توضیحات
An efficient method for segmentation of images based on fractional calculus and natural selection
Image segmentation has been widely used in document image analysis for extraction of printed characters, map processing in order to find lines, legends, and characters, topological features extraction for extraction of geographical information, and quality inspection of materials where defective parts must be delineated among many other applications. In image analysis, the efficient segmentation of images into meaningful objects is important for classification and object recognition. This paper presents two novel methods for segmentation of images based on the Fractional-Order Darwinian Particle Swarm Optimization (FODPSO) and Darwinian Particle Swarm Optimization (DPSO) for determining the n-1 optimal n-level threshold on a given image. The efficiency of the proposed methods is compared with other wellknown thresholding segmentation methods. Experimental results show that the proposed methods perform better than other methods when considering a number of different measures.
خلاصه (ترجمه توسط ماشین) :
تقسیم بندی تصویر به طور گسترده ای در تجزیه و تحلیل تصویر سند برای استخراج شخصیت های چاپ شده، پردازش نقشه به منظور پیدا کردن خطوط، افسانه ها، و شخصیت ها، استخراج ویژگی های توپولوژیکی برای استخراج اطلاعات جغرافیایی، و بازرسی کیفیت مواد در جایی که قطعات معیوب باید در میان بسیاری از برنامه های دیگر. در تجزیه و تحلیل تصویر، تقسیم بندی کارآمد تصاویر به اشیاء معنی دار برای طبقه بندی و شناسایی ابعاد مهم است. این مقاله دو روش جدید برای تقسیم تصاویر بر اساس بهینه سازی پارامتر ذره Darwinian Oscillation Order (FODPSO) و بهینه سازی پارامتر Darwini Particle Swarm (DPSO) برای تعیین n-1 آستانه سطح n-n برای یک تصویر داده شده ارائه می دهد. کارایی روش های پیشنهادی با سایر روش های تقسیم بندی آستانه شناخته شده به خوبی شناخته شده است. نتایج تجربی نشان می دهد که روش های پیشنهادی با توجه به تعدادی از اقدامات مختلف بهتر از سایر روش ها عمل می کنند.
کد متلب MATLAB
یک فایل فارسی توضیح خط به خط برنامه هم وجود دارد.
شروین –
سلام
ممنون میشوم لطف بفرمایید و توضیحات قسمت
function imgOut = imageRGB(img,Rvec,Gvec,Bvec)
را هم بدهید.
سپاس از لطف شما
ایران متلب –
برنامه این تابع به صورت زیر است
function imgOut=imageRGB(img,Rvec,Gvec,Bvec)%img=original image;Rvec=xR;Gvec=xG,Bvec=xB
imgOutR=img(:,:,1);
imgOutG=img(:,:,2);
imgOutB=img(:,:,3);
Rvec=[0 Rvec 256];=Gvec(iii) & imgOutG(:,:)=Bvec(iii) & imgOutB(:,:)
for iii=1:size(Rvec,2)-1
at=find(imgOutR(:,:)>=Rvec(iii) & imgOutR(:,:)
اینطور که از تابع بر میاد یک تصویر RGB را به همراه سه پارامتر می گیرد.
سپس بعدهای R و G و B را استخراج می کند. بر روی هر کدام یک حد آستانه اعمال می کند و سپس در انتها یک تصویر RGB بر می گرداند.
برای توضیحات بیشتر مرجع را مطالعه بفرمایید.