در این مطالعه، الگوریتمی موثر و کارآمد برای تشخیص نقشه برجستگی تصویر بر اساس مدل سازی پاسخ سریع سیستم بینایی انسان به تغییرات شدت روشنائی، بافت و رنگ ارائه شده است. برخی موارد مانند الهام گرفتن از عملکرد سیستم بینایی انسان، عدم نیاز به آموزش، کاهش تعداد رنگ، کاهش کانال های رنگی و استفاده صحیح از حداقل اطلاعات بافت در االگوریتم باعث افزایش کارایی آن شده است. در روش پیشنهادی در مرحله اول، با توجه به حساسیت سیستم بینایی انسان به سیگنال های با کنتراست بالاتر، فقط کانال با کنتراست بالاتر برای استخراج نقشه برجستگی رنگ استفاده و سپس با استفاده از مولفه شدت روشنایی در فضای رنگ Lab و با استفاده از مدل محاسباتی سلول ساده کورتکس بینایی نقشه برجستگی شدت روشنائی و نقشه برجستگی بافت استخراج می شوند. در نهایت، با ترکیب نقشه های برجستگی رنگ، شدت روشنائی و بافت، نقشه برجستگی به دست می آید. روش پیشنهادی و روش های موجود برروی پایگاه داده های MSRA10K و ECSSD آزمایش شده است. نتایج پیاده سازی ها نشان می دهد که الگوریتم ترکیبی پیشنهادی برای تشخیص نقشه برجستگی با استفاده از ویژگی های رنگ و بافت غالب، در پایگاه داده ECSSD به ترتیب دارای میانگین خطای مطلق، امتیاز معیار F و سطح زیر منحنی ROC ، 173/0 ، 789/0 و 891/0 و در پایگاه داده MSRA10K به ترتیب 178/0، 790/0 و 919/0 است که در مقایسه با سایر مدل ها بیانگر عملکرد بهتر روش پیشنهادی نسبت به سایر روش ها است. پرونده مقاله

کارایی روش‌های جستجو و بهینه‌سازی هوش جمعی، تمایل محققین را برای استفاده از آن‌ها در مسائل مختلف پیچیده مهندسی به صورت چشمگیری افزایش داده است. از جمله الگوریتم‌های مبتنی بر هوش جمعی، الگوریتم جستجوی گرانشی (GSA) است که با الهام از قوانین فیزیکی جاذبه گرانشی و حرکت نیوتنی، افراد جامعه را که در واقع جرم‌های تصادفی در فضا هستند را به جستجو در فضا وا می‌دارد. این مقاله به ارائه مدل جمعیتی جدیدی به نام GSA Population Fuzzy می‌پردازد که به اختصار آن را FPGSA می‌نامیم. روش پیشنهادی در واقع ترکیبی از دو کنترل‌کننده پارامتریک فازی و الگوریتم جستجوی گرانشی است که به جستجوی دقیق و منطقی فضا می‌پردازد. باید دانست در الگوریتم‌های هوش جمعی (و به تبع آن در روش GSA)، اندازه جمعیت عامل تاثیر‌گذاری بر پاسخ نهایی است به نحوی که با زیاد شدن این جمعیت پاسخ‌های بهتری حاصل شده و به تبع آن زمان اجرای الگوریتم طولانی‌تر می‌شود که برای رفع این مشکل پارامتری جدید به نام ضریب پراکندگی به الگوریتم افزوده‌ایم تا عملکرد بهتر سیستم را با کنترل این ضریب مورد ارزیابی قرار دهیم. پرونده مقاله

چکیده : باتوجه به افزایش انتظارات مصرف کنندگان در ارتباط با کیفیت محصولات غذایی، ارزیابی دقیق و سریع این محصولات از اهمیت ویژه ای برخوردار است . تکنیکهای پردازش تصویر امکان نظارت غیرمخرب بر صنایع غذایی را فراهم کرده است . در این تحقیق الگوریتمی توانمند برای آشکارسازی نواقص پوسته تخم مرغ مبتنی بر مدل محاسباتی سیستم بینایی انسان و بر اساس حساسیت سریع سیستم بینایی انسان به محرکهای شدت روشنائی ،جهت و رنگ ارائه شده است . روش پیشنهادی و چهار مدل از روشهای موجود در تشخیص برجستگی تصاویر بر روی تعدادی از تصاویر با نرم افزار Matlab R2013a در محیط Windows7 با پردازنده 5/2 گیگاهرتز و حافظهRAM 4 گیگاهرتز پیاده سازی شدند . برای پیاده سازی روش پیشنهادی، مدل محاسباتی سیستم بینایی موجود در الگوریتم در سه مقیاس و شش جهت در نظر گرفته شد. نتایج حاصله که براساس مقایسه دیداری نتایج ، رسم منحنی ROC و محاسبه AUC مدلها بودند ، عملکرد مطلوب الگوریتم پیشنهادی را نسبت به سایر الگوریتمها نشان داد . پرونده مقاله