#647 کد مقاله | زمینه: کامپیوتر | ||
عنوان انگلیسی: |
Parameter optimization of improved fuzzy c-means clustering algorithm for brain MR image segmentation |
تعداد صفحات انگلیسی: |
9 صفحه |
عنوان فارسی: |
بهینه سازی پارامتر الگوریتم خوشه بندی c-means فازی بهبود یافته برای تقسیم بندی تصویر MR مغز |
تعداد صفحات فارسی: |
22 صفحه |
نوع فایل: |
فایل word ترجمه و pdf انگلیسی |
قیمت فروش: |
110,000 ريال |
چکیده فارسی: |
چکیده:یکی از روش های سنتی برای تقسیم بندی رزونانس مغناطیسی (MR) الگوریتم خوشه بندی c-means فازی (FCM) است. اثر الگوریتم FCM، بطور قابل توجهی در مورد داده های نویز کاهش می یابد. به منظور بهبود عملکرد الگوریتم FCM، محققان جاذبه ی همسایه را مطرح کرده اند که وابسته به موقعیت نسبی و ویژگی های پیکسل های همسایه است. با این حال، تعیین درجه جاذبه یک کار چالش برانگیز است که بطور قابل توجهی می تواند نتایج تقسیم بندی را تحت تاثیر قرار دهد. این مقاله به مطالعه پتانسیل الگوریتم های ژنتیک (GA) و بهینه سازی ازدحام ذرات (PSO) برای تعیین مقدار بهینه درجه جاذبه می پردازد. الگوریتم های ژنتیک در رسیدن به یک راه حل نزدیک به بهینه بهترین روش هستند اما در پیدا کردن یک راه حل دقیق دچار مشکل می شوند، در حالی که تعاملات گروهی PSO موجب افزایش جستجو برای یک راه حل بهینه می شوند. بنابراین، می توان انتظار داشت که استفاده از یک روش ترکیبی از هر دو، پیشرفت های قابل توجهی را برای ما به ارمغان آورد. در این مقاله، یک روش ترکیبی GAs/PSO برای تعیین درجه جاذبه بهینه استفاده می شود. مقایسه های کمی و کیفی انجام شده روی تصاویر شبیه سازی شده و تصاویر MR واقعی با سطوح نویز مختلف نشان دهنده پیشرفت های بی سابقه در نتایج تقسیم بندی در مقایسه با سایر روش های مبتنی FCM است. |
||
نسخه انگلیسی: |
|||
قیمت فروش: |
110,000 ريال |
||
پرداخت اینترنتی و دریافت
|