فایل ورد کامل مقاله ارائه مدل ترکیبی (FCA-CLA) برای حذف نویز در تصاویر دیجیتال

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل مقاله ارائه مدل ترکیبی (FCA-CLA) برای حذف نویز در تصاویر دیجیتال دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد کامل مقاله ارائه مدل ترکیبی (FCA-CLA) برای حذف نویز در تصاویر دیجیتال  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل مقاله ارائه مدل ترکیبی (FCA-CLA) برای حذف نویز در تصاویر دیجیتال،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل مقاله ارائه مدل ترکیبی (FCA-CLA) برای حذف نویز در تصاویر دیجیتال :

چکیده: در این مقاله ابتدا یک مدل ترکیبی به نام FCA-CLA که از ترکیب اتوماتای سلولی فازی و اتوماتای یـادگیر سـلولی حاصـل شـده است پیشنهاد میگردد و سپس یک کاربرد آن در حذف نـویز در تـصاویر ارایه میگردد. الگوریتم مبتنی بر مدل پیـشنهادی بـرای حـذف نـویز در تصاویری که حاوی نویز نمک فلفلی یا گاوسی میباشند بـه کـار گرفتـه میشود. نتایج آزمایشها نشان میدهد که روش پیشنهادی خـصوصا بـرای تصاویری که حاوی خطوط و جزئیات ریز هـستند ماننـد تـصاویر متنـی بهتر از سایر روشها عمل می کند. روش پیـشنهادی بـا روشـهای حـذف نویز مانند فیلتر میانگین گیر، فیلتر میانه و روش مبتنی بـر اتوماتـای یادگیر سلولی مقایسه شده است. نتایج آزمایشها حاکی از کـارایی بـای روش پیشنهادی را دارد.

واژههای کلیدی: پردازش تصویر، حذف نویز، اتوماتای یـادگیر سـلولی،

اتوماتای سلولی فازی

-۱ مقدمه

اتوماتای سلولی۱ یک مدل ریاضی برای سیستمهایی است که در آنها چندین مؤلفه ساده برای تولید الگوهای پیچیدهتر با هم همکاری می-
کنند. اتوماتاهای سلولی در حقیقت سیستمهای دینامیکی گسسته ای هستند که رفتارشانکامً بر اساس ارتباط محلی استوار است. در اتوماتای سلولی یک مجموعه منظم از سلولها وجود دارد که هر کدام میتوانند با چند مقدار مختلف که تعدادشان متناهی است، مقداردهی شوند. این سلولها به صورت همگام و در زمانهای گسسته بر طبق یک قانون محلی بهنگامرسانی میشوند. محلی بودن به این معناست که در تعیین مقدار جدید هر سلول، سلولهایی که در همسایگی وی هستند تاثیرگذار هستند و سلولهای دورتر، تاثیری ندارند. قوانین به روزرسانی بر اساس همسایه های هر سلول تعریف میشوند. در اغلب سیستمها بدلیل وجود نویز و عدم قطعیت تعیین یک فرم قطعی برای قوانین در این سیستمها کاری منطقی به نظر نمیرسد. البته راهکارهایی نظیر احتماتی کردن قوانین نیز ارائه شده است ولی تعیین همین احتمات

۱ Cellular Automata (CA)

محمد رضا میبدی

دانشکده مهندسی کامپیوتر و فناوری اطعات

دانشگاه صنعتی امیرکبیر، تهران، ایران

mmeybodi@aut.ac.ir

نیز در سیستمهای ناشناخته کاری بسیار دشوار است. مدلهای اتوماتای یادگیر سلولی۲ و اتوماتای سلولی فازی۳ دو راهکار برای حل این مشکل میباشد.

اتوماتای یادگیر سلولی مدلی است که از اجزاء سادهای به نام سلول تشکیل شده است و رفتار هر سلول تابعی از رفتار سلولهای همسایه و نیز تجربیات گذشتهاش میباشد. اجزاء ساده تشکیل دهنده این مدل، از طریق تعامل با یکدیگر میتوانند رفتار پیچیدهای از خود نشان دهند. هر اتوماتای یادگیر سلولی، از یک اتوماتای سلولی تشکیل شدهاست که هر سلول آن به یک یا چند اتوماتای یادگیر مجهز میباشد که وضعیت این سلول را مشخص میسازد. همانند اتوماتای سلولی، قانون محلی در محیط حاکم است و این قانون تعیین میکند که آیا عمل انتخاب شده توسط یک اتوماتای یادگیر در یک سلول باید پاداش داده شود و یا جریمه شود. عمل دادن پاداش و یا جریمه منجر به بروز درآوردن ساختار اتوماتای یادگیر سلولی برای رسیدن به یک هدف مشخص می-

گردد.

اتوماتاهای سلولی فازی، مشابه اتوماتاهای سلولی کسیک، سیستمهایی گسسته و پویا با ساختاری ساده هستند. اما این سیستمها با وجود سادگی ساختارشان، رفتاری پیچیده و در ضمن خودسازمانده از خود نشان میدهند. در اتوماتای سلولی فازی مجموعه حات یک سلول و قانون محلی فازی هستند. مجموعه حات یک متغیرهای زبانی میباشد. این متغیرهای زبانی با توجه به دانش ما از مساله مورد نظر تعیین می شوند. حالت هر سلول در مرحله بعد بستگی به حالت فعلی (متغیر زبانی) سلول و حات فعلی همسایه هایش دارد. این تغییر حالت توسط قانون محلی اتوماتای سلولی فازی انجام می گیرد.

قانون محلی برای کلیه سلولها یکسان و یک تابع فازی است. این تابع به این صورت عمل می کند که در هر مرحله مقدار عضویت همسایگی سلول را گرفته و مقدار عضویت آن سلول را در مرحله بعد محاسبه می کند.

۲ Cellular Learning Automata (CLA)
۳ Fuzzy Cellular Automata (FCA)

در بینائی ماشین و پـردازش تـصویر بـا اسـتفاده از بعـضی عملیـات ریاضی نظیر تشخیص لبه بوسیله گرادیان و یا اعمال فیلترهـای مناسـب ویژگیهای تصویر نظیر لبه ها ‚ خطوط ‚ انحناها ‚ گوشـه هـا و مرزهـا را می توان استخراج کرد. استخراج این ویژگیها، نمـایش و تحلیـل صـحنه های تصویر را آسان تـر مـی سـازد. . [۱-۵] در روشـهای موجـود بـرای استخراج ویژگیها نتایج بدست آمده حـساس بـه نـویز مـی باشـند. و بـه همین دلیل قبل از استخراج ویژگیها از روشهای حذف نویز برای بهبود کیفیت تصویر مورد نظر اسـتقاده مـی شـود. نـویز از دو نـوع مـستقل و وابسته میباشد. نویز مستقل نویزی است کـه از قـوت سـیگنال مـستقل است مانند نویز کانال انتقال تصویر و یا یا نویزی که توسط دوربـین بـه تصویر اضافه میشود .در نویز وابسته نویز اضافه شـده بـه هـر نقطـه از تصویر به شدت سیگنال در همان نقطه از تـصویر بـستگی داشـته باشـد مانند نویز کوانتیزاسیون و نویز فلفل- نمکـی. در حالـت ایـده آل انتظـار داریم که حذف نویز از تصویر باعـث از بـین رفـتن جزئیـات و اطعـات تصویر نگردد. بسیاری از فیلترها مانند فیلتر میانگین گیر یا فیلتـر میانـه در عین حال که نویز تصویر را حذف می کننـد باعـث تـاری تـصویر و از بین رفتن بخشی از اطعات آن نیز می شوند.

در این مقاله ابتدا یک مـدل ترکیبـی بـه نـام FCA-CLA کـه از ترکیب اتوماتای سلولی فازی و اتوماتای یادگیر سلولی حاصل شده است پیشنهاد میگردد و سپس کاربرد آن برای حـذف نـویز در تـصاویر ارایـه میگردد. الگوریتم مبتنی بر مدل پیشنهادی برای حذف نویز در تصاویری که حاوی نویز نمک فلفلی یا گاوسـی میباشـند بـه کـار بـرده میـشود.

الگوریتم پیشنهادی لبه ها را از نـویز موجـود در تـصویر تمیـز میدهـدو میانگین گیری را فقط در نقاط نویزی انجام میگیـرد و لبـه هـا را حفـظ مینماید. به این ترتیب با حفظ کردن لبه ها و میانگین گیـری در نقـاط نویزی، تصویر نهایی فیلتر شده کیفیـت بهتـری را دارا میباشـد. نتـایج آزمایشها نشان میدهد که روش پیشنهادی خصوصا بـرای تـصاویری کـه حاوی خطوط و جزئیات ریز هستند مانند تـصاویر متنـی بهتـر از سـایر روشها عمل می کند. روش پیشنهادی بـا روشـهای حـذف نـویز فیلتـر میــانگین گیــر، فیلتــر میانــه و روش مبتنــی بــر اتوماتــای یــادگیر سلولی[۲۳] مقایسه شده است. نتایج آزمایشها حـاکی از کـارایی بـای روش پیشنهادی میباشد.

ادامه مقاله به شـرح زیـر سـازماندهی شـده اسـت. در بخـش ۲ بـه معرفی اجمالی اتوماتای سـلولی، اتوماتاهـای یـادگیر، اتوماتـای یـادگیر سلولی و اتوماتای سلولی فازی می پردازیم. در بخش ۳ مدل پیشنهادی و کاربرد آن در حذف نویز در تصاویر و در بخش ۴ نتایج ازمایشها ارایـه میگردد. بخش نهایی مقاله نتیجه گیری میباشد.

-۲ اتوماتــای ســلولی، اتوماتاهــای یــادگیر،

اتوماتای سلولی فازی و اتوماتای یادگیر سلولی

در این بخـش از مقالـه اتوماتـای سـلولی، اتوماتاهـای یـادگیر، اتوماتای یادگیر سلولی و اتوماتای سلولی فازی بـه اختـصار شـرح داده میشود.

اتوماتای سلولی:( CA) 4 اتوماتای سلولی یک مدل ریاضی بـرای سیستمهایی است که از اجزا و مولفههای ساده تشکیل شـده، پویـا هستند، با مرور زمان تغییر میکنند و بر اساس ارتباط محلی بـین اجزای خود فعالیت میکننـد. اجـزای سیـستم در مـدل اتوماتـای سلولی بوسیله مجموعهای منظم از سلولها نمایش داده مـیشـوند که در آن هر سلول معادل یکی از اجزای سیستم است. در هر قدم زمانی به هر سلول مقـداری از مجموعـهای نامتنـاهی نـسبت داده میشود که نشان دهنده وضعیت سلول اسـت. ایـن مقـداردهی بـر اساس مقدار جاری سلول، سلولهای همـسایه آن و قـانون تعریـف شده برای اتوماتای سلولی انجام میشود؛ از آنجـایی کـه قـانون در نظر گرفته شـده تنهـا مقـدار سـلول و همـسایههـای آن را مـورد اســتفاده قــرار مــیدهــد، قــانون محلــی نیــز نامیــده مــیشــود.

دستهبندیهای مختلفی را میتوان برای اتوماتـای سـلولی در نظـر گرفت که از جملـه آنهـا مـیتـوان بـه اتوماتـای سـلولی دودویـی، اتوماتای سلولی احتمالی، اتوماتای سلولی همگام، اتوماتای سـلولی تا همگام، اتوماتای سلولی منظم و اتوماتای سلولی نا مـنظم اشـاره کرد. برای اطعات بیـشتر در بـاره اتوماتـای سـلولی میتـوان بـه مراجع [۱۲-۱۵] مراجعه نمود.

اتوماتاهای یادگیر: ۵ یک اتوماتـای یـادگیرماشـینی اسـت کـه میتواند تعداد محدودی عمل را انجـام دهـد؛ هرگـاه ایـن ماشـین عملی را انتخاب میکند، عمل انتخاب شده توسط محـیط ارزیـابی شده و نتیجه آن به صـورت یـک سـیگنال بـازخوردی مثبـت (در صورت مناسب بودن عمل) یـا منفـی (در صـورت نامناسـب بـودن عمل) به اتوماتا بازگردانده میشود. مقدار این سـیگنال در انتخـاب اعمال بعدی تاثیر میگذارد. هدف این فرایند این است کـه اتوماتـا بعد از گذشت مدتی به سمت مناسبتـرین عمـل خـود در محـیط میل کند و یا به عبارت دیگر یاد میگیرد کـه کـدام عمـل بهتـرین

۴ Cellular Automata 5 Learning Automata

عمل است. نحوه تعامل اتوماتای یادگیر و محیط در شکل ۱ نـشان

داده شده است:

پاسخمحیــط محیط عملاتوماتــا

اتوماتای یادگیر

شکل :۱ تعامل اتوماتای یادگیر و محیط

دو نوع پیادهسازی برای اتوماتای یادگیر وجـود دارد کـه عبارتنـد از اتوماتای یادگیر با ساختار ثابت۶ و اتوماتـای یـادگیر بـا سـاختار متغیـر.۷

اتوماتای یادگیر با ساختار متغیر که در این مقاله استفاده شـده اسـت از برداری به نام بردار احتمال انتخاب اعمال تشکیل شـده اسـت؛ همـانطور که از نام این بردار برمیآید اعضای آن نشاندهنده احتمال انتخاب عملی از بین اعمال اتوماتا هستند. بنابراین جمع احتمات این بـردار برابـر ۱ و

تعداد اعضای آن برابر تعداد اعمال خواهد بود. اتوماتا با توجه به این بردار عمل بعدی خود را انتخاب میکند و بعد از دریافت پاسخ محیط آن را به روز میکند. الگوریتمی که برای به روز رسانی بـردار احتمـال بـر اسـاس ورودی (پاسخ محیط) مورد استفاده قرار می گیرد الگوریتم یـادگیری نـام دارد. . یکی از متداولترین الگوریتمهـای یـادگیری، الگـوریتم یـادگیری خطی است. در این الگوریتم هرگاه در مرحله n ام عمل i انتخـاب شـده باشد و این عمل از طرف محیط پاداش گرفته باشد بردار احتمال با توجه به رابطه ۳ به روز میشود:

(۳) pi (n 1) pi (n) a[1 pi (n)]
j j i p j (n 1) (1 a) p j (n)

و در صورتی که عمل انتخاب شده از طرف محـیط جریمـه شـود بـه روز رسانی طبق رابطه ۴ انجام میشود:

(۴) pi (n 1) (1b) pi (n)
(۱b) p j (n) j j i p j (n 1) (b r 1)

در این روابط a پارامتر پاداش و b پارامتر جریمه می باشند. برای اطعات بیشتر در باره اتوماتاهای یادگیر میتوان به مراجع [۶-۱۱]

مراجعه نمود.

اتوماتای سلولی فازی:۸ اتوماتای سلولی فازی مانند اتوماتای سـلولی از تعداد زیادی از اجزا ساده با تعامت محلی تشکیل شدهاست. این اجزا ساده که سلول نامدارند، در یک شـبکه سـلولی در کنـار یکـدیگر چیـده شدهاند. اتوماتاهای سلولی فازی، مـشابه اتوماتاهـای سـلولی کسـیک،

سیستمهایی گسسته و پویا با ساختاری ساده هستند. اما این سیستمهـا با وجود سادگی ساختارشان، رفتاری پیچیده و در ضمن خودسـازمانده از خود نشان میدهند. در اتوماتـای سـلولی فـازی مجموعـه حـات یـک سلول و تابع انتقال محلی فازی هستند. مجموعه حات یک متغیرهای زبانی میباشد. این متغیرهای زبانی با توجه به دانـش مـا از مـساله مـورد نظر تعیین می شود. حالت هر سلول در مرحله بعد بـستگی بـه حالـت فعلی (متغیر زبانی) سلول و حـات فعلـی همـسایه هـایش دارد. ایـن تغییر حالت توسط تابع انتقال محلی اتوماتای سلولی فـازی انجـام مـی گیرد. تابع انتقال محلی برای کلیه سلولها یکسان و یک تابع فازی است.

این تابع به این صورت عمل می کند که در هـر مرحلـه مقـدار عـضویت همسایگی سلول را گرفته و مقدار عضویت آن سـلول را در مرحلـه بعـد محاسبه می کند. برای اطعات بیشتر در بـاره اتوماتـای سـلولی فـازی میتوان به مراجع [۱۶-۲۰] مراجعه نمود.

اتوماتای یادگیر سلولی :(CLA) بسیاری از مسائل را نمیتوان با یک اتوماتای یادگیر حل کرد؛ در این موارد مجموعهای از اتوماتاهای یادگیر میتوانند به حل مساله کمک کنند. در مدلی متشکل از دو مفهوم و مدل اتوماتای سلولی و اتوماتای یادگیر ارائه شده است که با نام اتوماتای یادگیر سلولی شناخته میشود. در این مدل هر سلول در اتوماتای سلولی با یک اتوماتای یادگیر جایگزین شده است. به این ترتیب این مدل نه تنها امکان استفاده از چندین اتوماتای یادگیر سلولی را به صورت توام فراهم میکند بلکه مشکل تعیین فرم قطعی قوانین در اتوماتای سلولی را نیز مرتفع میکند. نحوه عملکرد و به روز رسانی سلولهای اتوماتای یادگیر سلولی شباهت بسیار زیادی به اتوماتای سلولی دارد با این تفاوت که قبل از انجام اعمال به روز رسانی، ابتدا هر کدام از اتوماتاهای یادگیر عملی را انتخاب میکنند. سپس عمل انتخاب شده توسط هر سلول در کنار اعمال انتخاب شده توسط اتوماتاهای همسایه آن به وسیله قانون محلی اتوماتای سلولی بررسی و نتیجه آن به عنوان پاسخ محیط و سیگنال بازخوردی به سلول برگردانده میشود. در نهایت اتوماتای یادگیر هر سلول با توجه به سیگنال بازخوردیی که از محیط دریافت کرده است، یا به وضعیت جدیدی می رود (در صورتی که ساختار ثابتی داشته باشد) و یا توسط الگوریتم یادگیری بردار احتمال خود را به روز میکند (در صورتی که ساختار متغیری داشته باشد). انواع مختلفی از همسایگیها برای اتوماتای یادگیر سلولی وجود دارد که با توجه به کاربرد و شرایط مساله انتخاب و یا تعریف می شوند. برای اطعات بیشتر در باره اتوماتای یادگیر سلولی میتوان به مراجع [۲۱-۲۳] مراجعه نمود.

۶ Fixed Structure Learning Automata 7 Variable Structure Learning automata 8 Fuzzy Cellular Automata

-۳ مدل پیشنهادی و کاربرد آن در حذف نـویز در

تصاویر

مدل پیشتهادی که آنرا FCA-CLA مینامیم یک مدل دو یه است که از ترکیب دو مدل اتوماتای یادگیرسلولی((CLA و اتوماتای سلول فازی((FCA بدست میاید. اتوماتای سلولی فازی مبتنی بر تعریفی از اتوماتای سلولی فازی است که توسط میبدی و انوری نژاد[۱۹] و اتوماتای یادگیر سلولی مبتنی بر تعریف ارائه شده توسط میبدی و بیگی [۲۳] می باشد. در مدل FCA-CLA هر سلول اتوماتای سلول فازی، متناظر با یک سلول از اتوماتای سلولی یادگیر می باشد، در حقیقت به هر سلول اتوماتای سلولی فازی یک اتوماتون یادگیر از اتوماتای یادگیر سلولی اختصاص می یابد که پارامترهای تابع (توابع)

عضویت قانون (قوانین) فازی متناظر با آن سلول را به صورت بهینه تنظیم می نماید. مدل FCA-CLA به دلیل توانایی اش در مدلسازی سیستمهای غیر قطعی و در عین حال داشتن قوانین فازی که در طول زمان به قوانین بهینه همگرا می شوند، میتواند در شبیه سازی و مدلسازی سیستمهای نویزی، غیر قطعی و احتماتی مورد استفاده قرار گیرد. در ادامه این بخش کاربرد این مدل پیشنهادی در حذف نویز در تصاویر ارایه میگردد.