انتخاب ویژگی‌های تأثیرگذار در عملیات دسته‌بندی با استفاده از الگوریتم جستجوی فاخته (CSA)

•   آرشیو : نسخه پاییز 1398
•   نوع مقاله : پژوهشی
•   کد پذیرش : 1347
•   موضوع : 10
• نویسنده/گان : محمدرضا فرهمند، الهام سادات حجازی
•   چکیده :
  مساله انتخاب زيرمجموعه ویژگی‌ها، به مفهوم شناسايي و انتخاب يك زيرمجموعه مفيد از ویژگی‌ها، از ميان مجموعه داده اوليه می‌باشد و همچنين مبحث مهمي در تحليل ميزان همبستگي در زمینه‌های دسته‌بندی می‌باشد كه در كاهش ابعاد مجموعه ویژگی‌ها به كار می‌آید. اين كار با حذف ویژگی‌هايي كه ايجاد نويز می‌کنند و يا اينكه با ديگر ویژگی‌ها همبستگي كمي دارند، انجام می‌شود. در بسياري از مجموعه داده‌ها برخي از ویژگی‌ها در تصمیم‌گیری نقشي ندارند و به‌نوعی می‌توان آن‌ها را اضافي تلقي نمود. پس انتخاب يك زیرمجموعه‌ی مناسب از ورودی‌ها می‌تواند هم در دقت طبقه‌بندی و هم در سرعت آن تاثیر داشته باشد در این مطالعه، با استفاده از الگوریتم جستجوی فاخته و دو معیار درجه تفکیک پذیری واطلاعات متقابل برای محاسبه همبستگی در میان مشخصه ها، رویکرد جدیدی جهت انتخاب ویژگی های تاثیر گذار وبهینه ، ارائه شده است. ویژگی های به دست آمده با سه دسته بندی کننده ماشین بردار پشتیبان، درخت تصمیم و K نزدیک‌ترین همسایه مورد ارزیابی قرارگرفته اند. سپس با مقایسه روش پیشنهاد شده با نتایج به دست آمده از کل مجموعه ویژگی، درجه F و روش های انتخاب ویژگی مبتنی بر همبستگی، نشان داده ایم که روش پیشنهاد شده به صورت کلی بسیار کارآمد می باشد. در انتها ازآنجایی که ماشین بردار پشتیبان جهت دسته بندی، نتایج بهتری را ارائه داده است، با دیگر روش های انتخاب ویژگی به علاوه بردار پشتیبان نیز مقایسه انجام گرفته است که راهکار پیشنهادی نسبت به دیگر روش ها نتایج بهتری را حاصل نموده است. از آنجایی که روش پیشنهادی یک راهکار انتخاب ویژگی را معرفی می‌کند می‌توان از آن در سایر زمینه‌های تحقیقاتی نظیز تشخیص پزشکی، در سیستم های تعیین خسارت و یا سیستم های تولیدی استفاده نمود. s:1022:"در پردازش تصویر ، تشخیص انواع نویز و طراحی فیلتر بسیار مهم است. روشهای متداول فیلتر کردن برای بازیابی تصویر مانند فیلتر میانه و فیلتر میانگین در بسیاری از موارد موثر نیستند ، مانند مواردی که فاقد اطلاعات از انواع نویز است یا مواردی که نویز های مختلط در تصاویر دارند. در این مقاله یک روش داده کاوی برای تشخیص نوع نویز ایجاد شده و یک طرح فیلتر فازی برای افزایش کیفیت تصاویر مخدوش و نویزدار پیشنهاد شده است. نتایج تجربی نشان می دهد که روش پیشنهادی از فیلترهای معمولی بهتر عمل می کند ، به ویژه برای مقابله با تصاویر مخدوش شده ناشی از نویز مختلط افزایشی گوسی و نویز ضربه ای.";
•   کلید واژه : s:75:"Digital images, Image processing, Data maning, Noise removal, Fuzzy filter.";
•   Title : Provide a fuzzy filter design for enhancing the quality of noise corrupted images
•   Abstract :
  s:681:"In image processing, both diagnosis of noise types and filter design are critical. Conventional filtering techniques for image restoration such as median filter and mean filter are not effective in many cases, such as the case lacking the information of noise types or the case having mixed noise in images. This paper develops a data mining approach for noise type diagnosis, and proposes a fuzzy filter design for enhancing the quality of noise corrupted images. The experimental results demonstrate that the proposed technique outperforms the conventional filters, particularly for dealing with the images corrupted by mixed noise with additive Gaussian noise and impulse noise.";
•   مراجع :
  s:3975:"[1] Chakravorty. P.(2018). What is a signal? [lecture notes]. IEEE Signal Processing Magazine.;35(5):175-177. DOI:10.1109/MSP.2018.2832195
  [2] Gonzalez. R.(2018). Digital image processing. New York, NY: Pearson; ISBN: 978-0-13-335672-4. OCLC 966609831
  [3] Sarfraz. M.(2020). Introductory Chapter: On Digital Image Processing. InDigital Imaging 2020 May 13. IntechOpen.
  [4] Josep. Arnal.. Luis. Súcar.(2020). Hybrid Filter Based on Fuzzy Techniques for Mixed Noise Reduction in Color Images. Appl. Sci. 10, 243; doi:10.3390/app10010243.
  [5] Wang. C.. Yan. Z..& Pedrycz. W.(2020). Zhou M, Li Z. A weighted fidelity and regularization-based method for mixed or unknown noise removal from images on graphs. IEEE Transactions on Image Processing. 2020 Feb 25;29:5229-43.
  [6] Jindal. K.. Kumar. R.(2016). A Note on “Data mining based noise diagnosis and fuzzy filter design for image processing”. Computers & Electrical Engineering. 2016 Jan 1;49:50-1.
  [7] Wang. Y.. Wu. G..& Chen. GS.(2014). Chai T. Data mining based noise diagnosis and fuzzy filter design for image processing. Computers & Electrical Engineering. 2014 Oct 1;40(7):2038-49.
  [8] Liu. J.. Huan. ZD.. Huang. HY..& Zhang. HL.(2009). An adaptive method for recovering image from mixed noisy data. Int J Comput Vis; 85(2):182–91.
  [9] Chan. RH.. Dong. Y.(2010). Hintermuller M. An efficient two-phase L1–TV method for restoring blurred images with impulse noise. IEEE Trans Image Process;19(7):1731–9.
  [10] Cai. JF.. Chan. R..& Nikolova. M.(2008). Two-phase methods for deblurring images corrupted by impulse plus gaussian noise. Inverse Problem Imag; 2(2):187–204.
  [11] Cai. JF.. Chan. RH..& Nikolova. M.(2010). Fast two-phase image deblurring under impulse noise. J Math Imag Vis;36(1):46–53.
  [12] Zhang. B.. Fadili. MJ.. Starck. JL..& Olivo-Marin. JC.(2007). Multiscale variance stabilizing transform for mixed-Poisson–Gaussian processes and its application in bioimaging. In: Proceedings of IEEE international conference on image processing; p. 233–6.
  [13] Morillas. S.. Gregori. V..& Hervas. A.(2009). Fuzzy peer groups for reducing mixed Gaussian-impulse noise from color images. IEEE Trans Image Process;18(7):1452–66.
  [14] Yang. JX.. Wu. HR.(2009). Mixed Gaussian and uniform impulse noise analysis using robust estimation for digital images. In: Proceedings of the 16th international conference on digital signal processing; p. 468–72.
  [15] Lopez-Rubio. E.(2010). Restoration of images corrupted by Gaussian and uniform impulsive noise. Pattern Recogn;43(5):1835–46.
  [16] Ji. LP.. Zhang. Y.(2008). A mixed noise image filtering method using weighted-linking PCNNs. Neurocomputing;71(13–15):2986–3000.
  [17] Huang. YM.. Ng. MK..& Wen. YW.(2009). Fast image restoration methods for impulse and Gaussian noise removal. IEEE Signal Proc Lett;16(6):457–60.
  [18] Ghita. O.. Whelan. PF.(2010). A new GVF-based image enhancement formulation for use in the presence of mixed noise. Pattern Recogn;43(8):2646–58.
  [19] Lin. CH.. Tsai. JS..& Chiu. CT.(2010). Switching bilateral filter with a texture/noise detector for universal noise removal. IEEE Trans Image Process;19(9):2307–20.
  [20] Miller. G.. Martz. HF.. Little. TT..& Guilmette. R.(2002). Using exact poisson likelihood functions in Bayesian interpretation of counting measurements. Health Phys;83(4):512–8.
  [21] Brodsky. A.(1992). Exact calculation of probabilities of false positives and false negatives for low background counting. Health Phys; 63(2):198–204.
  [22] Wang. LX..Mendel. JM.(1992). Generating fuzzy rules by learning from examples. IEEE Trans Syst Man Cybernet; 22(6):1414–27.
  [23] Wang. LX.(2003). The WM method completed: a flexible fuzzy system approach to data mining. IEEE Trans Fuzzy Syst;11(6):768–82.
  [24] Wang. YF.. Wang. DH..& Chai. TY.(2011). Extraction and adaptation of fuzzy rules for friction modeling and control compensation. IEEE Trans Fuzzy Syst; 19(4):682–93.";
•  صفحات : 1-15
•   دانلود فایل ( 873.60 KB )