پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,764 |
| تعداد مشاهده مقاله | 115,191,522 |
| تعداد دریافت فایل اصل مقاله | 89,939,403 |
کاهش رنگ تصاویر با شبکه‌های عصبی خودسامانده چندمرحله‌ای و ویژگی‌های افزونه | ||
| نشریه دانشکده فنی | ||
| مقاله 5، دوره 43، شماره 5 - شماره پیاپی 462891، شهریور 1388، صفحه 647-658 اصل مقاله (2.54 M) | ||
| نویسندگان | ||
| جواد راستی؛ سیدامیرحسن منجمی؛ عبا وفایی | ||
| دانشگاه اصفهان | ||
| چکیده | ||
| دسته‌بندی رنگ‌های یک تصویر به کمک روش‌های کاهش رنگ در بخشبندی، تشخیص و تفکیک اشیاء و نیز تولید تصاویر شبه‌رنگی، فشرده‌سازی، کاهش فضای ذخیره‌سازی و پهنای باند لازم برای انتقال تصاویر کاربرد دارد. در این مقاله برای کاهش رنگ‌های تصویر، روشی مبتنی بر شبکه‌های عصبی خودسامانده کوهنن به کار رفته است که با استفاده از ویژگی‌های افزونه که به کمک توابع خطی یک‌به‌یک از ویژگی‌های رنگی تصویر به دست می‌آیند، قابلیت تفکیک رنگ بهتر، نمایش جزییات بیشتر و نیز بخشبندی دقیق‌تر به ویژه در تشخیص اشیاء کوچک نسبت به روش‌های سنتی را به دست می‌دهد. با چندمرحله‌ای کردن روال کاهش رنگها کیفیت بهتری در این روش دیده می‌شود. همچنین در این تحقیق اثر استفاده از توابع خطی تصادفی برای ایجاد ویژگی‌های افزونه، تأثیر تصادفی بودن ترتیب ورودی‌ها در مرحله آموزش شبکه عصبی و نیز اثر الگوریتم‌های مختلف تطابق بر عملکرد شبکه روی تعدادی تصویر نمونه بررسی شده است. | ||
| کلیدواژه‌ها | ||
| بخشبندی؛ شبکه‌های عصبی خودسامانده؛ کاهش رنگ؛ کوانتیزاسیون برداری؛ ویژگی‌های افزونه | ||
| عنوان مقاله [English] | ||
| Color Reduction Using a Multi-Stage Kohenen Self-Organizing Map with Redundant Features | ||
| نویسندگان [English] | ||
| Javad Rasti؛ S. Amir Hasan Monadjemi؛ Abbas Vafaie | ||
| چکیده [English] | ||
| Reducing the number of colors in an image while preserving its quality, is of importance in many applications such as image analysis and compression. It also decreases memory and transmission bandwidth requirements. Moreover, classification of image colors is applicable in image segmentation and object detection and separation, as well as producing pseudo-color images. In this paper, the Kohenen Self-Organizing Map Neural Network is employed to form an adaptive color reduction method. To enhance the performance of this method, we have used redundant features obtained by one-to-one functions from three main components of the color image (e.g. Red, Green and Blue channels). Exploiting these features will increase the color discrimination and details illustration ability of the network compared to the conventional approaches. This method leads to satisfactory results in image segmentation and especially in small object detection problems. It is also investigated that if the number of features in Kohenen network grows even by using non-deterministic one-to-one functions, the network revenue considerably improves. Moreover, we will study the effect of various adaptation algorithms in Kohenen network training stage. Again using a multi-stage color reduction procedure which employs both Kohenen neural networks and conventional vector quantization schemes improves the performance. Several experimental results are represented to simplify the comparison of different approaches. | ||
| کلیدواژه‌ها [English] | ||
| Color reduction, Kohenen Self-Organizing Neural Networks, Redundant Features, segmentation, Vector Quantization | ||
|
آمار تعداد مشاهده مقاله: 1,738 تعداد دریافت فایل اصل مقاله: 2,157 |
||