الگوریتم ژنتیک SURF تغییر اندازه تصویر

الگوریتم ژنتیک SURF تغییر اندازه تصویر – ایران ترجمه – Irantarjomeh

مقالات ترجمه شده آماده گروه کامپیوتر

مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

چگونگی سفارش مقاله

الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.

www.irantarjomeh.com

یک الگوریتم ژنتیک جدید همراه با یک رویکرد مبتنی بر ـ SURF برای تغییر اندازه تصویر با توجه به حفظ ویژگی های اصلی

چکیده

حذف درز یا رگه های تصویر به عنوان روشی به شمار می آید که هدف از آن ارائه تصویری مطلوب با قابلیت تغییر اندازه و حفظ ویژگی های اصلی، یعنی تعدیل تصاویر ورودی به ابعاد فرضی از طریق حذف مسیرهای پیکسل (رگه ها / درزهای تصویر) با حداقل تأثیر ویژوال / مصور، می باشد. روش استاندارد بر مبنای یک متد جستجوی جامع برای حاصل آوردن چنین فرآیندی با حداقل هزینه بر حسب تابع ارتباط پیکسل اعمال می شود که همچنین تحت عنوان تابع انرژی نیز خوانده می شود. در تحقیق جاری، ما نسبت به ارائه روشی جامع جهت تغییر اندازه مطلوب تصاویر بر مبنای الگوریتم ژنتیک (GA) و مقیاس دارای عملکرد بالا و همچنین توصیف گر نقطه علاقه تغییرناپذیر / ثابت در برابر چرخش که به عنوان یک روش معروف به شمار می آید، همراه با کاربرد روش شتاب دهی به ویژگی های استوار و توانمند مرتبط با تصویر (SURF) اقدام می نماییم. با توجه به این ویژگی، ما یک تابع برازندگی آگاه از محتوا، یک مدل سازی واحد جدید، همراه با یک شاخص نوین برای تغییر اندازه مطلوب تصاویر با توجه به قابلیت حفظ کیفیت و در نهایت ارزیابی مولفه های مرتبط با آنها را عرضه می نماییم. بر مبنای شبیه سازی های انجام شده، رویه پیشنهادی ما کاملاً برای تغییر اندازه تصویر با توجه به حفظ ویژگی های اصلی آن کارآمد می باشد و با توجه به غالب نتایج حاصله از عملکرد بهتری در مقایسه با از روش حذف رگه / درز تصاویر بر مبنای شاخص ارزیابی کیفیت تصویر برخوردار می باشد.

کلمات کلیدی: الگوریتم ژنتیک، تغییر اندازه تصویر با توجه به حفظ ویژگی های اصلی، حذف / برش رگه ها و درزهای تصویر بر مبنای الگوریتم ژنتیک، استخراج ویژگی، حفظ ویژگی، ارزیابی کیفیت.

الگوریتم ژنتیک SURF تغییر اندازه تصویر

۱- مقدمه

در پردازش تصویر، فرآیند تغییر اندازه تصویر با توجه به حفظ ویژگی های اصلی آن به عنوان روشی به شمار می آید که هدف از آن تنظیم و تعدیل تصاویر ورودی در ابعاد فرضی و همچنین حفظ مناطق مورد نظر / مورد علاقه در تصویر (ROIs) می باشد. به عبارت دیگر، ایده تغییر اندازه یک تصویر در عین حفظ مناطق مهم تصویر می بایست قابلیت به حداقل رسانی اعوجاج های ایجادی را نیز داشته باشد. برای کاهش در اندازه، همانگونه که در مبحث جاری ارائه شده است، روش تغییر اندازه بر حسب حفظ ویژگی های اصلی قابلیت یافتن ROIهای با اهمیت کمتر در تصویر به منظور مشخص سازی مسیرهای پیکسل (رگه ها یا درزهای مرتبط) و حذف آنها با حداقل تأثیر ویژوال است.

مسئله تغییر اندازه تصویر با توجه به حفظ ویژگی های ضروری آن را می توان به شرح ذیل بیان داشت. در این زمینه اجازه دهید تا I به عنوان یک تصویر ورودی با اندازه m × n در نظر گرفته شود، که در آ ن m تعداد ردیف ها و n تعداد ستون ها در نظر گرفته شده است. به طور مشابه، اجازه دهید تا I¢ نیز به عنوان تصویر خروجی با اندازه m¢ × n مشخص شود که در آن m¢ < m و n¢ < n برای کاهش مؤلفه های مرتبط در نظر گرفته شده است. هدف ایجاد یک تصویر جدید I¢ می باشد که به عنوان یک شاخص مناسب از تصویر اولیه I قلمداد می شود. بر این مبنا هیچ گونه تعریف روشنی یا برآورد آشکاری در خصوص کیفیت I¢ به عنوان یک شاخص مناسب I وجود ندارد. به طور تقریبی، فرآیند تغییر اندازه تصویر با توجه به حفظ ویژگی های اصلی آن به شرح ذیل بکار گرفته می شود: (۱) جهت حفظ محتوای تصویر ورودی در تصویر حاصله I¢، (۲) حفظ ساختار تصویر ورودی در I¢، و همچنین (۳) حاصل آوردن یک تصویر بدون وجود ویژگیهای مصنوعی مختلف I¢ (Shamir و Sorkine، ۲۰۰۹).

…

ادامه این مبحث به شرح ذیل سازماندهی شده است. در بخش ۲، روش حذف رگه ها / درزها ارائه خواهد شد. متعاقباً در بخش ۳ ویژگیهای مرتبط با الگوریتم ژنتیک به طور مختصر تشریح می شود. سپس، پیشنهاد ما در بخش ۴ ارائه خواهد شد. در بخش ۵، برخی از توصیفات چگونگی ارزیابی کیفیت در محتوای مربوط به تغییر شکل تصاویر با قابلیت حفظ خصیصه های اصلی آن عرضه می شوند. متعاقباً، آزمایشات بخش ۶ مشخص و تشریح خواهند شد. در نهایت، نتیجه گیری و مباحث مرتبط در بخش ۷ عرضه می شوند.

الگوریتم ژنتیک SURF تغییر اندازه تصویر

۲- حذف درزها و رگه های تصویر

فرآیند حذف درزها و رگه های تصویر (Avidan و Shamir، ۲۰۰۷) قابلیت جستجو و ارزیابی درزها یا رگه های محتمل را داشته و بر مبنای آن مشخصه ای انتخاب می شود که دارای کمترین هزینه پردازشی جهت حاصل آوردن نتیجه تغییر اندازه تصویر با قابلیت حفظ ویژگی اصلی، همانگونه که در شکل ۱ نشان داده شده است، می باشد.

الگوریتم ژنتیک رویکرد SURF تغییر اندازه تصویر

۳- الگوریتم ژنتیک

الگوریتم ژنتیک (GAs) (Whitley، ۱۹۹۴) به عنوان یک روش جستجوی ابتکاری به شمار می آید که خود الهام گرفته از سیر تکامل طبیعی، نظیر ویژگی های وراثتی، جهشی، انتخاب های طبیعی و کراس اور، می باشد. ویژگی ابر ابتکاری یا متاابتکاری را می توان جهت ایجاد راه حل های مفید به منظور بهینه سازی مشکلات مورد استفاده قرار داد. به واسطه مشخصه های روش الگوریتم ژنتیک، قابلیت حل آسانتر مشکلات مرتبط در مقایسه با روش های ریاضیاتی میسر می گردد، آن هم با در نظرگیری مسایلی که می بایست متکی به فرضیه های مختلف نظیر ویژگی خطیت، مشتق پذیری، پیوستگی یا تداوم، و همچنین حالت تحدب تابع هدف باشند. در یک الگوریتم ژنتیک، جمعیت افراد کاندید (یا راه حل ها) برای یک مسئله بهینه سازی از طریق حاصل آوردن راه حل های بهتر با توجه به انتخاب طبیعی تکامل می یابند، نظیر یک تابع برازندگی. در چنین جمعیتی، هر فرد دارای مجموعه ای از ژن ها (بردار ژنی) تحت عنوان کروموزوم می باشد، که قابلیت تغییر آن به وسیله جهش یا ترکیب نسل به نسل با نفرات دیگر به منظور ایجاد افراد جدید از طریق فرآیند تولید مثل با استفاده از ویژگی کراس اور وجود دارد. پیاده سازی استاندارد الگوریتم ژنتیک برای انتخاب طبیعی به صورت چرخ رولت در نظر گرفته می شود. پس از فرآیند انتخاب، افراد انتخاب شده به عنوان ورودی به دیگر عملگرهای ژنتیکی بکار گرفته می شوند: کراس اور و جهش. عملگر کراس اور قابلیت ترکیب دو رشته از کروموزوم ها را دارد، اما عملگر جهشی اقدام به اصلاح یکسری از بیت ها در یک کروموزوم واحد می نماید.

الگوریتم ژنتیک SURF تغییر اندازه تصویر

۴- پیشنهاد: حذف رگه / درز ژنتیکی بر مبنای ـ SURF

همانگونه که مشخص شده است، پیشنهاد ما در خصوص بکارگیری روش حذف رگه / درز با استفاده از الگوریتم ژنتیک و بر مبنای ـ SURF (S-GSC) خود متکی به الگوریتم ژنتیک، همراه با فرآیند حذف رگه یا درز و همچنین SURF می باشد. برای مدل سازی توأم با موفقیت الگوریتم ژنتیک، ما می بایست قابلیت تعریف افراد و همچنین تابع برازندگی و همچنین استفاده از عملگرهای ژنتیکی استاندارد یا تغییر یافته بر حسب نیازها را داشته باشیم. بر این مبنا ما نسبت به ارائه این موارد با توجه به ویژگی های مطرح شده اقدام می نماییم.

۴ـ۱٫ افراد یا کروموزوم ها

در این مبحث فرد مورد نظر ما صرفاً متشکل از یک کروموزوم تلقی شده و به صورت  تعریف می گردد، که در آن m پهنای تصویر (همچنین تحت عنوان فرد) و p موقعیت محوری به شمار می آیند. هر ژن دارای یک مقدار عددی صحیح کراندار به شرح ذیل است.

۴ـ۲٫ عملگرهای ژنتیکی

عملگرهای ژنتیکی به منظور بررسی فضای جستجو توسعه یافته اند. برای S-GSC، اصلاح اندک عملگر کراس اور تک نقطه ای اعمال شده است. در ابتدا، ما نسبت به ذخیره سازی این ویژگی محوری اقدام نموده و متعاقباً آن را از مؤلفه ژنتیکی حذف نمودیم. پس از آن، همانند معمول، یک نقطه به صورت تصادفی جهت جداسازی هر دوی والدین بکار گرفته شد. اولین بخش مؤلفه یا ماده ژنتیکی از یک والد به والد دیگر متصل گردید. در نهایت، ژن های محوری به این موقعیت اصلی خود همانگونه که در شکل ۳ نشان داده شده است منتقل گردیدند.

عملگر جهشی قابلیت انتخاب تعداد تصادفی ژن ها به منظور انجام فرایند جهش را خواهد داشت. با این وجود، در چنین موردی، ژن محوری می بایست در ماده ژنتیکی باقی بماند به گونه ای که ژن محوری قابلیت حفظ در یک موقعیت مختلف را داشته باشد. بنابراین، با استفاده از این عملگر جهشی تغییر یافته، ژن محوری به احتمال از قابلیت تغییر در موقعیت خود برخوردار خواهد بود، همانگونه که در شکل ۴ نشان داده شده است.

ما نسبت به مشخص سازی این موضوع اقدام نموده ایم که عملگر جهش استاندارد برای اهداف ما مناسب نمی باشد، به علاوه ما در ابتدا فرآیند کاری خود را از طریق ارزیابی ویژگی های محوری ثابت بر روی مسیرهای عمودی و افقی انجام داده ایم، اما ما مشاهده نمودیم که بسیاری از این ویژگی ها در داخل آبجکت ها قرار گرفته اند، که به عنوان یک موقعیت نامطلوب به شمار می آید. بهترین راه حل بر این مبنا می بایست حاصل آید تا از این طریق قابلیت فایق آمدن بر چنین نقیصه ای به وجود آید و با توجه به این موضوع می بایست از یک ویژگی محوری انعطاف پذیر در هر دو مسیر استفاده شود. عملگر جهشی را می توان مسئول چنین مؤلفه ای در نظر گرفت. در حقیقت، چنین موردی را می توان به عنوان یک ویژگی مهم تلقی نمود که ما آن را در پروسه خود شامل ساخته ایم.

۴ـ۳٫ تابع برازندگی

ایده اصلی تابع برازندگی ما ارائه نوعی درز / رگه ای می باشد که سبب تنزل کمتر مقادیر سطح پایینتر برازندگی شود. در یک سناریوی تغییر اندازه ایده آل، ویژگی های آبجکتی کمتری تغییر یافته، و بنابراین تأثیر بصری یا ویژوال کمتری نیز به وسیله مشاهده کننده احساس می شود. رگه هایی که دورتر از مناطق مورد نظر هستند ترجیح داده می شوند، بنابراین قابلیت به حداقل رسانی اعوجاج کلی تصویر حاصل می شود. یک سناریوی مصنوعی در شکل ۵ نشان داده شده است، که در آن دو درز به گونه ای خاص در یک تصویر مشخص شده آرایش یافته اند. در چنین سناریویی، آبجکت های مرتبط (نواحی خاکستری) به عنوان مواردی محسوب می شوند که در آن هر تغییری سبب حاصل آوردن تأثیر ویژوال خواهد شد که هر فرد مشاهده کننده قابلیت ادراک آن را خواهد داشت. بنابراین، با حذف رگه های بریده بریده همانند مورد نشان داده در شکل ۵ می توان یک ویژگی ترجیحی را در نظر گرفت که در آن قابلیت حذف مؤلفه های توپر به وجود خواهد آمد، چرا که تأثیر کلی به حداقل رسیده و سبب تنزل نواحی مهم در تصویر نخواهد شد.

۴ـ۴٫ تنظیم پارامتر

به طور کلی، آبجکت ها در یک تصویر دارای نقاط SURF اندکی می باشند. به واسطه این موضوع، غالب این نقاط نزدیک به یکدیگر بوده و بنابراین پنجره های هم پوشان ممکن است بدون هیچ گونه تغییری در پیشنهاد ما ایجاد شوند. از این طریق، جهت تضمین یک ارزیابی برازندگی بهتر، ما نسبت به کاهش تعداد نقاط SURF از طریق بکارگیری K ـ میانگین در نقاط SURF اقدام نمودیم. K ـ میانگین ها به عنوان یک الگوریتم کوآنتش بردار کاملاً شناخته شده به شمار می آیند که قابلیت کاهش بردارهای شاخص تحت عنوان پرتوتایپ را خواهند داشت. پس از بکارگیری K ـ میانگین در زمینه نقاط SURF، K پرتوتایپ نیز حاصل خواهد آمد که همانگونه که انتظار می رود در تطابق با نقاط SURF حقیقی نمی باشند. به منظور داشتن نقاط SURF حقیقی، برای هر پرتوتایپ، ما نسبت به یافتن نزدیکترین نقطه SURF جهت کاربرد در مراکز پنجره، همانند شکل ۷، اقدام می نماییم.

۴ـ۵٫ حذف چند رگه ای

ایده حذف چند رگه ا ی یا چند درزی در رویکرد ما جهت جستجو در جمعیت برای مجموعه ای از افراد به منظور پردازش در ردیف می باشد. به جای سرف بکارگیری مناسبترین مورد، ما نسبت به ارزیابی جمعیت شامل شده و تکامل یافته به منظور یافتن دیگر موارد متناسب و برازنده مشابه جهت ارتقای رویه پیشنهادی خود در یک حالت حذف چند رگه ای اقدام می نماییم. برای انجام این کار، ما به دنبال ویژگی های فردی خاصی می باشیم که دارای مقادیر برازندگی مساوی با بهترین فرد از این نظر باشند. این مجموعه از چنین افرادی تحت عنوان S^* مشخص می شوند.

۴ـ۶٫ الگوریتم حذف رگه ژنتیکی بر مبنای ـ SURF

شبه کد برای حذف رگه / درز ژنتیکی بر مبنای ـ SURF در الگوریتم ۱ نشان داده شده است، که در آن P به عنوان مجموعه ای به شمار می آید که حاوی نقاط SURF تشخیص داده شده است، t نیز نسل کنونی و t_max معرف تعداد حداکثری نسل می باشند.

الگوریتم ژنتیک SURF تغییر اندازه تصویر

۵- ارزیابی کیفیت تغییر اندازه تصویر با حفظ ویژگی های مطلوب

با توجه به این مورد، ما نسبت به ارائه برخی از مباحث در خصوص تغییر اندازه تصویر با قابلیت ارزیابی کیفیت آن به منظور مشخص سازی کامل پیشنهاد خود اقدام نموده ایم. با توجه به دو تصویر با یک اندازه مشابه، تناظر یک به یک طبیعی در ارتباط با نگاشت یک پیکسل در یک تصویر با پیکسل مشابه در موقعیت یکسان در تصویر دیگر در نظر گرفته شده است. از آنجایی که این تصاویر دارای اندازه های متفاوتی هستند، قابلیت کاربرد غالب روش های ارزیابی کیفیت تصویر نظیر ضریب سیگنال ـ به نویز و مشابهت ساختار (SSIM) وجود ندارد (Wang, Bovik, Sheikh و Simoncelli، ۲۰۰۴). با این وجود، مولفه سنجشی از راه دور محاسباتی تصویر قابلیت پیش بینی ویژگی تغییر اندازه را داشته و به طور گسترده ای جهت ارزیابی کیفیت تصاویر مرتبط بکار گرفته شده است (Rubinstein, Gutierrez, Sorkine و Shamir، ۲۰۱۰). در این رویه، هزینه تغییر شکل تصویر مرجع به تصویر نهایی تحت عنوان یک ویژگی مرتبط با فاصله ارائه می شود. این هزینه در ارتباط با اعوجاج تصاویر تغییر شکل یافته است. در این تحقیق، ما از جریان SIFT (Liu, Yuen, Torralba, Sivic و Freeman، ۲۰۰۸) و SURF-SSIM استفاده می نماییم. که مورد آخری به وسیله نویسندگان مرتبط برای ارزیابی کیفیت تصویر پیشنهاد شده است.

الگوریتم ژنتیک SURF تغییر اندازه تصویر

۶- آزمایشات و مباحث

۶ـ۱٫ ویژگی های تجربی

ما نسبت به انجام برخی از شبیه سازی ها جهت ارزیابی S-GSC پیشنهادی خود در ارتباط با تغییر اندازه تصویر با قابلیت حفظ ویژگی های اصلی آن اقدام نمودیم. بر این مبنا ما از یک بانک اطلاعاتی IRCCyN/IVC (Le، ۲۰۰۵) استفاده نموده و آن را با فرآیند حذف درز با توجه به S-GSC جهت ارزیابی اعوجاجی که به طور طبیعی ناشی از از دست دادن محتویات در این زمینه می شود اقدام نمودیم. در این شبیه سازی ها، ما یک کاهش ۲۰ درصدی برای هر تصویر را در این بانک اطلاعات اعمال کردیم. میزان گرادیان در Sobel به عنوان یک تابع انرژی جهت SC بکار گرفته شد، چرا که این مورد دارای عملکرد مناسبی می باشد (Avidan و Shamir، ۲۰۰۷). همانگونه که قبلاً بیان شد، برای هر تصویر پردازش شده به وسیله S-GSC، ما نسبت به تشخیص نقاط P SURF اقدام نموده و صرفاً از ۱۰ درصد از آنها به عنوان پارامتر K در K ـ میانگین استفاده نمودیم. بنابراین، K = 0.1 × P حاصل می گردد. در این شبیه سازی ها، پارامتر GA برای S-GSC جهت کلیه تصاویر تثبیت گردیده و بر حسب آزمون و خطا تعدیل شد. ما همچنین از یک جمعیت ۱۲۰ نفره و کراس اور ثابت و نرخ های جهشی ۸۰ و ۱۵ درصد به ترتیب استفاده نمودیم. به منظور تکمیل یک جمعیت جدید، باقیمانده ۵ درصد جمعیت از جمعیت قبلی با استفاده از استراتژی نخبه گرایی انتخاب شد. تعداد حداکثری نسل ها برابر با ۸۰ می باشد.

۶ـ۲٫ نتایج برای SC و S-GSC

در شکل های ۱۰، ۱۱، ۱۲ و ۱۳ نتایج حاصله برای پیشنهاد ما یعنی (S-GSC) و SC ارائه شده است. این شکل ها معرف تصویر ورودی در سمت چپ همراه با تصاویر خروجی SC و S-GSC در وسط و سمت راست به ترتیب می باشند. بحث هایی در خصوص هر تصویر در زیر هر کدام از این شکل ها مشخص ارائه شده اند.

۶ـ۳٫ مقایسه بین فلوی SIFT و SURF-SSIM

به منظور ارتقای ارزیابی ما و بحث پیرامون مقایسه رویه پیشنهادی در ارتباط با حذف رگه یا درز، ما نسبت به استفاده از فلوی SIFT برای ارزیابی کیفیت تصویر اقدام نمودیم. مجموعه پارامترها برای هر دو مورد فلوی SIFT و SURF-SSIM در جدول ۱ مشخص شده اند. ما در نظر گرفتیم که این پارامترها در آزمایشات ما به صورت ثابت برای هر تصویر به شرح ذیل می باشند.

۶ـ۴٫ ارزیابی الگوریتم ژنتیک برای S-GSC

به منظور ارزیابی رویکرد ژنتیک پیشنهادی، ما نسبت به آنالیز همگرایی و برازندگی جمعیت همراه با فرآیند سیر تکاملی آن اقدام می نماییم. چنین موردی در شکل ۱۶ به صورت بهترین، بدترین و رتبه متوسط نمرات معتبر برای هر فرد در هر نسل مرتبط با توجه به آخرین اجرای الگوریتم ژنتیک به شمار می آید. در این شکل، می توان ملاحظه نمود که میانگین برازندگی تا نسل دهم کاهش یافته و از آن نقطه به بعد شاهد بروز تغییراتی در این مقدار هستیم. با این حال، می توان ملاحظه نمود که بهترین برازندگی در کلیه نسل ها حتی در نسل اول حاصل می شود.

الگوریتم ژنتیک SURF تغییر اندازه تصویر

۷- نتیجه گیری

در این تحقیق، یک فرمول جدید برای مسئله تغییر اندازه تصویر با توجه به حفظ ویژگی های اصلی آن در چارچوب الگوریتم ژنتیک ارائه شده است. این ویژگی پیشنهادی شامل یک شاخص ژنتیکی جدید، همراه با عملیات ژنتیکی و تابع برازندگی می باشد. این فرمول نقاط استواری یا توانمندی توصیف گرها را در ارتباط با مشخص سازی رگه ها (مسیرهای پیکسل در امتداد تصویر) در نظر می گیرد و به علاوه مقادیر برازندگی بر حسب نزدیکی آنها به این نقاط نیز لحاظ می شود. این نقاط در نواحی مهم جای می گیرند که در آن هرگونه تأثیر ویژوال یا بصری قابل مشاهده خواهد بود. به واسطه مقدار بالا و نزدیکی چنین نقاطی، روش کوآنتش جهت یافتن موارد شاخص و ویژگی اصلی بکار گرفته شده است. بنابراین، پردازش رگه ها که دور از نقاط شاخص هستند (و احتمالاً دور از نزدیکترین نقاط SURF به عنوان مراکز پنجره ها)، سبب حاصل آمدن تصاویر تغییر اندازه داده شده مناسبی با توجه به حفظ ویژگی های اصلی آنها می شوند.

…

امروزه، ما از طریق به حساب آوردن تعداد کراسینگ ها سعی در ارتقای تابع برازندگی داشته و تلاش می نمائیم تا نسبت به پیشرفت روش های ایجاد جمعیت به منظور کاهش تعداد اجراهای الگوریتم ژنتیک اقدام نموده و بر این مبنا بر روی مدل سازی عملگرهای ژنتیکی جدید برای حاصل آورن فرایندهای مرتبط با تولید مجدد و جهش به منظور ارتقا و حصول یک تراز یا بالانس مناسب بین ویژگی های متنوع و فزونی یافته در این عرصه تمرکز می نمائیم.