Науковий вісник НГУ

Виділення контурів зображення на основі гібридного мурашиного алгоритму

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Інформаційні технології, системний аналіз та керування

Останнє оновлення: 02 квітня 2016

Опубліковано: 02 квітня 2016

Перегляди: 4971

Автори:

Чен Чжан, Хунаньский університет міжнародної економіки, Чанша, провінція Хунань, КНР

Хао Пен, Хунаньский університет міжнародної економіки, Чанша, провінція Хунань, КНР

Реферат:

Мета. З розвитком науки та техніки, великою кількістю графічної інформації й активним обміном нею, усе більш актуальним стає автоматичне розпізнавання зображень з рішенням завдання виділення їх контурів. Їх практичне застосування обумовлює більш високі вимоги до методик виділення контурів зображень. Розглянуті завдання визначення контурів зображень і параметрів запропонованого алгоритму.

Методика. Мурашиний алгоритм (ACA) і алгоритм диференціальної еволюції (DE) були об'єднані та використані для визначення контурів зображення. На основі аналізу часу обробки та продуктивності цих алгоритмів оптимізації був знайдений найкращий спосіб їх поєднання та використання для визначення контурів зображень.

Результати. Запропоновано спосіб визначення контурів зображень за допомогою мурашиного алгоритму й алгоритму диференціальної еволюції. Проведений теоретичний аналіз визначення контурів і знайдений найкращий спосіб поєднання мурашиного алгоритму та алгоритму диференціальної еволюції, виходячи з їх особливостей. Взагалі, спосіб інтегрує дані алгоритми відповідно до заданих умов і застосовує на початковому етапі обробки зображення процедури алгоритму диференціальної еволюції, а на завершальному етапі − мурашиного алгоритму.

Наукова новизна. Вивчене визначення контурів зображень за допомогою гібридного мурашиного алгоритму. Розглянуте завдання визначення ідеальних контурів зображення на основі мурашиного алгоритму та алгоритму диференціальної еволюції. Раніше даний аспект не був вивчений.

Практична значимість. Дані алгоритми були інтегровані для здобуття цілісного контуру, якому властива безперервність і точність локалізації. Результат експерименту показав, що запропонований гібридний алгоритм не лише покращує адаптивні можливості й продуктивність оптимізації, але й показує відмінний результат у виз-наченні меж, істотно скорочуючи трудомісткість і тимчасові витрати обчислювальних операцій. 

Список літератури / References:

1. Renbo Luo, Wenzhi Liao and Youguo Pi, 2014. Discriminative supervised neighborhood preserving embedding feature extraction for hyperspectral image classification. TELKOM-NIKA Indonesian Journal of Electrical Engineering, vol. 12, no. 6, pp. 4200−4205.

2. Zahra Zareizadeh and Reza P.R. Hasanzadeh, Gholamreza Baghersalimi, 2013. A recursive color image edge detection method using green's function approach. Optik International Journal for Light and Electron Optics, vol. 124, no. 21, pp. 4847−4854.

3. Anastasia Ioannidou, Spyros T. Halkidis and George Stephanides, 2012. A novel technique for image steganography based on a high payload method and edge detection. Expert Systems with Applications, vol. 39, no. 14, pp. 11517− 11524.

4. Rawaa Dawoud Al-Dabbagh, Azeddien Kinsheel and Saad Mekhilef, 2014. System identification and control of robot manipulator based on fuzzy adaptive differential evolution algorithm. Advances in Engineering Software, vol.78, no. 12, pp. 60−66.

5. Rana Forsati, Alireza Moayedikia and Richard Jensen, 2014. Enriched Ant Colony Optimization and Its Application in Feature Selection. Neurocomputing, vol. 142, no. 22, pp. 354−371.

6. Lopez-Molina, C., De Baets, B. and Bustince, H., 2014. A framework for edge detection based on relief functions. Information Sciences, vol. 278, no. 10, pp. 127−140.

7. Mojtaba Ghasemi, Mohammad Mehdi Ghanbarian and Sahand Ghavidel, 2014. Modified teaching learning algorithm and double differential evolution algorithm for optimal reactive power dispatch problem: A comparative study. Information Sciences, vol. 278, no. 10, pp. 231−249.

8. Yuancheng Li, Yiliang Wang and Bin Li, 2014. A hybrid artificial bee colony assisted differential evolution algorithm for optimal reactive power flow. International Journal of Electrical Power & Energy Systems, vol. 52, no. 11, pp. 25−33.

9. Om Prakash Verma, Puneet Kumar and Madasu Hanmandlu, 2012. High Dynamic Range Optimal Fuzzy Color Image Enhancement using Artificial Ant Colony System. Applied Soft Computing, vol. 12, no. 1, pp. 394−404.

10. Rob J. Mullen, Dorothy N. Monekosso and Paolo Remagnino, 2013. Ant algorithms for image feature extraction. Expert Systems with Applications, vol. 40, no. 11, pp. 4315− 4332.

2016_01_zhang
2016-04-02  617.77 KB  927

• < Попередня