کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6853613 1437210 2016 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A multi-objective optimization framework for ill-posed inverse problems
ترجمه فارسی عنوان
یک چارچوب بهینه سازی چند منظوره برای مشکلات معکوس
کلمات کلیدی
مشکل منفی، پردازش تصویر، بهینه سازی چند هدفه، الگوریتم تکاملی،
ترجمه چکیده
بسیاری از مشکلات معکوس تصویر برای هیچ راه حل منحصر به فرد نیست. اکثر آنها اهداف نامساعد یا متضاد دارند. در این مطالعه، یک چارچوب بهینه سازی چند هدفه برای مدل سازی چنین مشکلات معکوس معکوس معرفی شده است. اهداف متناقض براساس خواسته های ناخوشایند و تکنیک های خاص طراحی شده اند. الگوریتم تکاملی چند هدفه به طور همزمان بهینه سازی اهداف متعدد و به دست آوردن مجموعه ای از راه حل های تجاری می باشد. به همین دلیل ما از الگوریتم تکاملی چند منظوره استفاده می کنیم تا از میان این اهداف برای مشکالت تصویری مانع شود. دو مطالعه موردی از بازسازی ضعیف و تشخیص تغییرات پیاده سازی شده است. در مطالعه موردی از بازسازی نادر، خطای اندازه گیری اندازه و مدت اصطکاک به واسطه الگوریتم تکامل چند هدفه ای که هدف آن متعادل کردن اختلاف بین اعمال فشار و کاهش خطای اندازه گیری است، بهینه می شود. در مطالعه موردی از تشخیص تغییر تصویر، دو هدف متضاد ساخته شده است تا از میان قابلیت اطمینان به نویز و حفظ جزئیات تصویر نگهداری شود. نتایج تجربی دو مطالعه موردی چارچوب بهینه سازی چند هدفه برای مشکلات معکوس معکوس در پردازش تصویر موثر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک چارچوب بهینه سازی چند منظوره برای مشکلات معکوس
چکیده انگلیسی
Many image inverse problems are ill-posed for no unique solutions. Most of them have incommensurable or mixed-type objectives. In this study, a multi-objective optimization framework is introduced to model such ill-posed inverse problems. The conflicting objectives are designed according to the properties of ill-posedness and certain techniques. Multi-objective evolutionary algorithms have capability to optimize multiple objectives simultaneously and obtain a set of trade-off solutions. For that reason, we use multi-objective evolutionary algorithms to keep the trade-off between these objectives for image ill-posed problems. Two case studies of sparse reconstruction and change detection are implemented. In the case study of sparse reconstruction, the measurement error term and the sparsity term are optimized by multi-objective evolutionary algorithms, which aims at balancing the trade-off between enforcing sparsity and reducing measurement error. In the case study of image change detection, two conflicting objectives are constructed to keep the trade-off between robustness to noise and preserving the image details. Experimental results of the two case studies confirm the multi-objective optimization framework for ill-posed inverse problems in image processing is effective.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: CAAI Transactions on Intelligence Technology - Volume 1, Issue 3, July 2016, Pages 225-240
نویسندگان
, , ,