بهینه‌سازی فرایند ترکیب تصاویر با استفاده از الگوریتم جستجوی گرانشی

از آنجا که به دلیل محدودیت های عکس برداری نمی توان با گرفتن تنها یک عکس از یک صحنه به تصویری با کیفیت و وضوح مطلوب دست یافت، ترکیب تصاویر با استفاده از روش های گوناگون روز به روز در حال گسترش و بهبود است. از طرفی امروزه از الگوریتم های جمعیتی مبتنی بر تصادف جهت بهینه یابی استفاده گسترده ای می شود که اغلب با الهام از فرایندهای فیزیکی یا رفتارهای موجودات به وجود آمده اند. الگوریتم بهینه یابی جستجوی گرانشی (gsa) از مجموعه الگوریتم های بهینه یابی است که با الهام از قانون جاذبه و مفهوم جرم شکل یافته است و عامل های جستجوگر مجموعه ای از اجرام می باشند. این پژوهش قصد دارد به ترکیب تصاویر با میزان تمرکز های مختلف با استفاده از الگوریتم بهینه یابی جستجوی گرانشی بپردازد. برای این کار ابتدا ترکیب تصاویر با استفاده از اطلاعات فرکانس مکانی مورد مطالعه قرار گرفته و سپس با بررسی مفهومgsa و تلفیق آن با فرکانس مکانی، روشی جدید برای ترکیب تصاویر ارائه شده است. عملکرد روش پیشنهادی با روش ترکیب مبتنی بر اطلاعات پیکسل ها بر اساس منطق فازی و روش بهینه سازی فرایند ترکیب تصاویر با بکارگیری الگوریتم بهینه یابی اجتماع ذرات (pso) مورد مقایسه قرار گرفته که نتایج تجربی حاکی از میزان خطای کمتر روش پیشنهادی است. درضمن، کارآمدی این روش برای ترکیب تصاویر رنگی نیز بررسی شده است.

Optimization of Image Fusion Using Gravitational Search Algorithm

Because of photography limitations, it is sometimes impossible to achieve an image of high quality and sufficient clarity by taking just one picture from a scene. Therefore, various methods of image fusion have been proposed. On the other hand, random populationbased algorithms have been used extensively for optimization. These algorithms are often inspired by the physical processes or the behavior of the living beings. Gravitation search algorithm (GSA) is an optimization algorithm that is based on the gravitation and mass concept and the search agents in this algorithm are masses. In this study, GSA is used to optimize the image fusion process when using images with different focuses. In this way, spatial frequency measure is used. The performance of proposed method is compared with two other methods: a peer approach when the particle swarm optimization (PSO) algorithm is used instead of GSA, and a pixelbased fuzzy approach. Experimental results show that the proposed method has a superior performance and this method can be applied to colored images, as well.