دانلود پروپوزال آماده: : استفاده از الگوریتم رقابت استعماری بهبود یافته برای بخش­بندی تصویر

 فرم پروپوزال پر شده و تکمیل شده نیمه رایگان کارشناسی ارشد و دکتری آماده برای انجام پایان نامه و درس روش تحقیق برای رشته های مختلف

مهندسی کامپیوتر – هوش مصنوعی

قسمت هایی از پروپوزال:

۱- بیان مسأله:

پردازش تصاویر[۱] امروزه بیشتر به موضوع پردازش تصویر دیجیتال گفته می‌شود که شاخه‌ای از دانش رایانه است که با پردازش سیگنال دیجیتال که نماینده تصاویر برداشته شده با دوربین دیجیتال یا پویش شده توسط پویشگر هستند، سر و کار دارد. پردازش تصاویر دارای دو شاخه بهبود تصاویر[۲] و بینایی ماشین[۳] است. بهبود تصاویر روش­هایی چون استفاده از صافی محوکننده و افزایش تضاد برای بهتر کردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آنها در محیط مقصد (مانند چاپگر یا نمایشگر رایانه) است، در حالی که بینایی ماشین به روش­هایی می‌پردازد که به کمک آنها می‌توان معنی و محتوای تصاویر را درک کرد تا از آنها در کارهایی چون رباتیک استفاده شود. بخش­بندی تصویر یکی از مهمترین مراحل اساسی در پردازش تصاویر دیجیتالی است. ناحیه­بندی تصویر عبارت است از تفکیک پیکسل­های تصویر به نواحی مجزایی که بر حسب ویژگی­هایی مانند شدت روشنایی، بافت و یا رنگ، یکسان هستند و یا تا حد ممکن همبستگی دارند. ناحیه­بندی تصاویر در بسیاری از کارهای پردازشی بر روی تصاویر، چون تصاویر درمانی، بینایی ماشین، فشرده­سازی تصویر، شیء­شناسی، نیازی ضروری و مهم برای شروع پردازش بر روی شیء یا بافت موردنظر می­باشد.

بخش­بندی تصویر به روش­های مختلفی انجام می­پذیرد که به طور کلی می­توان آن را به دو دسته کلاسیک و شکل­شناسی، تقسیم کرد. در روش‌های کلاسیک و سنتی از تغییرات شدت روشنایی به منظور استخراج لبه­ها و ویژگی‌های محلی اشیاء مورد نظر، استفاده می­گردد. نوع دیگری از الگوریتم­های کلاسیک، روش­های مبتنی بر الگوریتم­های آماری می‌­باشد که در آنها تقسیم­بندی بر اساس توزیع پیکسل­ها و یافتن آستانه­ی مناسب صورت می‌پذیرد. از آنجا که تصاویر اغلب دارای نویز، درهم­ریختگی[۴]، انسداد، تأثیر­پذیری از نور­تابانی و موارد این­چنین می­باشند، این روش­ها برای بسیاری از کاربردها غیرقابل­ استفاده می­باشند.
روش­های جدیدتری که امروزه مورد استفاده قرار می­گیرند، با استفاده از کلاس­بندی (خوشه­بندی)، به ناحیه­بندی و تقسیم­بندی تصویر می­پردازند. این الگوریتم­ها مانند الگوریتم­های خوشه­بندی
Fuzzy C-means و K-means، الگوریتم­های شبکه عصبی چون آموزش رقابتی ساده[۵]، درخت آموزشی ساده بیز و غیره می­باشند. این روش­ها هرچند از دقت تشخیص خوبی برخوردار هستند، اما بسیار به مقداردهی اولیه (در K-means مقداردهی اولیه مراکز خوشه­ها و در شبکه­های عصبی نرخ آموزشی) وابسته می­باشند و
می­بایست بارها و بارها الگوریتم بر روی تصویر اعمال گردد تا جواب بهینه به دست آید. با این حال همگرایی در این روش­ها همواره تضمین شده نبوده و در بعضی موارد در بهینه محلی به دام می­افتند. یافتن مراکز بهینه خوشه­های تصویر جزء مسائل غیرچندجمله­ای سخت محسوب می­گردد. از طرفی دیگر در اکثر روش­ها، خوشه­بندی پیکسل­ها بر اساس ویژگی­هایی مانند رنگ یا شدت روشنایی انجام می­گیرد و از هیچ­گونه اطلاعات مکانی یا همسایگی پیکسل­ها استفاده نمی­شود که این خود باعث می­گردد این روش­ها در
بخش­بندی تصاویر نویزدار از کارایی لازم برخوردار نباشد.

بخش­بندی تصویر با استفاده از خوشه­بندی  و بهره­گیری از اطلاعات همسایگی پیکسل­ها در سال­های اخیر مورد توجه پژوهشگران قرار گرفته است. احمد و همکارانش اطلاعات شدت روشنایی محلی را به وسیله اصلاح تابع هدف الگوریتم [۶]FCM برای بخش­بندی تصویر معرفی نمودند به طوری که برچسب­گذاری
پیکسل­ها تحت تأثیر همسایگی محلی آنها انجام گرفت [۱]. چن و ژانگ دو نسخه جدید از الگوریتم FCM را معرفی کردند که جمله همسایگی پیش از اعمال خوشه­بندی فازی، محاسبه می­شد [۲]. زیلاگی و همکارانش FCM بهبود یافته را به منظور تسریع بخش­بندی تصویر معرفی کردند که یک تصویر مجموع وزن­دار خطی با استفاده از تصویر اصلی محاسبه شده و سپس الگوریتم خوشه­بندی FCM بر روی هیستوگرام[۷] تصویر ایجاد شده جدید اعمال گردید[۳]. الگوریتم FGFCM[8] به وسیله کای و همکارانش پیشنهاد شد [۴]. عملکرد این روش بر اساس ایجاد تصویر جدید با استفاده از معیار شباهتی که اطلاعات مکانی و اطلاعات محلی شدت روشنایی را ترکیب می­کرد، استوار بود. هالدر و همکارانش رویکردی تکاملی برای بخش­بندی بدون­مربی تصویر ارائه دادند که هدف آن خوشه­بندی پیکسل­ها بر اساس اطلاعات شدت روشنایی و روابط همسایگی پیکسل­ها، با استفاده از الگوریتم ژنتیک بود [۵]. ایده استفاده از اطلاعات غیرمحلی پیکسل­ها که مبتنی بر فیلتر میانگین غیرمحلی بود، جهت خوشه­بندی پیکسل­های تصویر نویزدار توسط ژائو و همکارانش مطرح گردید

……………………………

۲- اهمیت و ضرورت تحقیق:

……………………………

۳- پیشینه تحقیق:

……………………………

۴- اهداف تحقیق:

…………………………………….

…………………………………..

۵- فرضيه ‏هاي تحقیق:

…………………………………….

…………………………………..

۶- مدل تحقیق

…………………………

……………………………..

۷- سوالات تحقیق:

…………………………………….

…………………………………..

۸- تعريف واژه‏ها و اصطلاحات فني و تخصصی (به صورت مفهومی و عملیاتی):

…………………………………….

…………………………………..

۹- بیان جنبه نوآوری تحقیق:

………………………….

…………………………….

۱۰- روش شناسی تحقیق:

الف: شرح كامل روش تحقیق بر حسب هدف، نوع داده ها و نحوه اجراء (شامل مواد، تجهيزات و استانداردهاي مورد استفاده در قالب مراحل اجرايي تحقيق به تفكيك):

………………………….

…………………………….

ب- متغيرهاي مورد بررسي در قالب یک مدل مفهومی و شرح چگونگی بررسی و اندازه گیری متغیرها:

…………………………………….

…………………………………..

ج – شرح کامل روش (ميداني، كتابخانه‏اي) و ابزار (مشاهده و آزمون، پرسشنامه، مصاحبه، فيش‏برداري و غيره) گردآوري داده‏ها :

…………………………………….

…………………………………..

د – جامعه آماري، روش نمونه‏گيري و حجم نمونه (در صورت وجود و امکان):

…………………………………….

…………………………………..

ر- روش نمونه گیری و حجم نمونه:

…………………………………….

…………………………………..

ز- ابزار تحقیق:

…………………………………….

…………………………………..

هـ – روش‌ها و ابزار تجزيه و تحليل داده‏ها:

…………………………………….

…………………………………..

منابع :

…………………………………….

…………………………………..

آسان داک: www.Asandoc.com

دانلود نمونه پروپوزال تکمیل شده، پروژه پر شده، طرح پیشنهادیه آماده

[۱] image processing

[۲] image enhancement

[۳] machine vision

[۴] clutter

[۵] SCL

[۶] Fuzzy C-Means

[۷] histogram

[۸] Fast Generalized Fuzzy C-means