بخشی از مقاله
چکیده
لبه یکی از ویژگی های اساسی در تصاویر دیجیتال می باشد، که شامل یک مجموعه از ویژگی های مهم تصویر مانند جهت، شکل،تغییرات و ... می باشد. لبه یابی در تصاویر ماهواره ای، تصاویر پزشکی - جهت یافتن محل تومور و محل یک بافت خاص - ، روباتیک، بینایی ماشین و... کاربرد دارد. در این مقاله روشی جدید به منظور تشخیص لبه در تصاویر بر اساس شبکه عصبی سلولی و ترکیب الگوریتم های بهینه سازی اجتماع پرندگان و تکامل تفاضلی ارائه می شود.
در روش پیشنهادی با استفاده از شبکه های عصبی سلولی لبه یابی انجام می شود. به منظور بدست آوردن بهینه پارامترهای شبکه عصبی سلولی و افزایش دقت دسته بندی داده ها از ترکیب الگوریتم های بهینه سازی اجتماع پرندگان و تکامل تفاضلی استفاده می شود. نتایج حاصل از آزمایشات نشان می دهد که کارایی روش پیشنهادی در مقایسه با روش های پایه نظیر سوبل، پریویت و کنی بهتر می باشد.
در این مقاله، آموزش شبکه های عصبی با استفاده از شکل خاصی از ترکیب الگوریتم های تکامل تفاضلی و اجتماع پرندگان به نام DEPSOM برای افزایش دقت دسته بندی داده ها پیشنهاد شده است. الگوریتم های متعددی برای آموزش شبکه های عصبی وجود دارد.
یکی از معروفترین آنها، الگوریتم یادگیری پس انتشار است که این الگوریتم معایبی مانند همگرایی کند و افتادن در کمینه محلی دارد.برای بهبود آموزش شبکه های عصبی، در این مقاله از الگوریتم های بهینه سازی متاهیوریستیک استفاده شده است. نتایج حاصل از پیاده سازی نشان می دهد که الگوریتم ترکیبی DEPSOM ، عملکرد مناسبی در آموزش شبکه های عصبی دارد و در مقایسه با آموزش شبکه با استفاده از الگوریتم PSO نتایج دقیقتری بدست می آورد.
مقدمه
لبه تصویر درنقاطی از تصویر است که در آن شدت روشنایی به طور ناگهانی تغییر کرده است . به عبارت دیگر لبه مرز بین نواحی با خواص نسبتا متفاوت سطح خاکستری است . تغییرات یا ناپیوستگی ها در اندازه مشخصه های تصویر مانند شدت روشنایی اساسا ویژگی های ابتدایی مهمی هستند، چون اغلب نشان دهنده مرز اشیا ی فیزیکی درون تصویر هستند
.ناپیوستگی های محلی در شدت روشنایی از یک سطح به سطح دیگر لبه نامیده می شوند . - PIKS Inside , 1987 - آشکارسازی لبه به منظور استخراج ویژگی های برجسته تصویر انجام می شود . آشکارسازی دقیق لبه یکی از وظایف اصلی پردازش سطح پایین تصویر می باشد که رابطه مستقیمی با قابلیت اجرا، دقت و سرعت اجرای پردازش های سطح بالا برای تحلیل تصویر دارد. بنابر این نیاز به ارائه روش های برای پیدا کردن لبه ها احساس می شود.
همانطور که بیان شد لبه در تصاویر از تغییرات ناگهانی در مقدار پیکسل های دو ناحیه حاصل می شود. از این جهت روشهای معمولی تشخیص لبه مانند Roberts ، Sobleو LOG از مشتق اول و دوم تصویر، که نشان دهنده تغییرات است استفاده می کنند
الگوریتم سوبل دو ماسک یکی عمودی و دیگری افقی با ضریب های مشخص - ضریب پیکسل های قبلی منفی و ضریب پیکسل های بعدی مثبت و همچنین همسایگی های قطری مقدار 1 و همسایگی های عمودی مقدار 6 را روی تصویر اعمال می کند . این الگوریتم برای لبه یابی عمودی مناسب می باشد . این روش لبه ها را با استفاده از تخمین زدن مشتق پیدا می کند، لبه ها را در آن نقاطی بر می گرداند که گرادیان تصویر ، ماکزیمم است.نتایج بدست آمده نشان می دهد که این روش ها دارای معیار کارایی و نرخ تشخیص قابل قبولی نمی باشند
طی سالیان اخیر روش های تشخیص لبه مناسبی از جمله روش های مورفولوژی، تبدیل موجک، الگوریتم تفاضل تکاملی، شبکه عصبی سلولی و ... پیشنهاد شده است .البته روش های تشخیص لبه به همین راحتی قابل اعمال بر روی تصاویر نمی باشند زیرا تصویر دارای نویز می باشند بنابراین برای اینکه نرخ تشخیص روش ها بهتر شود بهتر است ابتدا نویز از تصاویر رفع شود
در سالهای گذشته، دسته بندی الگوها با استفاده از شبکه های عصبی، بسیار مورد توجه قرار گرفته است. شبکه های چند لایه ی پرسپترون - MLP - 1 به خصوص شبکه های عصبی دو لایه، مدلی معروف برای دسته بندی الگوها، تخمین توابع و یادگیری ماشین هستند
آموزش وزن های شبکه ی پرسپترون چند لایه را میتوان به عنوان یکی از مسائل بهینه سازی در نظر گرفت که در آن، وزن ها بهینه می شوند. در حال حاضر چندین الگوریتم برای آموزش شبکه ی عصبی وجود دارد که یکی از معروفترین آنها، الگوریتم یادگیری پس انتشار - BP - است
تحقیقات نشان می دهد که این الگوریتم دارای معایبی از جمله همگرایی کند و تمایل به گیر افتادن در کمینه ی محلی است. همچنین همگرایی الگوریتم یادگیری BP به شدت به مقادیر اولیه ی وزن ها، بایاس ها و پارامترهای آنها وابسته است
تلاش های زیادی برای بهبود عملکرد BP انجام شده که یکی از آنها، استفاده از الگوریتم های متاهیوریستیک در آموزش شبکه های عصبی است - . - AL Kawam, 2012 به عبارت دیگر برای مقابله با مشکل کمینه ی محلی از تکنیک های بهینه سازی سراسری براساس الگوریتم های تکاملی و یا متاهیوریستیک استفاده می شود
روشهایی مانند الگوریتم ژنتیک . - P.J. Angeline et al, 1994 - - X. Yao, 1993 - شبیه سازی تبرید - - Shi and Eberhart , 1998 - - Zhang et al ,2007 PSO - - SA، تکامل تفاضلی - - Kader and - DE Abdul ,2009 - ، - Guiying et al,2009 - و غیره. برای آموزش شبکه های عصبی استفاده شده است.
با وجود اینکه برخی از این الگوریتم ها مثل الگوریتم ژنتیک، احتمال گیر افتادن در کمینه ی محلی را کاهش می دهند، هنوز مشکل کم بودن سرعت همگرایی وجود دارد - . - Zhang et, 2007 الگوریتم PSO یکی از مؤثرترین و کاربردیترین الگوریتم ها برای بهبود ایرادهای گفته شده است.الگوریتم PSO-BP یک الگوریتم بهینه سازی ترکیبی از PSO و BP استکه توانایی خوبی برای پیدا کردن بهینه های سراسری دارد. الگوریتم DE یکی دیگر از الگوریتم های تکاملی است که میتواند به طور موثرتری راه حل های بهینه ی سراسری را جستجو کند. در مقایسه باPSO ، این الگوریتم مزایای زیادی از جمله سرعت همگرایی سریعتر، پایداری بیشتر و سادگی الگوریتم را داراست
هر دو الگوریتم DE و PSO به بهینه ی سراسری همگرا می شوند و عملکرد آموزش شبکه های عصبی را بهبود داده و می توانند از مشکل کمینه ی محلی جلوگیری کنند. اما با این حال نتایج نشان می دهد که الگوریتم تفاضلی سریعتر از PSO به بهینه ی سراسری همگرا می شود و دقت بیشتری نسبت به PSO دارد. در - Kijmangsa and Suriya-amrit,2011 - با آزمایش بر روی چندین محک به این نتیجه رسیده اند که الگوریتم ترکیبی DEPSO می تواند سرعت و عملکرد خیلی بهتری را از خود نشان دهد .
ساختار ادامه ی مقاله به این صورت است که، بخش 2 مفاهیمی از شبکه های عصبی و الگوریتم ها DE و PSO بیان می کند. روش پیشنهادی و الگوریتم ترکیبی DEPSOMبرای دسته بندی دادها از طریق آموزش شبکه های عصبی در بخش 3 شرح داده شده است. در بخش نتایج شبیه سازی به ازای الگوریتم های DEPSOM و 4PSOبرای آموزش شبکه های عصبی آورده شده اند و در نهایت در بخش 5 نتایج مقاله ارایه شده است.
.2تعاریف و مفاهیم
1-2 .شبکه عصبی سلولی
شبکه عصبی سلولی - CNN - 2 به وسیله چووا 3 و همکارانش در سال 1955 که توانایی پردازش همزمان و موازی دارد معرفی شد. این مدل ها از واحد های محاسباتی کوچک به نام سلول تشکیل شده است. هر سلول به همسایه های نزدیک خود وصل است. به عبارت دیگر تنها سلول های مجاور می توانند به طور مستقیم با هم تعامل داشته باشند
