پاورپوینت کاهش رنگ در نقشه چاپی فرش به کمک یادگیری تقویت شده

بخشی از پاورپوینت

اسلاید 2 :

کاهش رنگ در نقشه چاپي فرش به کمک يادگيري تقويت شده

اسلاید 3 :

آنچه خواهیم گفت
مقدمه
کاهش رنگ
خواندن خودکار نقشه فرش
روش پیشنهادی
مثال
بهبود الگوریتم
نتایج پیاده سازی
نتیجه‏گیری

اسلاید 4 :

مقدمه
تصاویر رنگی فضای زیادی از حافظه کامپیوتر را اشغال می کنند پس کاهش رنگ مهم است.
معمول ترین روش‏های کاهش رنگ:
کوانتیزاسیون رنگ
روش‏های مستقل از تصویر – پالت عمومی
روش‏های وابسته به تصویر – پالت وفقی
روش‏های چند آستانه ای
با استفاده از هیستوگرام تصویر
آستانه گذاری برای هر مولفه به صورت مجزا
عیب این روش‏ها:
عدم استفاده از اطلاعات مکانی پیکسل‏ها و اطلاعات بافت تصویر

اسلاید 5 :

کاهش رنگ
مراحل کاهش رنگ:
انتخاب پالت مناسب
ساخت تصویر نهایی با جایگزینی رنگ های تصویر با رنگ‏های پالت

کیفیت تصویر وابسته به مرحله تشکیل پالت است.
3 راه برای تشکیل پالت:
بهترین پالت بدون پیش فرض تعداد رنگ
بهترین پالت با تعداد رنگ از پیش تعیین شده
تشکیل پالت با رنگ‏های انتخابی کاربر

اسلاید 6 :

خواندن خودکار نقشه فرش
هدف این مقاله خواندن خودکار نقشه فرش است
2مرحله دارد:
تشخیص خطوط نقشه
با استفاده از روش‏های پردازش تصویر
کاهش رنگ پیکسل‏های تصویر به تعداد رنگ کمتر
با استفاده از یافتن بهترین پالت بدون پیش فرض تعداد رنگ
به کمک روش های یادگیری تقویتی
در بیشتر کارهای موجود، کاهش رنگ توسط کاربر انجام می شود
C – means الگوریتمی برای کاهش رنگ – فاقد دقت بالا
ارائه روش بدون توجه به کاربرد و تعداد خوشه‏های اولیه فراوان
روش پیشنهادی: باتوجه به کاربرد – کاهش تعداد خوشه‏های اولیه با دقت بالا – مرحله ای از کاهش رنگ

اسلاید 7 :

روش پیشنهادی
پیدا کردن خط
نگاشت هر پیکسل به یک خانه
کاهش رنگ با روش یادگیری تقویتی
آیا کاهش رنگ کافی است؟
بلی
خیر
تصویر نهایی

اسلاید 8 :

کاهش رنگ با یادگیری تقویتی – مدل کردن مسئله

اسلاید 9 :

کاهش رنگ با یادگیری تقویتی – معیار پاداش و ضرر
تصویر ورودی RGB – 3 مولفه رنگ
تعریف پاداش وضرر برمبنای مقدار معادل هر 3 مولفه
تعریف پاداش وضرر برمبنای هر مولفه رنگ
2 نکته مهم:
رنگ هر خانه با تعدادی از همسایه‏های آن یکی است
رنگ‏های به کار رفته در نقشه فرش تفاوت رنگی قابل توجهی دارند

اسلاید 10 :

کاهش رنگ با یادگیری تقویتی – معیار پاداش و ضرر

اسلاید 12 :

اعمال الگوریتم یادگیری تقویتی
روش تکرار ارزش با سیاست حریصانه
epsilon = 0.1 , landa = 0.9
اعمال برای هر مولفه به صورت مجزا
به هر پیکسل یک ارزش اولیه داده می شود
برای هر پیکسل به ازای تمام عمل‏ها، حرکت به خانه‏های همسایه، ارزش‏ها محاسبه می‏شوند.
ارزش بیشینه و عمل متناظر با آن برای هر پیکسل به حافظه سپرده می‏شود.
آیا تفاوت ارزش‏های فعلی و قبلی از آستانه موردنظر بیشتر است؟
خیر
بله
عمل‏های متناظر با هر پیکسل انجام و نتیجه در ماتریس مجزایی ذخیره می‏شود.
آیا تفاوت روشنایی پیکسل‏های دو تصویر فعلی و قبلی از آستانه موردنظر کمتر است؟
بلی
خیر
تصویر فعلی تصویر نهایی است

اسلاید 13 :

اعمال الگوریتم یادگیری تقویتی
پالت رنگ فعلی: تصویر حاصل از اعمال روش یادگیری تقویتی
جایگزینی رنگ‏های تصویر اصلی با پالت
400 رنگ
250 رنگ

اسلاید 14 :

اعمال الگوریتم یادگیری تقویتی

اسلاید 15 :

اعمال الگوریتم یادگیری تقویتی
400 رنگ
17 رنگ
12 مرحله
کاهش رنگ
دریافت تصویر ورودی
چارت کاهش رنگ با معیار جدید پاداش و ضرر
آیا میزان کاهش رنگ کافی است؟
بلی
خیر
پایان

اسلاید 16 :

مثال
تغییرات معیار اول
تغییرات معیار دوم

اسلاید 20 :

مثال
به ‏روز رسانی
دوباره ارزش‏ها
اعمال بهترین
عمل به هر خانه
اجرای دوباره
الگوریتم
5 سطح خاکستری
2سطح خاکستری