بکارگیری روش های انتخاب ویژگی در پردازش تصاویر دیجیتال

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 904

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ELECTRICA02_082

تاریخ نمایه سازی: 12 تیر 1395

چکیده مقاله:

انتخاب ویژگی یکی از فرایندهای مؤثر در افزایش کارایی و سرعت پردازش تصاویر دیجیتال است. در این مقاله دو روش کلی برای انتخاب ویژگی در فرایند پیش پردازش تصاویر مورد بررسی قرار گرفته است؛ روش های انتخاب ویزگی با روش ارزیابی زیرمجموعه مبتنی بر الگوریتم یادگیری، و روش های مستقل از الگوریتم یادگیری برای ارزیابی زیرمجموعه های ویزگی، که روش های دوم عموماً ساده تر و سریعتر هستند، ولی روی های اول از حیث کیفیت پاسخ (صحت طبقه بندی توسط زیرمجموعه نهایی تولید شده) روش های مناسب تری هستند. یکی از روش های ساده برای انتخاب ویزگی، که در ابتدا به ذهن هر محققی می رسد، جستجوی کامل است که کلیه زیرمجموعه های ممکن ((N)2 زیرمجموعه) را جداگانه بررسی کرده، و در نهایت بهترین زیرمجموعه را انتخاب می کند. این روش با اینکه روش دقیقی است و همیشه به بهینه کل می رسد، ولی در عمل غیر ممکن است. چون آنالیز (N)2 حالت مختلف حتی برای ابعاد ویژگی متوسط غیرممکن است. و فقط زمانی قابل پیاده سازی است که ابعاد فضای ویژگی بسیار کوچک باشد. برای انجام انتخاب ویژگی با استفاده از الگوریتم های تکاملی اساسی ترین مشکلی که وجود دارد، انتخاب یک تابع هدف مناسب است. در ساده ترین حالت می توان از آموزش و تست یک شبکه عصبی برای تابع هدف استفاده کرد. ولی مشکل جدی در این حالت زمان بسیار طولانی مورد نیاز برای اجرای برنامه است. بنابراین انتخاب تابع هدف مناسب برای انتخاب ویزگی با استفاده از الگوریتم های تکاملی مسئله بسیار مهمی است.

نویسندگان

محسن سیدمحمودی

گروه کارشناسی ارشد مهندسی برق، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران

مهدی مزینانی

گروه مهندسی برق- الکترونیک، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران- ارائه دهنده

راحیل حسینی

گروه مهندسی کامپیوتر، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Rezaee, M. R., Goedhart, B., Lelieveldt, B.P.F., Reiber, J.H.C., "Fuzzy ...
  • Kittler, J., Chen, C. H., "Feature set search algorithms, pattern ...
  • _ _ » _ Perceptron _ _ international _ machine ...
  • _ _ _ _ _ _ _ _ _ _ ...
  • Kanan, H.R., Faez, K., Aghdam, M.H., "Face recognition system using ...
  • Zhao, J., Wang, G., Wu, Z., Tang, H., Li, H., ...
  • Pudil, P., Novovicova, J., Kittler, J., "Floating search methods in ...
  • Wang, X., Yang, J., Teng, _ Xia, W., Jensen, R., ...
  • Chen, Y., Miao, D., Wang, R., _ rough set approach ...
  • Bezdek, J.C., "Patter Recognition with Fuzzy Object Fuzzy Object Function ...
  • S ivagaminathan, R.K., Ramakrishnan, S., "A hybrid approach for feature ...
  • Deriche, M., :Feature Selection using Ant Colony Optimization", 6th International ...
  • نمایش کامل مراجع