مقاله قطعه بندی تصاویر رنگی با استفاده از اتوماتای یادگیر سلولی

word قابل ویرایش
16 صفحه
دسته : اطلاعیه ها
10700 تومان
107,000 ریال – خرید و دانلود

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

قطعه بندی تصاویر رنگی با استفاده از اتوماتای یادگیر سلولی
چکیده : قطعه بندی به عنوان یک فاز مهم در پردازش تصویر مطرح میباشد و تاکنون پیشرفت های زیادی در زمینه قطعه بندی تصاویر خاکستری حاصل شده است اما برای تصاویر رنگی این پیشرفت به اندازه تصاویر خاکستری نمی باشد. در این مقاله یک الگوریتم قطعه بندی برای تصاویر رنگی با استفاده از اتوماتای یادگیر سلولی پیشنهاد می شود. اتوماتای یادگیر سلولی دارای کاربردهای زیادی در پردازش تصویر است زیرا به راحتی می توان یک تصویر را به اتوماتای یادگیر سلولی نگاشت داد و از قابلیت های آن استفاده نمود. الگوریتم پیشنهادی سعی می کند تا در یک روند تکراری فاصله موجود بین پیکسل های واقع در یک قطعه در فضای رنگی را کاهش دهد. برای نیل به این هدف ، علاوه بر طراحی مولفه های اتوماتای یادگیر سلولی نیاز است تا از تکنیک های پردازش تصویر در حین اجرای الگوریتم استفاده شود. نتایج حاصل شده بیانگر کارایی الگوریتم پیشنهادی در قطعه بندی تصاویر رنگی هستند.
کلمات کلیدی : اتوماتای سلولی ، اتوماتای یادگیر، اتوماتای یادگیر سلولی ، قطعه بندی ، فضای رنگی RGB، فیلتر گوسی .

١- مقدمه
قطعه بندی ١ تصویر و ویدئو به عنوان یک پیش پردازش برای اعمالی نظیر پیداکردن ناحیه دلخواه ٢ در یک صحنه ، تفسیر داده ها و بازیابی تصاویر٣ محسوب می شود. همچنین استاندارد ۴-MPEG، از قطعه بندی برای کدکردن ویدئو استفاده می کند. در این فرآیند، ت ویر به تعدادی ناحیه جدا از هم تقسیم و در هر ناحیه مجموعه ای از پیکسل ها که از لحاظ چند معیار به یکدیگر شبیه هستند، قرار می گیرند. تاکنون روش ه ی زیادی از قبیل روش های مبتنی بر مدل سازی آماری [٧,١٣,١۵]، انتشار انرژی [١٠] ، افراز گراف [١۴] و قطعه بندی بدون ناظر [٨] برای قطعه بندی تصاویر مطرح شدهاند.
بسیاری از روش ه ی قطعه بن ی موجود مانند خوشه بن ی۵ پیکسل ها در فضای رنگی ، بر روی نواحی همگن به خوبی عمل می کنند اما از آنجا که تصاویر طبیعی از تنوع رنگ و بافت ۶ بالایی برخوردار هستند، در مجموع کارایی این روش ها پایین میباشد. روش های مبتنی بر بافت ، که به عنوان یک روش برای قطعه بندی مطرح شده اند، نیاز به تخمین پارامترهای مدل بافت دارند. تخمین این پارامترها پیچیده بوده و در اغلب اوقات تخمین مناسب پارامترها نیازمند وجود نواحی همگن در تصویر میباشد.
اتوماتای یادگیر سلولی ٧ به عنوان یک مدل برای سیستمهایی که از اجزاء ساده ای تشکیل شده اند، مطرح شده است . در این مدل رفتار هر جزء بر اساس رفتار همسایگانش و نیز تجربیات گذشته اش تعیین و اصلاح می شود. اجزاء ساده تشکیل دهنده این مدل از طریق کنش و واکنش با یکدیگر می توانند رفتار پیچیده ای از خود نشان دهند.
تاکنون کاربردهای زیادی از اتوماتای یادگیر سلولی مطرح شده است . یکی از زمینه هایی که در آن اتوماتای یادگیر سلولی بسیار زیاد مورد استفاده قرار گرفته است ، زمینه پردازش تصویر میباشد. از جمله این کاربردها میتوان به بازیابی تصاویر [٢] ، الگوگذاری تصاویر[۴]، قسمت بندی تصاویر خاکستری [٣] و تشخیص لبه [۵] اشاره کرد.
همچنین در زمینه هایی از قبیل شبیه سازی پدیدههای اجتماعی مانند انتشار شایعه [٢٠]، خوشه بندی ٨ دادهها [١٩] و جایابی مدارهای متراکم [۶] از اتوماتای یادگیر سلولی استفاده شده است .
در این مقاله یک الگوریتم برای قطعه بندی تصاویر رنگی با استفاده از اتوماتای یادگیر سلولی معرفی میشود. در بسیاری از الگوریتم ه ی قطعه بندی موجود، برای پیدا کردن نواحی تصویر یک سری معیار تعریف و سپس بر اساس این معیارها و تشابه پیکسل های واقع در یک همسایگی ، تعلق هر کدام از پیکسل ها به یک دسته تعیین می شود. هر کدام از دو جزء یاد شده (تعریف معیار و همسایگی ) می توانند به راحتی توسط یک اتوماتای یادگیر سلولی پیاده سازی شوند. برای بررسی تشابه پیکسل های واقع در یک همسایگی می توان از رابطه همسایگی موجود در اتوماتای یادگیر سلولی بهره گرفت و برای تعریف معیار می توان یک قانون مناسب طراحی نمود.
اتوماتای یادگیر سلولی از یک الگوریتم تکراری برای رسیدن به خروجی مناسب استفاده می کند. از آنجایی که در قطعه بن ی تصاویر، خروجی الگوریتم باید یک تصویر قطعه بندی شده باشد، بنابراین از چند مرحله پیش پردازش و پس پردازش برای الگوریتم مبتنی بر اتوماتای یادگیر سلولی استفاده می کنیم . این عملیات باعث تسریع همگرایی اتوماتای یادگیر سلولی خواهند شد.
ادامه مقاله به صورت زیر تدوین شده است : در بخش های ٢ و ٣ به ترتیب اتوماتای سلولی و اتوماتای یادگیر معرفی می شوند. از ترکیب این دو اتوماتا، اتوماتای یادکیر سلولی حاصل می شود که در بخش ۴ به بررسی آن خواهیم پرداخت . در بخش ۵، الگوریتم پیشنهادی برای قطعه بندی تصویر شرح داده می شود. در بخش ۶ نت یج به دست آمده بیان می گردد و در بخش ٧ به جمع بندی و کارهای آینده پرداخته می شود.
٢- اتوماتای سلولی
اتوماتای سلولی ٩ به عنوان یک ابزار مناسب برای سنتز سیستم های پیچیده است . این سیستم ها از چندین مولفه ساده تشکیل شدهاند که هر کدام از این مولفه ها به یک واحد به نام سلول نگاشت می یابند. این سلول ها در یک شبکه منظم قرار می گیرند و تحت یک رابطه همسایگی تعریف شده با یکدیگر در ارتباط هستند. هر سلول میتواند k مقدار مختلف را به خود بگیرد و برای تعیین مقدار سلول در هر مرحله ، از یک قانون محلی استفاده میشود. این قانون با توجه به مقدار یک سلول و همسایه های آن در مرحله فعلی ، مقدار سلول را در مرحله بعد تعیین می کند.
برای نگاشت تصویر به یک اتوماتای سلولی ، فرض می شود که هر پیکسل تصویر به یک سلول نگاشت می شود و این سلول ها در یک شبکه دو بعدی منظم قرار گرفته اند. با توجه به کاربرد و خروجی که باید از تصویر ورودی حاصل شود، رابطه همسایگی و قانون این اتوماتای سلولی دوبعدی تعریف می شود. شکل (۱) یک اتوماتای سلولی دوبعدی و دو رابطه همسایگی فون یومن ١٠ و مور در ین اتوماتا را نشان می دهد.
در این شکل سلول های خاکستری همسایه سلول سیاه رنگ هستند.

٣- اتوماتای یادگیر
اتوماتای یادگیر١١ یک مدل انتزاعی است که می تواند تعداد محدودی عمل را انجام دهد. در هر مرحله یک عمل انتخاب شده و به محیط اعمال می گردد. این عمل توسط محیط ارزیابی شده و پاسخی به اتوماتای یادگیر داده می شود. اتوماتای یادگیر از این پاسخ استفاده نموده و ساختار داخلی خود را به هنگام می کند و سپس عمل بعدی را انتخاب می کند. در شکل (٢) این تعامل نشان داده شده است .

محیط را می توان توسط سه تایی نشان داد که در آن مجموعه ورودی ها ی محیط و خروجی های اتوماتا، {١ ,٠} = β مجموعه خروجی های محیط و ورودی های اتوماتا و مجموعه احتمالهای جریمه میباشد. هر گاه β مجموعه دو عضوی باشد ، محیط از نوع P می باشد.
در چنین محیطی ١ =βo به عنوان جریمه و ٠ =β۱ به عنوان پاداش در نظر گرفته میشود.
اتوماتاهای یادگیر به دو دسته کلی با ساختار ثابت و متغیر تقسیم می شوند. اتوماتای یادگیر با ساختار ثابت توسط ۵ تائی {α, β, F, G, φ} نشان داده می شود که در آن مجموعه عمل های اتوماتا، مجموعه ورودی های اتوماتا، . مجموعه وضعیتهای داخلی اتوماتا، تابع تولید وضعیت جدید اتوماتا و تابع خروجی که وضعیت کنونی را به خروجی بعدی می نگارد، می باشد.
نمونه ای از اتوماتای یادگیر با ساختار ثابت است . این اتوماتا دارای N2 حالت و دو عمل است . برای حالت های ١ تا N عمل و برای حالت های عمل انتخاب می شود. در شکل (٣) نمودار تغییر وضعیت این اتوماتا نشان داده شده است .

از جمله دیگر اتوماتاهای یادگیر با ساختار ثابت می توان از ، Krylov،Krinsky [٩] نام برد.
اتوماتای یادگیر با ساختار متغیر توسط چهار تائی {α, β, p, T} = E نشان داده می شود که در آن
مجموعه عمل های اتوماتا،{١ , ٠} = β مجموعه ورودی های اتوماتا، بردار احتمال انتخاب هر یک از عمل ها و الگوریتم یادگیری می باشد.
فرض کنید که در مرحله n-ام عمل انتخاب شود. این انتخاب بر اساس بردار احتمال عمل ها صورت گیرد. پس از اعمال عمل بر روی محیط تصادفی ، پاسخ محیط دریافت می شود. چنانچه محیط به عمل انتخاب شده پاداش دهد، احتمال انتخاب عمل αi در مرحله بعد افزایش و احتمال انتخاب سایر عمل ها کاهش می یابند. اما اگر پاسخ محیط به این عمل جریمه باشد، احتمال انتخاب عمل αi در مرحله بعد کاهش و احتمال انتخاب سایر عمل ها افزایش می یابند. نکته ای که باید مورد توجه قرار گیرد این است که p یک بردار احتمال است و بنابراین باید مجموع احتمال عمل ها در هر مرحله مساوی یک باشد. روابط (١) و (٢) نحوه به هنگام سازی بردار احتمال p (الگوریتم یادگیری ) را مشخص می کنند:

در روابط (١) و (٢) a پارامتر پاداش و b پارامتر جریمه هستند و میزان تغییرات در احتمال عمل ها را مشخص می کنند. با توجه به مقادیر a و b سه حالت را می توان در نظر گرفت زمانی که a و b با هم برابر باشند، الگوریتم راLRP می نامیم . زمانی که b از a خیلی کوچکتر باشد، الگوریتم می نامیم . زمانی که b مساوی صفر باشد، الگوریتم را LRi می نامیم .
۴- اتوماتای یادگیر سلولی
اتوماتای یادگیر سلولی یک اتوماتای سلولی است که در هر سلول آن یک یا چند اتوماتای یادگیر قرار گرفته است . اتوماتاهای یادگیر هر سلول یکی از اعمال خود را انتخاب می کنند و در نتیجه وضعیت هر سلول با عمل های اتوماتاهای یادگیر واقع در آن تعیین می شود. در نتیجه در اصلاح رفتار یک سلول علاوه بر رفتار سلول های همسایه ، تجربه گذشته آن سلول نیز تاثیرگذار خواهد بود. همانند اتوماتای سلولی ، یک قانون محلی بر محیط حاکم است و این قانون تعیین می کند که آیا عمل انتخاب شده توسط اتوماتای یادگیر در یک سلول بایستی پاداش داده شود و یا جریمه شود. عمل دادن پاداش و یا جریمه منجر به بروز در آوردن ساختار اتوماتای یادگیر سلولی به منظور رسیدن به خروجی موردنظر می گردد.
عملکرد اتوماتای یادگیر سلولی به صورت زیر است : در هر لحظه هر اتوماتای یادگیر در اتوماتای یادگیر سلولی یک عمل از مجموعه اعمال خود را انتخاب می کند. این عمل میتواند بر اساس مشاهدات قبلی و یا به صورت تصادفی انتخاب شود. عمل انتخاب شده با توجه به اعمال انتخاب شده توسط سلولهای همسایه و قانون حاکم بر اتوماتای یادگیر سلولی پاداش داده و یا جریمه می شود. با توجه به اینکه عمل انتخاب شده توسط یک اتوماتا پاداش گرفته و یا جریمه شده است اتوماتا رفتار خود را تصحیح کرده و ساختار داخلی خود را به هنگام کند.
عمل به هنگام سازی تمام اتوماتاها به صورت همزمان انجام می شود.
بعد از به هنگام سازی ، هر اتوماتا در اتوماتای یادگیر سلولی دوباره یک عمل از مجموعه اعمال خود را انتخاب کرده و انجام می دهد. فرایند انتخاب عمل و دادن پاداش و یا جریمه تا زمانی که سیستم به حالت پایدار برسد و یا یک معیار از قبل تعریف شده ای بر قرار شود ادامه می یابد. عمل بهنگام سازی ساختار اتوماتاهای موجود در اتوماتای یادگیر سلولی توسط الگوریتم یادگیری انجام میشود.
۵- الگوریتم پیشنهادی برای قطعه بندی تصاویر رنگی
در این بخش یک الگوریتم مبتنی بر اتوماتای یادگیر سلولی جهت قطعه بندی تصاویر رنگی ارائه می شود. برای انجام این کار، فرض می کنیم که هر پیکسل تصویر به یک سلول در اتوماتا نگاشت می یابد و رابطه همسایگی سلول ها از نوع همسایگی مور است . بنابراین هر پیکسل با پیکسل های واقع در همسایگی ٣×٣ آن همس یه است . در هر سلول یک اتوماتای یادگیر با ساختار متغیر از نوع قرار می گیرد.
به ازای هر پیکسل همسایه ، یک عمل برای اتوماتای یادگیر واقع در یک سلول تعریف می شود و بنابراین اتوماتای موجود در هر سلول دارای ٨ عمل است . در هر مرحله احتمال انتخاب عمل های مجاز در یک سلول با توجه به خروجی قانون به کارگرفته شده (پاداش یا ج یمه ) توسط روابط (١) و (٢) تغییر میکنند. شکل (۴) نحوه تع یف عمل های اتوماتای یادگیر واقع در سلول مرکزی را نشان می دهد.

هر عمل بیانگر این است که پیکسل واقع در یک سلول با کدام یک از پیکسل های همسایه آن، در یک قطعه قرار می گیرند. از آنجا که یک پیکسل به تنهایی نمی تواند یک قطعه را تشکیل دهد و این چنین پیکسلی نویز محسوب می شود برای سلول مرکزی واقع در شکل (۴) عملی تعریف نمی شود.
برای اینکه احتمال اولیه انتخاب عمل ها در هر سلول تعیین شوند، ابتدا فاصله پیکسل واقع در آن سلول با پیکسل های سلول های همسایه در فضای رنگی RGB محاسبه می شود. برای تعیین این فاصله ها از رابطه زیر استفاده میکنیم .

که مختصات همسایه شماره i پیکسل (x,y) و I تصویر ورودی است . فاصله بین پیکسل (x,y) تا همسایه i-ام آن را نشان میدهد. سپس با استفاده از معکوس این فواصل ، احتمال انتخاب عمل ها تعن یشود. روابط زیر نحوه تعریف این احتمال ها را نشان می دهند

که احتمال انتخاب عمل i-ام است . قانونی که برای پاداش یا جریمه کردن یک عمل استفاده می شود، به صورت زیر است : ابتدا فاصله پیکسل واقع در یک سلول را تا تمامی سلول های همسایه را با استفاده از رابطه (٣) محاسبه می کنیم و میانگین این فواصل را به دست می آوریم و با نشان می دهیم . فرض کنید که این سلول عمل i را انتخاب کند. بنابراین فاصله پیکسل این سلول را تا پیکسل واقع در i- امین سلول همسایه آن محاسبه می شود و آنرا را با نشان می دهیم . قانونی که برای این سلول به کار گرفته می شود، در رابطه (۶) نشان داده شده است .

که c یک ضریب ثابت نزدیک یک است . از آنجا که در هر مرحله ، باید پیکسل های واقع در یک قطعه در فضای رنگی به هم نزدیک شوند، بنابراین نیاز به الگوریتمی جهت پخش رنگ در یک قطعه است . این الگوریتم با استفاده از تصویر ورودی ، یک تصویر ایجاد می کند که در آن پیکسل های واقع در یک قطعه از لحاظ رنگی به یکدیگر نزدیک می شوند.
فرض کنید که تصویر ورودی الگوریتم را با I و تصویر خروجی را با ’I نشان دهیم . برای تعیین مقدار پیکسل ها در تصویر ’I، ابتدا یک زنجیره از پیکسل ها با شروع از مختصات (x,y) استخراج می گردد. شبه کد مربوط به این عمل در شکل (۵) نشان داده شده است . در این شبه کد LA بیانگر اتوماتای یادگیر یک سلول است و زنجیره استخراج شده برای مختصات (x,y) در pixels_list نگه داشته میشود. مطابق الگوریتم شکل (۵)، ابتدا لیست پیکسل ها خالی است و سلول فعلی (x,y) است . ابتدا سلول فعلی به لیست پیکسل ها اضافه سلول فعلی است ، تعیین میگردد. سپس سلول فعلی برابر با سلول میشود و سپس سلول همسایه ای که مطابق با عمل انتخاب شده در همسایه قرار میگیرد تا تکرارهای بعدی با این سلول ادامه یابد. مراحل ذکر شده تا زمانی که قانون تعریف شده سلول فعلی را جریمه کند و یا اینکه سلول فعلی در لیست پیکسل ها وجود داشته باشد، تکرار میشوند.

برای هر کدام از مختصات (x,y) تصویر ورودی یک لیست محاسبه میشود که در آن عنصر ابتدایی مختصات (x,y) است . اگر قانون تعریف شده برای اتوماتای سلولی برای یک مختصات جریمه را انتخاب کند، آنگاه لیست آن مختصات تنها دارای یک عضو که خود مختصات است ، خواهد بود. بنابراین هر لیست حداقل یک عضو خواهد داشت .

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 10700 تومان در 16 صفحه
107,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد