>
Fa   |   Ar   |   En
   آستانه گذاری بهینه چند سطحی تصویر با استفاده از الگوریتم بهینه سازی مبتنی بر یادگیری و تدریس  
   
نویسنده موسوی راد جلال الدین ,ابراهیم پور کومله حسین
منبع ماشين بينايي و پردازش تصوير - 1394 - دوره : 2 - شماره : 2 - صفحه:51 -62
چکیده    آستانه­ گذاری تصاویر یک از محبوب ترین روش های قطعه بندی تصاویر است. در این روش، برای مشخص کردن مقادیر آستانه از هیستوگرام استفاده می شود. در این مقاله، یک روش آستانه گذاری چند سطحی برای قطعه بندی تصاویر مبتنی بر هیستوگرام با استفاده از الگوریتم بهینه سازی مبتنی بر یادگیری و تدریس ارائه شده است. این الگوریتم یک الگوریتم جمعیت گرای جدید است که از تاثیری که یک استاد بر دانش آموزان خود دارد الهام گرفته است. تابع هزینه مورد استفاده در این پژوهش، معیار بیشینه سازی آنتروپی کاپور بوده است. کارایی روش پیشنهادی بر روی 5 تصویر استاندارد مورد بررسی قرار گرفته است. همچنین کارایی آن با سه الگوریتم ژنتیک (ga)، بهینه سازی ذرات (pso) و تکامل تفاضلی (de) مقایسه شده است. نتایج نشان می دهد که الگوریتم بهینه سازی مبتنی بر یادگیری و تدریس نتایج بهتری در توابع برازندگی، مقدار psnr، ssim و پایداری فراهم آورده است. زمان یافتن مقادیر آستانه برای این الگوریتم نیز نسبت به الگوریتم pso بیشتر اما نسبت به ga و de کمتر است.
کلیدواژه قطعه بندی تصاویر، آستانه گذاری چند سطحی تصاویر، الگوریتم بهینه سازی مبتنی بر یادگیری و تدریس، هیستوگرام، آنتروپی کاپور
آدرس دانشگاه کاشان, دانشکده مهندسی برق و کامپیوتر, ایران, دانشگاه کاشان, دانشکده مهندسی برق و کامپیوتر, ایران
پست الکترونیکی ebrahimpour@kashanu.ac.ir
 
   Optimal Multilevel image thresholding using the teaching-learning-based optimization  
   
Authors Mousavirad Jalaleddin ,Ebrahimpour-Komleh Hossein
Abstract    Image thresholding is a popular method for image segmentation. Histogram is used for image segmentation in image thresholding. In this paper, a multilevel image thresholding is proposed based on teachinglearningbased optimization (TLBO). TLBO is a new populationbased metaheuristic inspired by learners and teacher in a classroom. The optimal thresholds are found by maximizing Kapur’s (entropy criterion) thresholding function. The performance of TLBO is explained by considering five images. In addition, the performance is compared with three well known populationbased metaheuristics: particle swarm optimization(PSO), genetic algorithm (GA), and differential evolution (DE). Results show that TLBO presents the better performance in terms of fitness value, peak signal to noise ratio (PSNR), StructuralSimilarity index (SSIM), and stability.
Keywords
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved