(77 امتیاز از 19 رای)
Loading...
پروژه تطبیق گراف با الگوریتم تخصیص تدریجی در نرم افزار MATLAB
الگوریتم Graduated Assignment یا تخصیص تدریجی برای تطبیق گراف یک روش مناسب و بهینه حتی در حضور نویز (چه برای فایل های تصویری چه برای صدا) مناسب می باشد. با ترکیب کردن حالت غیر محدب تدریجی، محدودیت دو طرفه (که منظور محدودیت های تخصیص تدریجی برای انطباق گراف است) حتی با داشتن پراکندگی، باعث به وجود آمدن بهبود بالا در سرعت و دقت جهت انطباق گراف خواهد شد. به منظور پیچیدگی محاسباتی کم و دقت عملکرد در حضور نویز، این روش نسبت به روش های سنتی که قبلا استفاده می شد، بهینه تر می باشد. بدین صورت که در این روش (Im) او O را داریم که منظور از I و m تعداد پیوندها در هر دو گراف می باشد. یکی از مزایایی این الگوریتم این است که به مواردی مانند کلاس خاصی از گراف (گراف ها)، تطبیق گراف های هم شکل و اعمال آن ها، تطبیق گراف های وزن دار و تطبیق گراف های هم ویژگی با صفات مشترک، محدود نمی شود. برای نشان دادن عملکرد صحیح این الگوریتم، گراف رابطه ای هم نسبت با اشیایی که با هم منطبق هستند (در تصویر یا در داده عددی در یک گراف مشخص) با هم مشتق شده اند. سپس نتایج بیست و پنج هزار آزمایش انجام شده بر روی 100 گره از گراف های تصادفی با انواع مختلف در مقاله گزارش شده است. منظور از گره در گراف های تصادفی این است که گراف فقط دارای پیوند صفر و یک هستند یا گراف هایی وزن دار هستند و گراف با ویژگی های گره و انواع پیوند های این گره ها در همان گراف سنجیده می شود.
توضیحات بیشتر و تصاویر خروجی در ادامه مطلب …
.گراف ها بازنمایی ای از انعطاف پذیری و قدرت هستند که در واقع قارد به بیان مقدار بالایی از اطلاعات استفاده شده توسط سیستم های بصری به منظور شناسایی اشیا هستند. یکی از مشکلاتی که تطبیق نمودا با هر الگوریتمی دارد این است که نیاز به اطلاعات دقیقی در رابطه با آن داده چه تصویری، چه ویدئویی، چه صوتی به صورت سیگنال گسسته و چه داده عددی باشد، مورد نیاز است.
گرچه برای حل بسیاری از مشکلات جهت انطباق و تشخیص اشیا و شناسایی آن ها با استفاده از انطباق گراف ها، روش های تکاملی یا هیوریستیک زیادی ساخته شده اند که از جمله آن ها می توان به الگوریتم ژنتیک (Genetic Algorithm)، الگوریتم ازدحام ذرات بهینه (PSO – Particle Swarm Optimization)، کلونی مورچگان (Ant Colony)، کلونی زنبور (Bee Colony) و سایر الگوریتم های تکاملی اشاره کرد که الگوریتم های خانواده تکاملی، عملکرد بسیار بالایی در مسائل گفته شده یعنی تشخیص و شناسایی اشیا را دارند.
همینطور ترکیب آن ها با الگوریتم های شبکه عصبی یا فازی و همینطور یکسری الگوهای پردازش تصویری مانند الگوریتم GMM یا Gaussian Mixture Model و روش های دیگر، بهترین عملکرد را خواهد داشت.
(جهت بزرگنمایی تصاویر برروی آنها کلیک نمائید)
هیچ نظری ثبت نشده است