‌های تشخیص لبه

2.1. الگوریتم‌های مبتنی بر گرادیان

2.2 الگوریتم کانی

2.3 الگوریتم‌های مبتنی بر نظریه فازی

2.4. الگوریتم‌های طراحی شده مبتنی بر چند مقیاس

3. شبکه عصبی مصنوعی

3.1 مدل عصبی

شکل 1. ساختار نرون کلاسیک

3.2. ساختار شبکه عصبی

3.3 یادگیری و آموزش شبکه‌های عصبی

شکل 2. ساختار یک شبکه عصبی

4. الگوریتم قدیمی تشخیص لبه بر اساس شبکه عصبی مصنوعی و توسعه آن

4.1روش قدیمی

4.1.1. انتخاب ساختار

4.1.2. تعداد نرون های ورودی، نرون های مخفی و نرون های خروجی

4.1.3 نمونه یادگیری

4.1.4. روش یادگیری

شکل3. فرآیند موازی شبکه‌های عصبی

4.2. کاستی‌های روش قدیمی

4.3. توسعه

4.3.1. پنجره دینامیک

4.3.2. رایانش موازی

شکل 4. (a) تصویری که باید شناسایی شود، (b) نمونه یادگیری

شکل 5. (a) تصویر به دست آمده توسط روش قدیمی ANN، (b) تصویر به دست آمده توسط روش توسعه یافته

5. آزمایش‌ها

6. تجزیه تحلیل و نتیجه گیری

ترجمه کلمات کلیدی

تشخیص لبه تصویر - شبکه عصبی مصنوعی - محاسبات موازی - پنجره پویا

کلمات کلیدی انگلیسی

Image edge detection; Artificial neural network; Parallel computing; Dynamic window

ترجمه چکیده

شناسایی لبه تصویر اساس بینایی رایانه‌ای است که در سال‌های اخیر به سرعت پیشرفت کرده است. با در نظر گرفتن اهمیت شناسایی لبه و تکامل ANN (شبکه عصبی مصنوعی) یک مقاله پژوهشی پیرامون الگوریتم‌های شناسایی لبه تصویر بر اساس ANN ارائه داده‌ایم. در ابتدا، روش‌های کلاسیک شناسایی لبه را بررسی کرده و برخی از روش‌های جدید ارائه شده در این سال‌ها را مطرح می‌کنیم. دوم این که، اصولANN را به طور مختصر بیان کرده‌ایم. بنابراین یک روش شناسایی لبه قدیمی بر اساس ANN ارائه داده و برخی از معایب این روش را به طور خلاصه بیان کرده‌ایم. در انتها، یک روش شناسایی لبه جدید بر اساس ANN و رایانش موازی مطرح کرده‌ایم. روش جدید نسبت به روش قدیمی از لحاظ کارایی و دقت در تشخیص برتری دارد.

ترجمه مقدمه

تشخیص لبه تصویر در حوزه‌های مختلف مانند الگوشناسی و بینایی رایانه‌ای نقش مهمی دارد. علاوه بر این مسأله ای است که دارای راه حل مطلوب نیست. راه حل این مسأله در توسعه استخراج خصیصه، درک تصویر و تشخیص هدف نقش مثبتی دارد. اپراتورهای قدیمی تشخیص لبه تصویر اصولاً مبتنی بر گرادیان هستند، مانند اپراتور رابرتز، اپراتور Prewitt، اپراتور Sobel و اپراتور LOG (Laplass of Gauss). این اپراتورها می‌توانند لبه را به طور تقریبی شناسایی کنند، با این حال توانایی‌شان در شناسایی قوی نیست. کانی در سال 1986 سه معیار برای تشخیص لبه تصویر پیشنهاد داد: (i) نسبت زیاد سیگنال به نویز؛ (ii) عملکرد موقعیت یابی بهتر؛ (iii) منحصر به فرد بودن واکنش. با توجه به این معیارها، اپراتور معروفی به نام اپراتور کانی به دست آمد. نتایج شناسایی اپراتور کانی تاحدودی بهتر از اپراتور قدیمی است. اپراتورهای ذکر شده در بالا را اپراتورهای کلاسیک می‌نامیم. این اپراتورها ساده و راحت هستند، با این حال فقط در لبه‌های محدود اعمال می‌شوند. مشکل این اپراتورها خود تطبیق پذیری ضعیف و حساسیت به نویز است. اپراتورهای کلاسیک یکسان در تصاویر مختلف همیشه نتایج متفاوتی ارائه می‌دهند. مدل بهینه برای وضعیت‌های مختلف متفاوت است. با افزایش شرایط دقت الگوریتم‌ها در حوزه‌های پردازش تصویر، از برخی الگوریتم‌های هوشمند مانند شبکه عصبی مصنوعی، الگوریتم ژنتیک، بهینه سازی کلونی و بهینه سازی ازدحام ذرات استفاده شده است. به خصوص در دهه 1990، موفقیت بزرگی در کاربرد شبکه عصبی مصنوعی در حوزه‌های تشخیص لبه به دست آمده است. شبکه عصبی برای زمینه‌هایی مناسب است که نمی‌توان با اپراتورهای کلاسیک مدل سازی کرد. با توجه به نمونه‌ها طریقه ساخت مدل را به تنهایی یاد گرفته‌ایم. به عبارت دیگر، رابطه متناظر بین تغییر فیزیکی لبه تصویر و روشنایی فضایی محلی در تصویر را می‌توان توسط مجموعه نمونه آموزش شبکه حل کرد. شبکه عصبی در تشخیص لبه تصویر از مزیت‌های های ذکر شده در بالا برخوردار است، با این حال دشواری در انتخاب اندازه پنجره تصویر، تعداد نرون ها و تعداد لایه‌های شبکه باعث محدود شدن روند توسعه شبکه در شناسایی لبه می‌شود. هرگاه تصویر یا تعداد نرون ها بزرگ باشند، آن گاه تعداد محاسبات نیز بیشترمی‌شود. در این جا الگوریتم شناسایی لبه را به منظور افزایش دقت و کارایی بر اساس شبکه عصبی توسعه داده‌ایم. الگوریتم جدید از مزیت محاسبه موازی و پنجره دینامیک بهره مند شده است. ساختار مقاله به شکل روبرو است. در بخش 2 برخی از اپراتورهای کلاسیک تشخیص لبه و جنبه‌های اصلی مقالات اخیر به طور خلاصه مطرح شده‌اند. اطلاعات اولیه پیرامون شبکه عصبی مصنوعی در بخش 3 توضیح داده شده است. در بخش 4 الگوریتم قدیمی تشخیص لبه بر اساس شبکه عصبی مصنوعی و پیشرفت آن بیان شده است. در بخش 5 آزمایش‌های مقایسه‌ای بین الگوریتم قدیمی و روش پیشرفته ارائه شده است. در بخش 6 تحلیل و نتیجه گیری آورده شده است.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

Image edge detection is an essential basis of computer vision that has made rapid progress these years. Given the importance of the edge detection and the maturity of ANN (artificial neural network), we provide a research paper on the algorithms of image edge detection based on ANN. Firstly, we review the classic methods of edge detection and introduce some new methods proposed these years. Secondly, the foundations of ANN are briefly introduced. Subsequently, we present a traditional edge detection method based on ANN and summarize some disadvantages of this method. Finally, a new edge detection method based on ANN and parallel computing is put forward. The new method is superior to the old one in the efficiency and accuracy of detection.