بررسی تشخیص لبه‌های تصویر نویزدار بر اساس الگوریتم بهینه‌سازی گرگ خاکستری

نویسندگان

1 گروه مهندسی مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان

2 گروه مهندسی مخابرات، دانشکده برق و کامپیوتر، دانشگاه سیستان و بلوچستان

چکیده

تشخیص لبه یکی از پایه‌های فرآیندهای تقسیم‌بندی تصویر، استخراج ویژگی و تشخیص اشیا است. تاکنون آشکارسازهای لبه بسیاری معرفی شده­اند. با این حال، حتی بهترین آشکارسازهای لبه در حضور نویز کارایی خود را از دست می­دهند. بنابراین، تشخیص صحیح لبه­ها در تصویر نویزدار همچنان یکی از مسائل چالش برانگیز در پردازش تصویر است. الگوریتم­های مختلفی برای حل این چالش ارائه شده­اند که الگوریتم­های بهینه­سازی فراابتکاری نمونه­هایی هستند که می­توانند به طور موثر فضای راه حل­های ممکن را جستجو کنند و به راحتی در مسائل پیچیده و بدون قید و شرط کار کنند. در این تحقیق، روشی برای تشخیص لبه تصاویر نویزدار بر اساس بهینه‌سازی گرگ خاکستری پیشنهاد شده است که تابع هدف جدید آن بر اساس ماسک‌های همگن، یکنواخت و آشکارساز لبه کیرش طراحی شده است. روش پیشنهادی در پایگاه داده BSDS500 شامل 500 تصویر به همراه تصاویر Ground Truth آنها، شبیه سازی شده است. در شبیه­سازی، نویزهای گاوسی، و نمک و فلفل اعمال شده­اند. ارزیابی با توجه به معیارهای میانگین مربعات خطا، نسبت سیگنال به نویز ماکزیمم، صحت، امتیاز F و دقت انجام شده است. نتایج شبیه­سازی نشان می­دهد که میانگین دقت روش پیشنهادی در تصاویر پایگاه داده BSDS500 به ترتیب 915/0 و 898/0 با نویز نمک و فلفل با چگالی 01/0 و نویز گاوسی با میانگین صفر و واریانس 01/0 به دست آمده است. میانگین زمان اجرای روش پیشنهادی با 80 اجرا برای هر تصویر پایگاه داده BSDS500 نیز در حضور نویزهای مذکور به ترتیب 01/50 و 02/50 ثانیه به دست آمده است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Investigation of the noisy image edge detection based on the GWO algorithm

نویسندگان [English]

  • Aref Eslami Mehdi Abadi 1
  • Farahnaz Mohanna 2
1 Communication Engineering Department, Electrical and Computer Engineering Faculty, University of Sistan and Baluchestan, Zahedan, Iran.
2 Department of Communication Engineering, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchestan, Zahedan, Iran
چکیده [English]

Edge detection as a pre-processing is the basis of image segmentation, feature extraction, and object recognition processes. So far, many edge detection algorithms have been introduced. However, even the best edge detectors lose their effectiveness in the presence of noise. Therefore, the correct detection of edges in the noisy image is still one of the challenging issues in the image processing. Various algorithms have been presented to solve this challenge, of which the meta-heuristic optimization algorithms are examples. In this research, a method is proposed for the edge detection of the noisy images based on the grey wolf optimization algorithm whose objective function is combining of the homogeneity factor, uniformity factor, and Kirsch edge detector masks. The proposed method has been simulated on the BSDS500 database including 500 images along with their Ground Truth images. In the simulation, two noises of the Gaussian, and salt-and-pepper have been applied. The evaluation has been done according to the mean square error, peak signal-to-noise ratio, precision, F-score, and accuracy criteria. The simulation results show the mean accuracy of the proposed method on the BSDS500 database images has achieved respectively 0.915, and 0.898 with the salt-and-pepper noise with a density of 0.01, and the Gaussian noise with a zero mean, and a variance of 0.01. The average execution time of the proposed method with 80 runs for each image of the BSDS500 database has also obtained at 50.01, and 50.02 seconds in the presence of the mentioned noises respectively.

کلیدواژه‌ها [English]

  • Edge detection
  • noise meta-heuristics optimization algorithm
  • grey wolf optimization algorithm
  • object recognition

مراجع

[1] R. Muthukrishnan, M. Radha, “Edge detection techniques for image segmentation”, International Journal of Computer Science & Information Technology, vol.3, no. 6, pp. 256-267, 2011.
[2] N. A. Golilarz, H. Gao, H. Demirel, “Satellite image de-noising with harris hawks meta heuristic optimization algorithm and improved adaptive generalized Gaussian distribution threshold function”, IEEE Access, vol. 7, pp. 57459-57468, 2019.
[3] S. Mirjalili, A. Lewis, “The whale optimization algorithm”, Advances in Engineering Software, vol. 95, pp. 51-67, 2016.
[4] N. S. Dagar, P. K. Dahiya, “Edge detection technique using binary particle swarm optimization”, Procedia Computer Science, vol. 167, pp.1421-143, 2020.
[5] D. Dumitru, A, Andreica, L. Diosan, Z. Baliot, “Particle swarm optimization of cellular automata rules for edge detection”, In 21st International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC), September 2019, Timisoara, Romania. DOI: 10.1109/SYNASC49474.2019.00052
[6] A. Eleyan, M. Anwar, “Multiresolution edge detection using particle swarm optimization”, IEEE International Journal of Engineering Science and Application, vol. 1, no. 1, pp. 11-17, 2017.
[7] Q. Shi, J. An, K. K. Gagnon, R. Cao, H. Xie, “Image edge detection based on the canny edge and the ant colony optimization algorithm”, In 12th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), October 2019. DOI: 10.1109/CISP-BMEI48845.2019.8965950
[8] S. Kheirinejad, S. M. H. Hasheminejad, N. Riahi, “Max-min ant colony optimization method for edge detection exploiting a new heuristic information function”, In 8th International Conference on Computer and Knowledge Engineering (ICCKE), October 2018. DOI: 10.1109/ICCKE.2018.8566516
[9] S. Wang, “A Novel Image Edge Detection Method Based on Multi-Population Ant Colony Optimization”, In 6th International Conference on Information Science and Control Engineering (ICISCE), June 2019, Shanghai, China. DOI: 10.1109/ICISCE48695.2019.00028
[10] M. Rafsanjani, Z. Varzaneh, “Edge detection in digital images using Ant Colony Optimization”, Computer Science Journal of Moldova, vol. 69, no. 3, pp. 343-359, 2015.
[11] A. Srivastava, R. Singh, S. Juneja, G. Verma, “Ant colony optimization based edge detection in digital images”, In 5th International Conference on Computational Intelligence and Communication Technologies (CCICT), July 2022, pp.107-113, Sonepat, India. DOI: 10.1109/CCiCT56684.2022.00031
[12] A. Gautam, M. Biswas, “Whale optimization algorithm based edge detection for noisy image”, In Second International Conference on Intelligent Computing and Control Systems (ICICCS), June  2018, Madurai, India. DOI: 10.1109/ICCONS.2018.8663022
[13] D. Liu, S. Zhou, R. Shen, X. Lu, “Color image edge detection method based on the improved whale optimization algorithm”, IEEE Access, vol. 11, pp. 5981-5989, 2023.
[14] M. S. N. Devi, S. Santhi, “Improved edge detection methods in OCT images using a hybrid framework based on CGWO algorithm”, In International Conference on Communication and Signal Processing (ICCSP), April  2019, Chennai, India.
DOI: 10.1109/ICCSP.2019.8698096
[15] S. Mirjalili, S. M. Mirjalili, A. Lewis, “Grey wolf optimizer”, Advances in Engineeing Software, vol. 69, pp. 46-6, 2014.
[16] Kaggle.com/datasets/balraj98/berkeley-segmentation-dataset-500-bsds500/
[17] M. Hossin, M. N. Sulaiman, “A review on evaluation metrics for data classification evaluations”, International journal of data mining & knowledge management process, vol. 5, no. 2, pp. 1-11, 2015.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار