دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.] نویسندگان: Diego Oliva, Salvador Hinojosa, Noe Ortega-Sánchez, Marco Pérez-Cisneros سری: ISBN (شابک) : 1032019778, 9781032019772 ناشر: CRC Press سال نشر: 2022 تعداد صفحات: 132 [140] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 Mb
در صورت تبدیل فایل کتاب Modern Metaheuristics in Image Processing به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب فراابتکاری مدرن در پردازش تصویر نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
استفاده از الگوریتمهای فراابتکاری (MA) در سالهای اخیر افزایش یافته است و زمینه پردازش تصویر نیز از کاربرد آنها مستثنی نیست. در دو سال گذشته مقدار زیادی MA به عنوان جایگزینی برای حل مسائل پیچیده بهینه سازی معرفی شده است. این کتاب برجسته ترین MA در سال های 2019 و 2020 را جمع آوری می کند و استفاده از آن را در وظایف پردازش تصویر تأیید می کند. علاوه بر این، بررسی ادبیات هر دو MA و پردازش تصویر دیجیتال به عنوان بخشی از اطلاعات مقدماتی ارائه شده است. هر الگوریتم با تمرکز ویژه در پارامترهای تنظیم و اجرای مناسب برای وظایف پردازش تصویر به تفصیل توضیح داده شده است. علاوه بر چندین مثال به خواننده اجازه می دهد تا استفاده از این نوع روش های هوشمند را بررسی و تأیید کند. از آنجایی که پردازش تصویر به طور گسترده در حوزه های مختلف مورد استفاده قرار می گیرد، این کتاب انواع مختلفی از مجموعه داده ها را در نظر می گیرد که شامل تصاویر تشدید مغناطیسی، تصاویر حرارتی، تصاویر کشاورزی و غیره است. سپس خواننده میتواند ایدههایی برای پیادهسازی داشته باشد که مکمل نظریه ارائهشده هر مکانیزم بهینهسازی است. با توجه به مشکلات پردازش تصویر، این کتاب تقسیم بندی را با استفاده از معیارهای مختلف بر اساس آنتروپی ها یا واریانس ها در نظر می گیرد. به همین ترتیب، شناسایی اشکال مختلف و تشخیص اشیا نیز در فصول مربوطه پوشش داده شده است. هر فصل با طیف گسترده ای از آزمایش ها و تجزیه و تحلیل آماری تکمیل شده است که به خواننده اجازه می دهد در مورد عملکرد MA قضاوت کند. در نهایت، بخشی گنجانده شده است که شامل بحث و نتیجه گیری است. این بخش همچنین برخی از سوالات باز و فرصت های تحقیقاتی را برای مخاطبان فراهم می کند.
The use of metaheuristic algorithms (MA) has been increasing in recent years, and the image processing field is not the exempted of their application. In the last two years a big amount of MA has been introduced as alternatives for solving complex optimization problems. This book collects the most prominent MA of the 2019 and 2020 and verifies its use in image processing tasks. In addition, literature review of both MA and digital image processing is presented as part of the introductory information. Each algorithm is detailed explained with special focus in the tuning parameters and the proper implementation for the image processing tasks. Besides several examples permits to the reader explore and confirm the use of this kind of intelligent methods. Since image processing is widely used in different domains, this book considers different kinds of datasets that includes, magnetic resonance images, thermal images, agriculture images, among others. The reader then can have some ideas of implementation that complement the theory exposed of each optimization mechanism. Regarding the image processing problems this book consider the segmentation by using different metrics based on entropies or variances. In the same way, the identification of different shapes and the detection of objects are also covered in the corresponding chapters. Each chapter is complemented with a wide range of experiments and statistical analysis that permits the reader to judge about the performance of the MA. Finally, there is included a section that includes some discussion and conclusions. This section also provides some open questions and research opportunities for the audience.
Cover Title Page Copyright Page Preface Table of Contents 1. Introduction 1.1 Image Segmentation by Thresholding 1.1.1 Image segmentation quality metrics 1.2 Metaheuristic Algorithms 1.2.1 A generic explanation of metaheuristic algorithms 1.3 Conclusions Exercises References 2. Literature Review 2.1 Introduction 2.2 Multilevel Thresholding over the Years 2.3 Current Trends on Image Thresholding 2.3.1 New metaheuristics and modifications 2.3.2 Hyper-heuristics 2.3.3 Multi-objective thresholding 2.3.4 Multidimensional histograms 2.3.5 Energy curve 2.4 Benchmark Images 2.5 Conclusions Exercises References 3. The Political Optimizer for Image Thresholding 3.1 Introduction 3.2 The Political Optimizer 3.3 Otsu’s Methodology between Class Variance 3.4 Multilevel Thresholding with PO and Otsu 3.5 Experiments 3.6 Conclusions Exercises References 4. Multilevel Thresholding by Using Manta Ray Foraging Optimization 4.1 Introduction 4.2 The Manta Ray Foraging Optimization 4.3 The Kapur Entropy 4.4 Multilevel Thresholding with MRFO and Kapur 4.5 Experiments 4.6 Conclusions Exercises References 5. Archimedes Optimization Algorithm and Cross-entropy 5.1 Archimedes Optimization Algorithm 5.1.1 Initialization 5.1.2 Update 5.1.3 Exploration phase 5.1.4 Exploitation phase 5.2 Cross-Entropy 5.3 Multilevel Thresholding with AOA and Cross-entropy 5.4 Experiments 5.5 Conclusions Exercises References 6. Equilibrium Optimizer and Masi Entropy 6.1 Equilibrium Optimizer 6.1.1 Initializing 6.1.2 Pooling 6.1.3 Updating 6.2 Masi Entropy 6.2.1 Masi entropy 6.3 Multilevel Thresholding with EO and Masi Entropy 6.4 Experiments 6.5 Conclusions Exercises References 7. MATLAB® Codes 7.1 Equilibrium Optimizer (EO) 7.2 Political Optimizer (PO) 7.3 Manta Ray Foraging Optimization (MRFO) 7.4 Archimedes Optimization Algorithm (AOA) Index