سیده زهره میرطالبی - دانشگاه جاوید جیرفت

لبه یکی از ویژگی های اساسی در تصاویر دیجیتال می باشد، که شامل یک مجموعه از ویژگی هایمهم تصویر مانند جهت، شکل،تغییرات و ... می باشد. لبه یابی در تصاویر ماهواره ای، تصاویرپزشکی (جهت یافتن محل تومور و محل یک بافت خاص)، روباتیک، بینایی ماشین و... کاربرددارد. در این مقاله روشی جدید به منظور تشخیص لبه در تصاویر بر اساس شبکه عصبی سلولی وترکیب الگوریتم های بهینه سازی اجتماع پرندگان و تکامل تفاضلی ارائه می شود. در روشپیشنهادی با استفاده از شبکه های عصبی سلولی لبه یابی انجام می شود. به منظور بدست آوردن بهینهپارامترهای شبکه عصبی سلولی و افزایش دقت دسته بندی داده ها از ترکیب الگوریتم های بهینهسازی اجتماع پرندگان و تکامل تفاضلی استفاده می شود. نتایج حاصل از آزمایشات نشان می دهدکه کارایی روش پیشنهادی در مقایسه با روش های پایه نظیر سوبل، پریویت و کنی بهتر می باشد. دراین مقاله، آموزش شبکه های عصبی با استفاده از شکل خاصی از ترکیب الگوریتم های تکاملتفاضلی و اجتماع پرندگان به نام DEPSOM برای افزایش دقت دسته بندی داده ها پیشنهاد شدهاست. الگوریتم های متعددی برای آموزش شبکه های عصبی وجود دارد.یکی از معروفترین آنها،الگوریتم یادگیری پس انتشار است که این الگوریتم معایبی مانند همگرایی کند و افتادن در کمینهمحلی دارد.برای بهبود آموزش شبکه های عصبی، در این مقاله از الگوریتم های بهینه سازیمتاهیوریستیک استفاده شده است. نتایج حاصل از پیاده سازی نشان می دهد که الگوریتم ترکیبیDEPSOM ، عملکرد مناسبی در آموزش شبکه های عصبی دارد و در مقایسه با آموزش شبکه بااستفاده از الگوریتم PSO نتایج دقیق تری بدست می آورد.

لبه یابی، شبکه عصبی سلولی، آموزش شبکه های عصبی، الگوریتم اجتماع پرندگان، الگوریتم تکامل تفاضلی