| عنوان فارسی مقاله: | کانتور فعال یک رویکرد الگوریتم ژنتیک موازی |
| عنوان انگلیسی مقاله: | Active contour: a parallel genetic algorithm approach |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2011 |
| تعداد صفحات مقاله انگلیسی | 9 صفحه با فرمت pdf |
| تعداد صفحات ترجمه مقاله | 13 صفحه با فرمت ورد، به صورت تایپ شده و با فونت 14 – B Nazanin |
| مجله | کنفرانس بین المللی در هوش ازدحامی (International conference on swarm intelligence) |
| رشته های مرتبط | مهندسی کامپوتر، معماری سیستم های کامپیوتری و هوش مصنوعی |
| دانشگاه | مودون، فرانسه |
| کلمات کلیدی | کانتور فعال، محاسبه موازی، الگوریتم ژنتیکی، قطعه بندی، مار |
| نشریه | ICSI |
فهرست مطالب:
چکیده
1 مقدمه
2 کانتور فعال
3 بهینه سازی الگوریتم ژنتیکی
1 3 معرفی الگوریتم ژنتیکی
2 3 اجرای الگوریتم ژنتیکی
1 2 3 مقدار دهی اولیه
2 2 3 انتخاب
3 2 3 کراس اور
4 2 3 جهش
5 2 3 پایان دهی
3 3 خلاصه
4 محاسبه موازی
1 4 محیط محاسبه موازی
2 4 محاسبه ژنتیکی موازی
3 4 نتایج آزمایش
5 نتیجه گیری
بخشی از ترجمه:
5. نتیجه گیری
کانتور فعال نسبت به تکنیک های جذب ویژگی کلاسیکی محاسن متعددی دارد. با این حال، یکی از بزرگترین موانع و اشکالات این روش آن است که مارها اغلب در حالتهای مینیموم یا کمینه محلی تجمع می یابند. با استفاده از تکنیک های الگوریتم ژنتیکی به خرج و هزینه زمان محاسبه طولانی تر می توان براین مشکل غلبه نمود. برای به حداقل رساندن این زمان اجرا، از محاسبه موازی استفاده کردیم. استفاده ترکیبی از پردازنده های متعدد نتایج خوبی به ارمغان آورده و میتوان پیش بینی نمود که درصورت استفاده از خوشه ای از CPU ها، حتی بسیار کارآمدتر ظاهر خواهد شد.
بخشی از مقاله انگلیسی:
1 Introduction Edge detection is a fundamental tool in image processing, image pattern recognition, and computer vision techniques. Ideally, the result of applying an edge detector to an image should lead to a set of curves that indicate the contour of objects as well as curves that correspond to discontinuities in surface orientation. Furthermore, applying an edge detection algorithm to an image may reduce the amount of data to be processed while preserving the structural properties of an image. Edge detection is not a trivial task. There are many methods for edge detection. In this paper, we will introduce the active contour method, or snake algorithm, which minimizes the energy function. Active contours have multiple advantages over classical feature attraction techniques. Snakes are easy to manipulate using external image forces. They are self-adapting in their search for a minimal energy state. Furthermore they can be used to track dynamic objects in temporal as well as the spatial dimensions. Nevertheless, one of the biggest drawbacks of this method is that snakes are get stuck in local minima states. This may be overcome by using genetic algorithm techniques at the expense of longer computation times. Genetic Algorithm is an optimization solver, which does an analogy to Darwin evolution by combining mutation, crossover and selection step. One of the biggest advantages of Genetic Algorithm is its ability to find a global optimum. A consequence of this search is to have an additional computation time. This is why Parallel Computing is a good approach to optimize time of computation. Parallel Computing is the use of two or more processors in combination to solve a single problem. 2 Active Contour Several methods are existing for edge detection in images. The most known algorithms are Sobel and Prewitt methods. These methods are calculating the gradient at each points giving the direction of the largest possible increase from light to dark and the rate of change in that direction. A default of these methods is to detect every small objects but not the complete contour of the general shape (Fig 1).
| عنوان فارسی مقاله: | کانتور فعال یک رویکرد الگوریتم ژنتیک موازی |
| عنوان انگلیسی مقاله: | Active contour: a parallel genetic algorithm approach |
خرید ترجمه فارسی مقاله با فرمت ورد