این مقاله انگلیسی در نشریه آی تریپل ای در ۶ صفحه در سال ۲۰۰۹ منتشر شده و ترجمه آن ۱۴ صفحه بوده و آماده دانلود رایگان می باشد.
دانلود رایگان مقاله انگلیسی (pdf) و ترجمه فارسی (pdf + word) |
عنوان فارسی مقاله: |
تشخیص لبه بر اساس الگوریتم تطبیق سریع انتقال میانگین
|
عنوان انگلیسی مقاله: |
Edge Detection based on Fast Adaptive Mean Shift Algorithm
|
دانلود رایگان مقاله انگلیسی |
|
دانلود رایگان ترجمه با فرمت pdf |
|
دانلود رایگان ترجمه با فرمت ورد |
|
مشخصات مقاله انگلیسی و ترجمه فارسی |
فرمت مقاله انگلیسی |
pdf |
سال انتشار |
۲۰۰۹ |
تعداد صفحات مقاله انگلیسی |
۶ صفحه با فرمت pdf |
نوع نگارش |
مقاله پژوهشی (Research article) |
نوع ارائه مقاله |
کنفرانس |
رشته های مرتبط با این مقاله |
مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله |
مهندسی الگوریتم ها و محاسبات – هوش مصنوعی |
چاپ شده در مجله (ژورنال)/کنفرانس |
کنفرانس بین المللی علوم و مهندسی محاسبات |
کلمات کلیدی |
تشخیص لبه تصویر – هسته – پهنای باند – علوم کامپیوتر – بینایی کامپیوتر – جستجوهای نزدیکترین همسایه – الگوریتم های تکراری – مقاومت مغناطیسی ناهمسانگرد – اندازه گیری شکل – تقسیم بندی تصویر |
کلمات کلیدی انگلیسی |
Image edge detection – Kernel – Bandwidth – Computer science – Computer vision – Nearest neighbor searches – Iterative algorithms – Anisotropic magnetoresistance – Shape measurement – Image segmentation |
ارائه شده از دانشگاه |
کالج علوم کامپیوتر، دانشگاه علوم و مهندسی ووهان، ووهان، چین |
شناسه دیجیتال – doi |
https://doi.org/10.1109/CSE.2009.226 |
لینک سایت مرجع |
https://ieeexplore.ieee.org/document/5283567 |
رفرنس |
دارای رفرنس در داخل متن و انتهای مقاله ✓ |
نشریه |
آی تریپل ای – IEEE |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش |
۱۴ صفحه با فونت ۱۴ B Nazanin |
فرمت ترجمه مقاله |
pdf و ورد تایپ شده با قابلیت ویرایش |
وضعیت ترجمه |
انجام شده و آماده دانلود رایگان |
کیفیت ترجمه |
مبتدی (مناسب برای درک مفهوم کلی مطلب)
|
کد محصول |
F2444 |
بخشی از ترجمه |
۲٫کارهای مرتبط
روند تشخیص لبه به طول معمول شامل این مراحل می باشد : ۱)صافی های مورد نیاز برای کاهش نویز و تنظیم افکیک اعداد است.این مورد به تنظیم پارامترها(مقیاس)بستگی دارد که سبب ایجاد سازشی بین حذف نویز و حفظ بافت تصویر می شود.۲)تفکیک یک عملیاتی است که در آن تغییرات شدت تصویر مورد ارزیابی قرار می گیرد.۳)برچسب زدن قسمت نهایی است که سبب شناسایی لبه ها می شود.این مرحله شامل یک پارامتر آستانه است که سبب جداسازی لبه های حقیقی از لبه های اشتباه می شود.این فرآیند تشخیص مشترکی است که برای ارزیابی انتقال شدت قدرت در تصاویر مورد استفاده قرار می گیرد.یک روش (مکمل) دیگر برای تشخیص لبه بر اساس ارزیابی خصوصیات فضایی از ویژگی های تصویر است [۱۳][۱۴].این رویکرد (که برجستگی را نشان می دهد)حالاتی را که در آن نقاط بیشتر احتمال دارد لبه های با معنی باشند را اگر طولانی تر ، صافتر و همچنان منحنی باشند را بیان می کند.لیندبائوم و برنگلتس [۱۵] یک مکانیزمی برای تخمین برجستگی بر اساس نشانه هایی از گروه بندی های مخصوصی بر اساس تخمین طول و صف های گروهای مشخصی را ارائه کرده اند.این مکانیزم یک نقشه برجسته را تولید می کند ، که در آن مقادیر بالا محل هایی از پیکسل ها را مشخص می کنند که به منحنی های طولانی تر و نرم تری تعلق دارند.تشخیص لبه نهایی به وسیله نقشه آستانه برجستگی با استفاده از انتخاب آستانه پارامتر قبلی انجام می شود.
خروجی فرآیند تشخیص لبه تا حد زیادی با انتخاب پارامترهای تشخیص گر متفاوت خواهد بود. بنابراین،یک مرحله قبل از انتخاب پارامتر لازم است صورت بگیرد.انتخاب شناساگر پارامتر اغلب به صورت دستی و توسط یک فرآیند آزمون و خطا صورت می گیرد.هر چند که، چنین فرآیندی اغلب ناکارآمد و خسته کننده است.به همین علت،تکنیک های اتوماتیکی برای انتخاب پارامترهایی برای آشکارسازی لبه ها توسعه یافته اند [۱۷][۱۶].این روش ها بر پارامتر های رایجی مثل هموارسازی مقیاس [۱۶] و آستانه [۱۷] تمرکز کرده اند.هر چند که ،سایر پارامتر ها نیز ممکن است در تشخیص لبه مورد پیاده سازی قرار بگیرند. برای مثال ،یک تشخیص گر لبه بر اساس چشم انداز که مبتنی بر مدل است با استفاده از یک آستانه ثابت تسعه یافته است (یک آستانه کنتراست متوسط از سیستم بینایی)،اما چند فیلتر میان گذر ممکن است در این بین به عنوان پارمترها در نظر گرفته شود[۱۸].
۳٫ الگوریتم تشخیص لبه پیشنهاد شده
در ادامه ، ما ابتدا الگوریتم انتقال میانگین و الگوریتم LSH را معرفی می کنیم و سپس الگوریتم ترکیبی را ارائه می دهیم.
۳٫۱٫ تخمین تراکم هسته و انتقال میانگین
نظریه تخمین اشتقاق ریاضی از تراکم هسته در [۱] توصیف شده است. در شناسایی الگو، هر نمونه بیانگر یک نقطه در فضای d بعدی می باشد، که بیانگر ویژگی های فضا می باشد. ابعاد آن به وسیلیه تعدادی از پارامترها مشخص می شود ( مانند تعیین شدت و مختصات مکان بر روی ژنوم برای آرایه داده CGH)برای توصیف نقاط نمونه است.ویژگی های فضا را می توان با توجه به یک تابع احتمال چگالی تجربی (PDF) از پارامترهای ارائه شده دانست.n نقطه داده ای که به ما داده شده است Xi(i=1,…,n) در فضای d بعدی Rd می باشد، تخمین گر تراکم چند متغیره هسته (f^(x)) برای نقطه x می باشد که به وسیله هسته K(x) و یک ماتریس متقارن مثبت قطعی با پهنای باند d×d با نام ماتریس D می باشد.
ثابت شده است که بردار انتقال میانگین در نقطه x با هسته g برای برآورد تراکم نرمالی شیب که به وسیله هسته k بدست آمده است مورد استفاده قرار می گیرد [۱] . بردار انتقال میانگین همیشه در جهتی است که در آن افزایش حداکثری تراکم رخ می دهد. روند انتقال میانگین به وسیله مراحل پی در پی برای محاسبه بردار انتقال میانگین mh,G(X) رخ می دهد. ثابت شده است که این روند سبب تضمین همگرایی نقاط در یک نقطه که در آن شیب صفر تخمین زده شده است می شود، در صورتی که هسته k محدب باشد و کاهش یکنواختی داشته باشد.
به شرطی که بردار انتقال میانگین همواره به جهتی اشاره کند که در آن جهت تراکم به حداکثر مقدار برسد، میانگین محلی به سمت ناحیه ای انتقال پیدا می کند که اکثر نقاط در آن محل واقع شده اند.در نتیجه،بردار انتقال میانگین می تواند یک مسیری را تعریف کند که در طی آن مسیر یک نقطه ثابت برای تخمین چگالی است، و با تخمین شیب محلی در تراز وسط قرار دارد. این نقاط ثابت با نام “حالت ها”ی چگالی تخمین زده شده صدا زده می شوند.
روند انتقال میانگین،به وسیله محاسبات متوالی از بردار انتقال میانگین mh,G(yi) مورد محاسبه قرار می گیرد و تبدیل پنجره به شکل yj+1=yj+ mh,G(yi) می باشد ، و همگرایی به نقطه ای که در آن شیب تراکم صفر است را برای ما تضمین می کند. مجموعه ای از تمامی مکان هایی که به همان حالت همگرا هستند “محل جلب توجه” از آن حالت نامیده می شود.نقاطی که در همان حوضه از محل جلب توجه هستند با همان خوشه مرتبط هستند.
۳٫۲٫ الگوریتم LSH
مشکلات متعددی در زمینه یافتن آیتم های مشابه به هم وجود دارد.این مشکلات معمولا به وسیله یافتن نزدیک ترین همسایه به یک شی در یک فضای متریک حل شده است.این یک مشکل ساده در بیان است، اما زمانی که پایگاه داده بزرگ است و اشیاء پیچیده هستند، زمان پردازش آن به صورت خطی با تعداد آیتم ها و پیچیدگی شی رشد می کند.برای پایگاه داده های بسیار بزرگ با آیتم هایی با ابعاد بالا ، LSH (محل حساس به هش شدن(خرد شدن)))[۱۲] یک روش ارزشمند برای بازیابی آیتم هایی می باشد که شبیه به یک کوئری (پرس و جو) آیتم می باشند. در این گونه از جست و جو ها این روش می تواند به طور چشمگیری سبب کاهش زمان محاسباتی ، از نظر هزینه های احتمالی هم یک درصد شانس کمی هم برای شکست خوردن در یافتن نزدیک ترین مورد مشابه قطعی وجود دارد.
با توجه به یک نقطه کوئری داده شده، ما تمایل داریم که نقاطی را در یک پایگاه داده بزرگ پیدا کنیم که به کوئری ما نزدیک تر باشند.ما مایلیم که احتمالی بالا برابر با ۱- ξ پس ما نزدیک ترین همسایه را به هر نقطه از کوئری بر می گردانیم.
در نتیجه این مشکل با استفاده از تکرار هایی در طی هر نقطه از پایگاه داده و محاسبه فاصله تا کوئری شی به راحتی حل می شود.هر چند که ، پایگاه داده ما ممکن است شامل میلیاردها شی باشد- هر شی به وسیله یک برداری که شامل صدها ابعاد است حل می شود.بنابراین،یافتن یک راه حلی که به جست و جوی خطی بر روی پایگاه داده وابسته نباشد برای ما مهم است.روش های موجود برای دستیابی به این هدف شامل درخت ها و هش ها می باشد.
چندین روش برای این هدف به طور طبیعی پیشنهاد شده است، و محل حساس به هش کردن LSH)) [12] بیشترین توجهات را اخیرا نسبت به خود جلب کرده است زیرا نشان داده است که زمان اجرای آن مستقل بعد D است و به عنوان یک ابزار عملی پیشگام است.اگر بخواهیم به طور کلی در این مورد صحبت کنیم باید بگوییم که یک محل حساس به هش دارای خصوصیتی است که اگر دو نقطه “نزدیک” هستند، پس آنها را در یک سطلی با احتمال “بالا”هش می کنیم.اگر انها “دور از هم” هستند ، پس انها را در یک سطلی با احتمال “پایین” هش خواهیم کرد.به عبارت دیگر یک تابع خانواده H={h:S->u} به (r1,r2,P1,P2) حساس است ، در جایی که (r1<r2,P1>P2) باشد، برای تابع فاصله D برای هر دو نقطه ای به شکل p,q €S می باشد ،
|