آستانه گذاری لبه های مورد نظر را انتخاب میکنیم. در این مرحله از تابعhysthresh استفاده میکنیم این تابع تصویرو آستانه بالا و پایین را به ترتیب میگیرد. برای نقاطی که بدلیل انعکاس منبع نوری در سیستم تشخیص عنبیه وجود دارد می توان از آستانه گذاری استفاده کرد و نقاطی که دارای شدّت بسیار بالا هستند از مقایسه حذف شوند.

تصویر(3-11).نتیجه آستانه گذاری
3-4. ناحیه بندی عنبیه غیرایده آل
ناحیه بندی یکی از مهمترین بخش ها در سیستم تشخیص هویت میباشد و هر گونه خطا در این قسمت تقریباً غیر قابل جبران میباشد و خطای حاصل تا پایان کار از بخشی به بخش دیگر منتقل میشود. در این پایان نامه تمامی لبه ها بررسی میشوند و هر چه اندازه تصویر کمتر باشد زمان اجرا کمتر میشود که با کم شدن حجم تصویر، زمان اجرا به شدت کاهش مییابد. به همین دلیل معمولاً تصویر را با یک نسبت کوچک کرده و روش تشخیص دایره را به ان اجرا کرده و در پایان دوباره تصویر را به حجم اولیه میرسانیم.
برای ناحیه بندی عنبیه غیرایده آل نیاز هست تا مراکز دوایر(عنبیه و مردمک) را بدست آوریم.
برای اینکار باید مراکز را در رنج هایی که به صورت تجربی و با توجه به پیکسل های تصویر اولیه تعیین میکنیم را بدست آوریم. با توجه به اینکه حجم تصویر اولیه 200*150 پیکسل بوده میتوانیم رنج های زیر را به صورت تجربی تعریف نماییم.
R1=20-60 شعاع عنبیه
R2=5-15 شعاع مردمک
مرکز X=40-80
مرکز Y=50-110
با توجه به این رنج ها، دوایری روی مردمک و عنبیه میزنیم و محل های تقاطع را بعنوان مرز عنبیه و مردمک در نظر میگیریم، در فواصل ناحیه نامشخص دوایر به شعاع های متفاوت میزنیم و از تلاقی دایره ها، مرز عنبیه و مردمک را بدست میآوریم، بیشترین تعداد نقاط قطع را بعنوان مرکز در نظر میگیریم، بعد با الگوریتم کلونی مورچگان، شعاع مردمک و شعاع عنبیه را بهینه مینماییم. ناحیه بندی براساس این روش زمانبر هست اما دقّت بسیار بالایی دارد.

3-4. ناحیه بندی با پیاده سازی و تحلیل الگوریتم کلونی مورچگان
3-4-1. الگوریتم بهینه سازی کلونی مورچگان
الگوریتم کلونی مورچگان برای اولین ‌بار توسط دوریگو در سال 1996 برای حل مسائل بهینه‌سازی ارائه شد. سپس دوریگو این الگوریتم را برای حل مسئله فروشنده دوره‌گرد به کار برد. الگوریتم بهینه‌سازی کلونی مورچگان از رفتار مورچه‌های طبیعی که در کلونی‌ها درکنار یکدیگر زندگی می‌کنند، الهام گرفته شده است. در این الگوریتم، عامل‌ها، مورچه‌های مصنوعی هستند که مشابه با مورچه‌های واقعی رفتار می‌کنند و با همکاری یکدیگر می‌توانند نتایج بسیار خوبی به دست آورند. این الگوریتم برای حل و بررسی محدوده وسیعی از مسائل بهینه سازی به کاربرده شده است(ما و همکاران 2009،19) و یکی از الگوریتم‌های بسیار کارآمد در حل مسائل بهینه‌سازی ترکیبی است. از کاربردهای الگوریتم مورچگان می‌توان به حل مسئله کلاسیک فروشنده دوره‌گرد، مسئله راهیابی در شبکه‌های مخابرات راه دور، مسیریابی داخل شهری و بین‌شهری، مسیریابی بین پست‌های شبکه‌های توزیع برق ولتاژ بالا و مسیریابی شبکه‌های‌ کامپیوتری اشاره کرد.
3-4-2. عملکرد کلی الگوریتم کلونی مورچگان
هنگامی که مورچه‌ها برای یافتن غذا از کلونی خارج می‌شوند مسیر خود را به صورت کاملاً تصادفی انتخاب می‌کنند و مورچه هیچ‌گاه به تنهایی نمی‌تواند منبع غذایی را بیابد، زیرا مورچه‌ها فاقد بینایی هستند و ارتباط آن‌ها با یکدیگر از طریق استشمام ماده شیمیایی به نام فرومون صورت می‌گیرد. فرومون، ماده شیمیایی است که مورچه‌های واقعی برای تعیین موقعیت و ارتباط غیرمستقیم روی زمین ترشح می‌کنند، هر مورچه هنگام حرکت، مقداری فرومون از خود به روی زمین باقی می‌گذارد و بدین ترتیب مسیر را به وسیله این ماده مشخص می‌سازد. البته فرومون به سرعت تبخیر می‌شود امّا در مدت زمان طولانی به عنوان رد مورچه به روی زمین باقی می‌ماند. به عبارت دیگر، مورچه‌های دیگر در حین حرکت تصادفی، با مواجه شدن با مسیری که دارای اثر فرومون بیشتری است، به احتمال زیاد، این مسیر را انتخاب می‌کنند و با فرومونی که از خود بر جای می‌گذارند، آن را در مسیر مذکور تقویت می‌نمایند. هر مورچه به محض یافتن منبع غذایی، به سوی کلونی باز می‌گردد. مسیر بازگشت مورچه‌ها مانند مسیر رفت آن‌ها، تصادفی نخواهد بود و آن‌ها روی مسیری که از قبل با فرومون مشخص شده است، باز می‌گردند. اگر انتخاب مورچه‌ها تصادفی نبود و مسیر بد توسط یک مورچه انتخاب می‌شد، تمام مورچه‌ها نیز این مسیر را انتخاب می‌کردند، بنابراین انتخاب تصادفی مسیر، سبب یافتن مسیر بهینه می‌شود.
فیدبک مثبت: رفتار کلونی مبنی بر فعل و انفعالات شیمیایی بر اساس ترشح فرومون، به عنوان فیدبک مثبت در نظر گرفته می‌شود که مورچه‌ها این فیدبک مثبت را به هنگام انتخاب مسیر برای یافتن مسیر بهینه به کار می‌گیرند. به این ترتیب، زمانی که یک مورچه جذب مسیر بهینه می‌شود به نوبه خود مقداری فرومون روی مسیر قرار می‌دهد. این کار حجم فرومون موجود در مسیر را افزایش داده و باعث جذب مورچه‌های بیشتری می‌شود، مورچه‌های دیگر نیز به نوبه خود بر شدّت فرومون مسیر می‌افزایند و این روند تکرار می‌شود تا به حد اشباع برسد و مسیر بهینه انتخاب شود. بنابراین فیدبک مثبت، احتمال این‌که یک مورچه مسیری را انتخاب کند که مورچه‌های قبلی آن را انتخاب کرده‌اند را افزایش می‌دهد.
فیدبک منفی: در رفتار مورچه‌ها به هنگام جستجوی غذا نوعی فیدبک منفی نیز وجود دارد و آن ناشی از تبخیر فرومون است. تبخیر فرومون، باعث می‌شود اطّلاعات مربوط به مسیرهای قدیمی و متروک که باعث اختلال در روند جستجوی آذوقه می‌شوند از فضای جستجو حذف شوند.
3-4-3. انعطاف پذیری الگوریتم مورچگان
اگر فیدبک مثبت که به صورت افزایش سطح فرومون روی راه حل‌های خوب پیاده سازی می‌شود به تنهایی اتفاق بیافتد، افزایش سطح فرومون بدون تبخیر، منجر به توقّف، همگرایی زودرس و انحطاط الگوریتم می‌شود، به همین دلیل فیدبک منفی به فرم تبخیر فرومون روی تمام مسیرها و گاهی فقط مسیرهای بد به کار می‌رود. این دو ویژگی باعث ایجاد انعطاف بسیار بالای الگوریتم مورچگان در حل هرگونه مسئله بهینه‌سازی می‌شود. همان طور که ذکر شد الگوریتم‌های تکاملی انعطاف پذیری بالایی دارند یعنی با تغییر شرایط مسئله می توانند خود را با شرایط جدید تطبیق دهند. بنابراین در الگوریتم مورچه نیز اگر مشکلی در روند حل مسئله ایجاد شود، نیازی نیست الگوریتم از ابتدا مسئله را حل کند بلکه از همان جایی که مشکل مطرح شده است، مورچه‌ها می‌توانند پس از مدت کوتاهی مسیر بهینه را بیابند. برای روشن شدن موضوع مثالی در این زمینه بیان می‌نماییم، مطابق تصویر (3-12). اگر مانعی در مسیر مورچه‌ها قرار بگیرد، مورچه‌ها شروع به جستجوی مسیرهای جایگزین تصادفی نموده و مسیر خود را مطابق با موارد ذکر شده از قبل (اطّلاعات فرومون) می‌یابند.

این مطلب رو هم توصیه می کنم بخونین:   پایان نامه با کلید واژگان آموزش زبان، گروه کنترل، شهر کرمان

تصویر (3-12). قرار دادن مانع در مسیر حرکت مورچه‌ها از کلونی تا منبع غذایی
اگر مطابق تصویر (3-13)، دوباره مانع برداشته با توجه به موارد ذکر شده، مورچه‌ها به راحتی می‌توانند مسیر خود را باز یابند. این مثال انعطاف بالای الگوریتم مورچگان در هنگام مواجهه مورچه‌ها با یک مانع را نشان می‌دهد، بنابراین الگوریتم این توانایی را دارد تا به سرعت مسیر بهینه را با توجه به شرایط جدید و بر اساس اطّلاعات فرومون پیدا کند.

تصویر (3-13). حذف مانع و انعطاف پذیری رفتار مورچه‌ها
3-4-4. مزایای الگوریتم مورچگان
الگوریتم مورچگان دارای حافظه می‌باشد، بدین معنی که مسیر مورچه برگزیده شده تا چندین تکرار بعد برجسته باقی می‌ماند به این دلیل که فرومون ترشح شده روی این مسیر برای تبخیر کامل چند تکرار به طول می‌انجامد. فیدبک مثبت و منفی در الگوریتم مورچگان باعث ایجاد انعطاف بسیار بالای الگوریتم مورچگان در حل هرگونه مسئله بهینه سازی می‌شود. هرگاه شرایط مسئله تغییر کند الگوریتم به سرعت خود را با شرایط جدید مطابقت می‌دهد.
3-4-5. ناحیه بندی بهینه عنبیه توسط الگوریتم کلونی مورچگان
برای ناحیه بندی بهینه عنبیه نیاز به موقعیت دقیق مرکز و شعاع دو دایره برای جداسازی پیکسل های عنبیه از سایر نقاط تصویر داریم. بنابراین برای ناحیه بندی بهینه عنبیه با استفاده از الگوریتم کلونی مورچگان، 4 پارامتر بهینه سازی تعریف گردید: موقعیت طولی مرکز، موقعیت عرضی مرکز، شعاع داخلی عنبیه و شعاع بیرونی عنبیه. بنابراین هر مورچه برای تولید یک راه حل برای مسئله باید برای هر یک از این پارامترها مقداری را انتخاب کند، Cost مورچه ایی که R1 و R2 را داشته بدست می آوریم تا R1 و R2 را Min کنیم.

3-4-6. ایجاد جمعیّت جهت یافتن جواب بهینه
در پیاده سازی الگوریتم کلونی مورچگان، m مورچه مصنوعی مسیر به طور موازی ایجاد می‌شوند. فرض بر این است که مورچه k در نود i قرار دارد تصویر (3-14). لذا نقطه‌ای را که می‌خواهد به سمت آن حرکت کند، متناسب با قانون احتمال انتخاب می‌کند، در ابتدا احتمال انتخاب تمام مسیرها توسط مورچه‌ها یکسان می‌باشد زیرا میزان فرومون اولیه برای تمام مسیرها یکسان است. اما در هر تکرار الگوریتم، با توجه به تبخیر و ترشح فرومون برای برخی مسیرها، احتمال انتخاب بر مبنای شدت فرومون می‌باشد .

تصویر (3-14). انتخاب مسیر توسط مورچه در نقطه i
رابطه (3-1) احتمال انتخاب مسیر برای مورچه k را برای انتخاب i امین مقدار برای j امین پارامتر بهینه سازی نشان می‌دهد .
(3-1)
در رابطه فوق، ضریب ? تاثیر فرومون و ? تاثیر اطّلاعات هیوریستیک را نشان می‌دهد، این دو ضریب توازنی بین اطّلاعات هیوریستیک و میزان فرومون برقرار می‌کنند. اگر ?=0 فرض شود معادله (3-1) به فرم معادله (3-2) تبدیل می‌شود و احتمال انتخاب فقط به فرومون وابسته خواهد بود که با افزایش ? احتمال انتخاب هم افزایش می‌یابد. وابستگی احتمال انتخاب به مقدار فرومون باعث همگرایی سریع و انحطاط راه حل الگوریتم می‌شود، بنابراین به ازای هر یک از 4 پارامتر بهینه سازی، هر چه مقدار فرومون بیشتری داشته باشد، احتمال بیشتری برای انتخاب شدن توسط مورچه‌ها را دارد.
(3-2)
3-4-7. ارزیابی شایستگی و انتخاب مورچه‌های کاندید برای ترشح فرومون
پس از این که هر مورچه مسیر خود را کامل نمود مسیر هر مورچه با تابع شایستگی ارزیابی می‌شود، در این مرحله که شایستگی هر مسیر ارزیابی شد، تعدادی از بهترین آن‌ها به عنوان مورچه نامزد برگزیده می‌شوند تا فرومون برای آن‌ها ترشح شود. تابع هدف در این مسئله بر اساس میانگین فواصل نقاط لبه تا محیط دایره عنبیه می‌باشد. بنابراین هرچه مرکز و شعاع دو دایره عنبیه برای یک مورچه مناسب تر باشد، مقدار تابع هدف کمتر خواهد شد.
(3-3)
که در رابطه (3-3)سمت چپ بیانگر میانگین فواصل نقاط لبه از دایره بیرونی عنبیه و سمت راست بیانگر میانگین فواصل نقاط لبه از دایره داخلی عنبیه به ازای راه حل تعیین شده توسط مورچه k ام می‌باشند.
3-4-8. به روز رسانی فرومون
در حالت کلی برای به روز رسانی فرومون دو مرحله اجرا می‌شود، در مرحله اول، فرومون تمام نود‌ها دچار تبخیر فرومون می‌شود. پارامتری است که ضریب تبخیر فرومون نام دارد. اگر ضریب تبخیر کوچک در نظر گرفته شود مسیر مورچه خوب تکرارهای قبلی بیشتر برجسته باقی می‌ماند و سرعت همگرایی کاهش می‌یابد و در صورتی که ضریب تبخیر بزرگ فرض شود مسیر مورچه خوب تکرارهای قبلی سریع‌تر از بین می‌رود و همین امر باعث افزایش سرعت همگرایی می‌گردد.

دسته‌ها: No category

دیدگاهتان را بنویسید